- •19. Экспертные системы. База знаний, механизм вывода, механизмы приобретения и объяснения знаний.
- •20. Экспертные системы. Примеры практических экспертных систем.
- •21. Экспертные системы. Формализация этапов экспертной деятельности.
- •22. Экспертные системы. Инженерия знаний.
- •23. Экспертные системы. Организация базы знаний. Продукционная модель для представления знаний.
- •24. Экспертные системы. Семантические сети для представления знаний.
- •25. Экспертные системы. Жизненный цикл экспертной системы
- •Формализация.
- •Реализация
- •Тестирование
- •26. Нейронные сети. Понятие нейронной сети
- •27. Нейронные сети как тип моделей ии. Применение нс
- •28. Нейронные сети. Структура и функции нейрона.
- •29. Нейронные сети. Модель искусственного нейрона.
- •30 Нейронные сети. Элементная база нейрокомпьютеров- аналоговая, цифровая, гибридная. Стандартные процессоры обработки сигналов.
- •31 Нейронные сети. Преимущества и недостатки различных типов элементной базы аппаратных нейрокомпьютеров.
- •32 Нейронные сети. Нейро-эмуляторы, их преимущества и недостатки.
- •33 Нейронные сети. Секторы рынка нейросетевых программных продуктов: нейро-пакеты и готовые решения на основе нейросетей.
- •34 Нейронные сети. Инструменты разработки нейроприложений.
- •35 Нейронные сети. Классификация базовых нейроархитектур по типу связей и типу обучения
- •36. Нейронные сети. Методы обучения нс. Машинное обучение
- •37. Нейронные сети. Обучение с учителем. Эффекты обобщения и переобучения
- •38. Нейронные сети. Персептроны: архитектура, возможности и решаемые задачи.
- •39. Нейронные сети. Однонаправленные многослойные нейронные сети
- •48 Генетический алгоритм. Мутация, ее роль в алгоритме. Механизмы реализации процесса мутации.
- •49 Генетический алгоритм. Методы скрещивания, применяемые в генетических алгоритмах и их эффективность.
- •50 Генетический алгоритм. Способы реализации отбора и их эффективность.
- •51 Генетический алгоритм. Метод штрафных функций.
50 Генетический алгоритм. Способы реализации отбора и их эффективность.
По сути это функция оценки полученных генов на их жизнеспособность и качество.
Фитнес-функция
Тут нужно обратить внимание что фитнес-функция это пожалуй наиболее важная (или одна из) деталь ГА. Здесь нужно выделить 3 главных момента:
1. Функция оценки должны быть адекватна задаче. Это означает, что для успешного поиска необходимо, чтобы распределение значений фитнес-функции совпадало с распределением реального качества решений (не всегда "качество" решения эквивалентно его оценке по фитнесс-функции). Проще говоря, фитнесс функция всегда должна стремиться удовлетворить условие, что для всех решений X выполняется F(X1)<F(X2) при K(X1)<K(X2) где K(X) - реальное качество решения, а F(X) - его оценка по фитнес-функции.
2. Фитнес-функция должна иметь рельеф. Мало того, рельеф должен быть разнообразным. Это означает, что ГА имеет мало шансов на успех, если на поверхности фитнес-функции есть огромные "плоские" участки - это приводит к тому, что многие (или, что хуже, все) решения в популяции при различии в генотипе не будут отличаться фенотипом, тоесть, не смотря на то что решения различаются, они имеют одинаковую оценку, а значит алгоритм не имеет возможности выбрать лучшее решение, выбрать направление дальнейшего развития. Эта проблема еще упоминается как "проблема поля для гольфа", где всё пространство абсолютно одинаково, за исключением лишь одной точки, которая и является оптимальным решением - в этом случае алгоритм просто остановится или будет блуждать абсолютно случайно.
3. Фитнес-функция должна требовать минимум ресурсов. Т.к. это наиболее часто используемая деталь алгоритма, она имеет существенное влияние на его скорость работы.
51 Генетический алгоритм. Метод штрафных функций.
Штрафные функции используются для ограничения области поиска решения т.е. для решения обычными методами т.н. задач условной оптимизации (или оптимизации с ограничениями). Штрафы используются и при использовании алгоритма DE, если нужно решать задачу с ограничениями. Остаются градиенты (и громадная куча их модификаций), которые работают только в простых задачах.