Биологический подход к решению задач искусственного интеллекта. Генетические алгоритмы и их использование. Нейронные сети и их использование.

Биологический подход:

Развитие системы искуственного интеллекта (ИИ) сразу разделилось на 2 направления: биологическое и информационное.

Биологич-ое: Так как мы моделируем биологич-е системы, то необх-мо иммитировать или копировать построение реальных биологич-х систем. В данном направлении развиты:

1) бионика (разработка роботов по аналогии с биологич-ми существами);

2) генетич-е алгоритмы (основаны на системах естесственного отбора, системах адаптации в биологии);

3) нейронные сети (моделируются нейроны);

4) моделир-ние конкуренции, мотивации; агентные системы (моделир-е жизни, развития, адаптации);

5) нейрокибернетика (теория управления, основанная на нейронных сетях).

Генетические алгоритмы (ГА):

В природе мощный механизм естественного отбора, который в рамках 1 популяции проходит следующие этапы:

1) начальная популяция – набор исходных биолог-х существ;

2) искусственный отбор – в результате воздействия окруж-й среды и конкуренции из популяции отбир-ся лучшие эл-ты;

3) появл-е (рожд-е) нового поколения с использ-ем 2-х мех-мов – мутации в генах и скрещивания между генами родителей.

Мутация – это случ-ое изменение генов под действием радиации, химии и т.д.

Скрещивание (кроссовер)– это процесс образования ДНК потомка на основе частей ДНК родителей.

В рез-те последоват-го возд-я зтих 3-х процессов в природе осущ-ся адаптация, приспособленность видов, генетич-й отбор и т.д., которые позволяют живым существам достигать оптимальности за сравнительно небольшое число популяций. Поэтому основной сферой применения ГА явл-ся решение задач оптимизации, в которых ГА показаликачества не хуже самых оптимальных численных алгоритмов.

Структура ГА:

Построение ГА состоит в конструировании общей схемы, включающей набор перечисленных этапов, расположенных в определенном порядке.

Рассмотрим примерный вариант ГА.

· Начальная популяция

· Вычисление F _полез.

· Отбор

· Скрещивание

· Мутация

· Вычисление F _полез.

· Отбор

· Условие остановки

1 этап. Нужно сформировать начальную популяцию. С точки зрения предыдущей аналогии с ДНК каждый элемент популяции – это вектор, который содержит запись, причем длины всех записей одинаковы. На этом этапе можно выбрать 2 параметра модели: длина записи (сколько букв или цифр) d, кол-во элементов популяции N.

Выбор начальной популяции может быть случайным, в центре искомой области или аналитическим (по какому-то закону).

2 этап. На втором этапе мы считаем, что одни вектора лучше других. Чтобы это определить, вводится специальная функция полезности (индекс сверху–номер вектора, индекс снизу–номер буквы вектора); результат вычисления – положительное или равное нулю число. Можно сравнить и , т.е. ответить на вопрос: какая из популяций полезнее. Функция полезности должна быть вычислена на втором этапе для всех элементов.

3 этап. Нужно отобрать N’ элементов, лучших среди всей совокупности N, т.е. N’<N. Мы должны выбрать максимальные или минимальные элементы популяции по значениям функции полезности. Выбор максимальных или минимальных определяется по соотношению N’ и N. Если N’ < N/2, то выгоднее выбирать максимальные, в противном случае - минимальные. Если больше худших, то выбираются лучшие; если больше лучших, то – худшие.

4 этап. Нужно определить число составляемых пар для скрещивания.

5 этап. Необходимо провести процедуру мутации, имеющую как минимум 2 параметра P и N’’’. После проведения мутации вновь проводят вычисление функции полезности и отбор лучших элементов.

После этого одна итерация алгоритма выполнена, теперь нужно проверить условие выхода-остановки. Это условие должно определять: достаточно ли этих итераций или необходимо выполнить ещё одну.

Возможны следующие варианты условия выхода:

1) Задается фиксированное количество итераций. Поскольку одна итерация – одно поколение, то задаём количество поколений (параметр KP), достигнув последнего поколения, завершаем процесс алгоритма.

2) Задаётся изменчивость поколений (G_изм).Это функция, которая определяется как разность лучшей функции полезности в N и N-1 поколениях:

G_изм=F_луч(N)-F_луч(N-1)

Таким образом. если мы видим, что от поколения к поколения полезность сильно не увеличивается и изменчивость мала, то можно прекратить этот алгоритм.

3) Задаётся необходимое условие для максимальной функции полезности (F_max). Если в каком-то поколении F_max будет превышено, то мы прекращаем вычисления. Иногда можно рассматривать условие для максимальной функции полезности для одного элемента (чемпиона) или для набора элементов (получено заданное количество качественных элементов).

Начальная популяция → Вычисление Fполез. → Отбор → Скрещивание → Мутация → Вычисление Fполез → Отбор → Условие остановки (например, достижение предельной популяции, когда наступает насыщение, т.е. популяция не изменяется).

Внутри j -того объекта популяции можно задать коэф-т мутации С_мут, который будет измерять, много или нет эл-тов меняется.

Отбор:

Отбор можно добавить на каждом этапе ГА.

Отбор заключает в себе функцию эффективности (). Отбор эл-тов в поколении выполняется с пом-ю спец. функции, которая наз-ся функцией полезности. Чем > значение этой функции, тем лучше считается элемент.

Кроссовер:

Объекты популяции состоят из сложных эл-тов – аналогов генов (молекул нуклеотидов 4-х видов: А, Т, С, G). Это своего рода алфавит, на котором записывается текст сообщения ДНК. Как и в любом тексте важно, какие буквы и в какой послед-ти они следуют. Если поменять местами 2 нуклеотида, то это будет совсем другая особь.

Как известно, ДНК потомка образуетс из генов 2-х родителей – это парный кроссовер. (В теории тройной кроссовер). В природе только парный кроссовер:

Вначале ученые моделировали кроссовер просто: брали ½ от объекта А и ½ от объекта В и соединяли в единого потомка. Получали как мин-м 4-е вар-та соед-я: A_xB_x, A_xB_y, A_yB_x, A_yB_y. Потом биологи док-ли, что гены передаются не поровну, тогда возникла идея модификации ГА, выбирая неравные части эл-тов. Модуляция кроссовера свелась к моделир-ю шим.

Теория шим:

Шима- англ. «маска». Идея: по 2-м родительским группам вычисляют потомка. Суть метода: если прорезать в некот-х клетках отверстия, то часть букв будет видна. Одни буквы берем у 1-го, другие - у 2-го родителя. Шиму можно промоделировать двоичным числом (1-открытая буква, 0-закрытая). Тогда маска- это двоичное число (или 4-х битное число).

Наложение шимы

С помощью шимы мы уходим от вероятности. При моделир-и шим только 2 пар-ра: k - выбор шимы и p - число прорезей в шиме.

Нейронные сети:

В настоящее время особое место в искусственном интеллекте занимает имитационное моделирование биологии человеческого мозга с помощью специальных моделей нейронов и нейронных сетей. Нейроны головного мозга образуют систему, которая обрабатывает поступающую от органов чувств информацию. У нейронов есть аксон (отросток), с другой стороны к нему подходят дендриты. Окончание на аксоне – синапс, который необходим для передачи инф-ции от 1-ой клетки к дендритам другой.

Нейрон –система, у которой есть несколько входов и один выход. Через дендриты информация проникает в нейрон:

Усложнение системы состоит в том, что нейроны объединяются в виде пленки – сеть. Они обладают достаточной сложностью, чтобы производить прием сигнала. Был обнаружен пороговый характер нейрона (пока сигнал не дойдет до опред-й величины, нейрон его не передает). Так как входов у нейрона неск-ко и они по-разному ослабляют сигнал, то j -тому входу можно поставить соотв-щий вес. Тогда сигнал ослабления . Сигнал в большинстве случаев можно считать битом (0 – нет, 1 -есть), все входы можно считать большим двоичным числом, выходы - другим двоичным числом. действие сети – преобразование больших двоичных чисел.

Эффекты: 1) нейрон способен уставать (есть фазы активности и пассивности); 2) между нейронами конкуренция, неработающие отмирают; 3) сигналы от разных дендритов могут мешать и помогать друг другу; 4) появл-ся эффет самосогласования.

Модели нейронов:

Свойства сетей зависит от каких нейронов она состоит. Т.к. можно придумать разные модели нейронов, то эти модели стараются приблизить к биологии человеческого нейрона, здесь возникает сложность, т.к. эти объекты до конца не изучены.

Дата добавления: 2015-07-11