- •Системы искусственного интеллекта
- •1. Общие понятия об искусственном интеллекте.
- •1.1. Предмет исследования искусственного интеллекта.
- •1.2. Проблемы искусственного интеллекта.
- •1.3. История развития систем искусственного интеллекта.
- •1.4. Подходы к построению систем искусственного интеллекта.
- •2. Знания в системах искусственного интеллекта.
- •2.1. Понятие и виды знаний.
- •2.2. Системы баз знаний.
- •2.3. Онтологии.
- •2.4. Методы представления знаний.
- •2.5. Методы приобретения знаний.
- •3. Экспертные системы.
- •3.1. Базовые понятия.
- •3.2. Методика построения эс.
- •4. Искусственная жизнь.
- •4.1. Генетические алгоритмы.
- •4.2. Клеточные автоматы.
- •5. Распознавание образов.
- •5.1. Понятие образа.
- •5.2. Проблема обучения распознаванию образов.
- •5.3. Гипотеза компактности.
- •5.4. Подходы к распознаванию образов.
- •5.5. Обучение и самообучение распознаванию образов.
- •6. Методы обучения распознаванию образов.
- •6.1. Кластерный анализ структуры многомерных данных.
- •6.1.1. Основные понятия кластерного анализа.
- •6.1.2. Общая схема кластеризации.
- •6.1.3. Методы кластеризации.
- •6.2. Метод потенциальных функций.
- •6.3. Метод предельных упрощений.
- •6.4. Коллективы решающих правил.
- •6.5. Метод группового учета аргументов.
4. Искусственная жизнь.
Одной из главных задач искусственной жизни является создание искусственных существ, способных действовать не менее эффективно, чем живые организмы. Искусственная жизнь изучает вопросы построения систем эволюционного, самоорганизующегося, адаптивного поведения, основанных на биологических принципах.
4.1. Генетические алгоритмы.
Генетические алгоритмы – алгоритмы, основанные на моделировании развития биологической популяции. Они являются фундаментом искусственной жизни. В теории генетических алгоритмов рассматриваются искусственные объекты (компьютерные модели), способные:
а) адаптироваться к меняющимся условиям внешней среды и конкурировать за ресурсы;
б) накапливать знания об этой среде и обмениваться ими, комбинируя выработанные способности по определенным схемам;
в) мутировать под влиянием определенных воздействий или случайно.
Этапы генетического алгоритма:
Создать начальную случайную популяцию, состоящую из множества решений (особи или хромосомы). Т.е. популяция – это множество векторов P = { } = … , где n – размер популяции, – особь. Каждая из позиций вектора хромосомы называется геном. Получить оценку качества Zi для каждой особи.
Произвести эволюцию популяции следующими способами:
-
Выбор: в соответствии с оценкой качества особи определяется вероятность ее размножения и гибели. Если оценка высока, то особь считается удачной и получает приоритет при размножении, а вероятность ее гибели снижается, и наоборот;
Размножение: в соответствии с определенным качеством особи она имеет вероятность размножения тем большую, чем точка удачнее.
Примеры законов размножения:
деление: исходная особь разделяется на две (или несколько) близлежащих точки: и , где векторы и определяются алгоритмом;
кроссинговер – наследование участков хромосомных наборов родителей (размножение со скрещиванием): две близкие точки и такие, что мало, скрещиваются, давая одного или нескольких потомков, состоящих из наборов ген родителей.
Виды кроссинговера:
а) одноточечный кроссинговер. Случайным образом выбирается один из генов, номер которого принимается за точку разрыва. Обе родительские хромосомы в этой точке разрываются на два сегмента. Затем соответствующие сегменты разных родителей склеиваются, образуя два генотипа потомков.
б) двухточечный кроссинговер. Выбираются две точки разрыва, и родительские хромосомы обмениваются сегментом, находящимся между этими точками.
в) равномерный кроссинговер. Каждый ген первого родителя наследуется первым потомком с вероятностью, определенной на шаге 2.1, в противном случае этот ген передается второму потомку. И наоборот.
Мутации: создают новое решение случайным изменением существующего. Обычно изменяется один или несколько ген, т. е. осуществляется смещение на небольшую величину: , где – небольшой по модулю вектор, характеризующий величину мутации. Вероятность мутации равна для любой особи;
Считается, что мутации являются причиной появления новых биологических видов, а кроссинговер определяет изменчивость внутри вида.
Гибель: в соответствии с вероятностью, определенной на шаге 2.1, точка может погибнуть, т.е. будет бесследно удалена из популяции. В этот шаг может быть введен принцип элитности, который гарантирует, что при отборе обязательно будут выживать лучший (или лучшие) члены популяции.
Текущий набор P составляет генофонд популяции. На каждом шаге эволюции получаются все более совершенные особи (с высокой оценкой).
В генетических алгоритмах присутствуют наследственность, изменчивость и естественный отбор – движущие силы биологической эволюции. Однако точная количественная теория эволюции пока не построена и поэтому оптимальность выбранных параметров алгоритма пока может быть оценена только экспериментально.