Интеллектуальные информационные системы

Формальные  нейроны до определенной степени  отражают динамику передачи сигналов в реальных биологических нейронах. Живые нейроны состоят тела клетки, дендритов и аксона. Очень упрощая картину, работу нейрона можно описать следующим образом. Дендриты получают сигналы от других клеток через синапсы, эти сигналы поступают в тело клетки, где они суммируются с другими такими же сигналами. Если суммарный сигнал в течение короткого промежутка времени является достаточно большим, то клетка возбуждается, вырабатывая в аксоне импульс, который передается на следующие клетки. Не вдаваясь в подробности, подчеркнем, что формальные нейроны только очень грубо отражают работу биологических живых нервных клеток.

 

Лекция  “ Обучение и применение нейронных сетей ”

Одной из наиболее изученных типов  искусственных  нейронных сетей являются сети Хопфилда. Они широко применяются для  моделирования  некоторых функций интеллекта, таких как ассоциативная память.Ассоциативность памяти нейронной сети Хопфилда не является единственным ее достоинством, которое используется на практике. Другим важным свойством этой архитектуры является уменьшение ее функции Ляпунова в процессе нейродинамики. Следовательно, нейросеть Хопфилда можно рассматривать, как алгоритм оптимизации целевой функции в форме энергии сети.

Класс целевых  функций, которые могут быть минимизированы нейронной сетью достаточно широк: в него попадают все билинейные и  квадратичные формы с симметричными матрицами. С другой стороны, весьма широкий круг математических задач может быть сформулирован на языке задач оптимизации. Сюда относятся такие традиционные задачи, как дифференциальные уравнения в вариационной постановке; задачи линейной алгебры и системы нелинейных алгебраических уравнений, где решение ищется в форме минимизации невязки, и другие.

Исследования  возможности использования нейронных  сетей для решения таких задач  сегодня сформировали новую научную  дисциплину - нейроматематику.

Применение нейронных сетей для решения традиционных математических задач выглядит весьма привлекательным, так нейропроцессоры являются системами с предельно высоким уровнем параллельности при обработке информации. В нашей книге мы рассмотрим использование нейро-оптимизаторов для несколько иных задач, а именно, задач комбинаторной оптимизации.

Многие задачи оптимального размещения и планирования ресурсов, выбора маршрутов, задачи САПР и иные, при внешней кажущейся  простоте постановки имеют решения, которые можно получить только полным перебором вариантов. Часто число вариантов быстро возрастает с числом структурных элементов N в задаче (например, как N! - факториал N), и поиск точного решения для практически полезных значений N становится заведомо неприемлимо дорогим. Такие задачи называют неполиномиально сложными или NP-полными. Если удается сформулировать такую задачу в терминах оптимизации функции Ляпунова, то нейронная сеть дает весьма мощный инструмент поиска приближенного решения.

 

 

 

 

 

Лекция “Нечеткая  логика “

 

 
В последнее время нечеткая технология завоевывает все больше сторонников  среди разработчиков систем управления. Взяв старт в 1965 году из работ профессора Лотфи Заде, за прошедшее время нечеткая логика прошла путь от почти антинаучной теории, практически отвергнутой в Европе и США, до банальной ситуации конца девяностых годов, когда в Японии в широком ассортименте появились «нечеткие» бритвы, пылесосы, фотокамеры. Сам термин «fuzzy» так прочно вошел в жизнь, что на многих языках он даже не переводится. В России в качестве примера можно вспомнить рекламу стиральных машин и микроволновых печей фирмы Samsung, обладающих искусственным интеллектом на основе нечеткой логики. Тем не менее, столь масштабный скачок в развитии нечетких систем управления не случаен. Простота и дешевизна их разработки заставляет проектировщиков все чаще прибегать к этой технологии. После поистине взрывного старта прикладных нечетких систем в Японии многие разработчики США и Европы наконец-то обратили внимание на эту технологию. Но время было упущено, и мировым лидером в области нечетких систем стала Страна восходящего солнца, где к концу 1980-х годов был налажен выпуск специализированных нечетких контроллеров, выполненных по технологии СБИС . В такой ситуации корпорация  Intel, имея большое количество разнообразных контроллеров от MCS-51 до MCS-96, которые на протяжении многих лет успешно использовались во многих приложениях, решила создать средство разработки приложений на базе этих контроллеров, но с использованием технологии нечеткости. Это позволило избежать значительных затрат на конструирование собственных нечетких контроллеров, а система от Intel, получившая название fuzzy TECH, завоевала огромную популярность в мире.  
Нечеткая логика основана на использовании таких оборотов естественного языка, как «далеко», «близко», «холодно», «горячо». Диапазон ее применения очень широк - от бытовых приборов до управления сложными промышленными процессами. Многие современные задачи управления просто не могут быть решены классическими методами из-за очень большой сложности математических моделей, их описывающих. Вместе с тем, чтобы использовать теорию нечеткости на цифровых компьютерах, необходимы математические преобразования, позволяющие перейти от лингвистических переменных к их числовым  аналогам в ЭВМ.

 

 
        Лекция  “Нечеткий вывод“ 
Вернемся к теории и кратко рассмотрим такие понятия, как «нечеткие правила», «нечеткий вывод» да и сам термин «нечеткое  
управление». Классическая логика развивается с древнейших времен. Ее основоположником считается Аристотель. Логика известна нам как строгая и сугубо теоретическая наука, и большинство ученых (кроме разработчиков последнего поколения компьютеров) продолжают придерживаться этого мнения. Вместе с тем классическая или булева логика имеет один существенный недостаток - с ее помощью невозможно описать ассоциативное мышление человека. Классическая логика оперирует только двумя понятиями: ИСТИНА и ЛОЖЬ, и исключая любые промежуточные значения. Аналогично этому булева логика не признает ничего кроме единиц и нулей. Все это хорошо для вычислительных машин, но попробуйте представить весь окружающий вас мир только в черном и белом цвете, вдобавок исключив из языка любые ответы на вопросы, кроме ДА и НЕТ. В такой ситуации вам можно только посочувствовать. Решить эту проблему и призвана нечеткая логика. С термином «лингвистическая переменная» можно связать любую физическую величину, для которой нужно иметь больше значений, чем только ДА и НЕТ. В этом случае вы определяете необходимое число термов и каждому из них ставите в соответствие некоторое значение описываемой физической величины. Для этого значения степень принадлежности физической величины к терму будет равна единице, а для всех остальных значений - в зависимости от выбранной функции принадлежности. Например, можно ввести переменную ВОЗРАСТ и определить для нее термы ЮНОШЕСКИЙ, СРЕДНИЙ и ПРЕКЛОННЫЙ. Обсудив с экспертами значения конкретного возраста для каждого терма, вы с полной уверенностью можете избавиться от жестких ограничений логики Аристотеля.  
Получившие наибольшее развитие из всех разработок искусственного интеллекта, экспертные системы завоевали устойчивое признание в качестве систем поддержки принятия решений. Подобные системы способны аккумулировать знания, полученные человеком в различных областях деятельности. Посредством экспертных систем удается решить многие современные задачи, в том числе и задачи управления. Однако большинство систем все еще сильно зависит от классической логики.  
Одним из основных методов представления знаний в экспертных системах являются продукционные правила, позволяющие приблизиться к стилю мышления человека. Любое правило продукций состоит из посылок и заключения. Возможно наличие нескольких посылок в правиле, в этом случае они объединяются посредством логических связок И, ИЛИ. Обычно продукционное правило записывается в виде: «ЕСЛИ (посылка) (связка) (посылка)… (посылка) ТО (заключение)».  
Главным же недостатком продукционных систем остается то, что для их функционирования требуется наличие полной информации о системе.  
Нечеткие системы тоже основаны на правилах продукционного типа, однако в качестве посылки и заключения в правиле используются лингвистические переменные, что позволяет избежать ограничений, присущих классическим продукционным правилам.  
Целевая установка процесса управления связывается с выходной переменной нечеткой системы управления, но результат нечеткого логического вывода является нечетким, а физическое исполнительное устройство не способно воспринять такую команду. Необходимы специальные математические методы, позволяющие переходить от нечетких значений величин к вполне определенным. В целом весь процесс нечеткого управления можно разбить на несколько шагов: фаззификация, разработка нечетких правил и дефаззификация.

 

Лекция  “Генетические алгоритмы”

Генетический  алгоритм - это простая модель эволюции в природе, реализованная в виде компьютерной программы. В нем используются как аналог механизма генетического наследования, так и аналог естественного отбора. При этом сохраняется биологическая терминология в упрощенном виде.  
Вот как моделируется генетическое наследование

Хромосома	Вектор (последовательность) из нулей и единиц.  Каждая позиция (бит) называется геном.
Индивидуум =  генетический код	Набор хромосом = вариант  решения задачи.
Кроссовер	Операция, при которой  две хромосомы обмениваются своими частями.
Мутация	Cлучайное изменение  одной или нескольких позиций  в хромосоме.

 
 
       Чтобы смоделировать эволюционный процесс, сгенерируем вначале случайную популяцию - несколько индивидуумов со случайным набором хромосом (числовых векторов). Генетический алгоритм имитирует эволюцию этой популяции как циклический процесс скрещивания индивидуумов и смены поколений.  
Название "генетические алгоритмы" связано с тем, что они воспроизводят современные представления о естественном отборе: скрещивание генотипов - определение удачности порожденных фенотипов - отсев неудачников из набора партнеров для следующего скрещивания. 
   Скрещивание является наиболее критичным этапом генетического алгоритма. Оно существенно зависит от того, можно ли установить степень удачности не только варианта в целом, но и его отдельных частей - "генов" (в нашем случае – отдельных параметров модели ).    

Генетические алгоритмы  осуществляют стохастический поиск  оптимума сразу несколькими вариантами комбинаций параметров. Процесс поиска включает три основных этапа, повторяемых в цикле:

• эволюция - сдвиг варианта в направлении ожидаемого оптимума с использованием, вообще говоря, как производных критерия по пааметрам, так и стохастических "скачков";
• отсеивание "неудачливых" вариантов;
• скрещивание "удачливых" вариантов: порождение вариантов - "потомков", сочетающих удачные значения параметров "родителей".

   

Для того чтобы понять, почему генетические алгоритмы работают, задумаемся над понятием пространства поиска. Пространство поиска - это множество возможных решений задачи. Например, это может быть множество всех возможных расстановок фигур на шахматной доске. Если мы нарисуем график приспособленности решений для простой задачи, мы можем получить как простое и предсказуемое (рис. 7a), так и более сложное (рис. 7b) пространство поиска. И в том, и в другом случае пространство поиска одномерно. Хромосома представляет одно число, которое и описывает решение (например, это может быть температура, при которой лучше всего растут помидоры). Размерность пространства поиска для более сложных задач может достигать нескольких сотен; в этом случае рисовать какие-либо графики невозможно, а программы поиска становятся крайне сложными. 
   Рассмотрим один из простых методов поиска - метод восхождения. Он работает так: сначала генерируется случайное решение (например, маршрут в ЗКВ), затем в него вносится "единичное" возмущение (например, меняется местами пара городов), и возмущенное решение сравнивают с исходным. Если новый маршрут короче, он сохраняется, а старый отбрасывается. Если новый маршрут длиннее старого, то сохраняется старый. Затем процесс повторяется с сохраненным решением, но уже с другим единичным возмущением, и так далее. Если в течение, скажем, тысячи итераций решение не улучшается, оно объявляется оптимальным, и процесс останавливается.

 

Лекция «Применение  методов и моделей ИИС в  научных исследованиях и экономике.»

 

Направления искусственного интеллекта. Восприятие и распознавание образов,

математика и автоматическое доказательство теорем, игры, экспертные системы, понимание естественного  языка, управление динамическими объектами, получение новых знаний. Перечислим некоторые практические результаты применения ИИС. Доказательство небольшого числа терем, построение игровых программ в шахматах уровня чемпиона мира,  создание экспертных систем , помогающих в диагностике и химии,  медицинская диагностика в кардиологии и онкологии, решение задачи обработки и распознавания сигналов любого типа, решение задач комбинаторной оптимизации, создание вычислительной техники нового поколения, нейропроцессора,  прогнозирование , диагностика надежности технических систем, управление динамическими объектами, такими как бытовая техника, железнодорожный транспорт, зеркала мощных телескопов и двигательная установка гиперзвукового самолёта.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Контрольные вопросы к зачету по дисциплине «Интеллектуальные информационные системы»

1.Классификация задач  и алгоритмов.

2. Неполиномиальные алгоритмы.

3. Примеры задач, для  которых применяется искусственный  интеллект.

4. Представление знаний  в форме логической и продукционной  модели.

5. Вывод на предикатах  с помощью алгоритма резолюции.

6.Модели знаний.

7.Языки логического  программирования.

8.Элементы языка Пролог.

9.Синтаксис языка Пролог.

11.Запись правил и  фактов в языках логического  программирование.

12.Понятие базы знаний.

13.Внутренне представление  знаний.

14. Назначение и теоретическая  база Пролога. 

15.Проблемы и достижения  логического программирования.

16.Экспертные системы.

17.Структура экспертной  системы.

18. Внутренне представление  знаний.

19. Продукционная модель.

20.Управление правилами.

21.Алгоритм разработки  экспертной системы.

22.Опыт применения  экспертных систем в различных  областях.

23. Перцептрон. Основные  определения.

24. Задача распознавания  образов.

25.Обучение перцептрона.

26.Методы обучения  с учителем.

27.Система обучения  с коррекцией ошибок.

28.Свойства систем  обучения перцептрона.

29.Искусственная нейронная  сеть.

30. Биологический прототип нейронной сети.

31.Классификация ИНС.

32.Обучение ИНС с  учителем.

33.Алгоритмы обучения.

34.Место ИНС в теории  искусственного интеллекта.

35. Применение ИНС в  экономике.

36.Применение ИНС в  технике и медицине.

37.Основные понятия  нечёткой логики.

38.Функция принадлежностей.

39.Нечеткая переменная.

40.Основы нечеткой  алгебры.

41.Нечеткие отношения.

42.Нечеткий вывод.

43.Нечёткие высказывания.

44.Процедуры фазификации.

45.Процедуры дефазификации.

46.Применение нечёткой  логики в управлении динамическим объектом.

47.Применения нечёткой  логики в различных областях.

48. Генетические алгоритмы.

49. Место ГА в теории  искусственного интеллекта.

50. Применение генетических  алгоритмов.