Алгоритм работы классического ГА

Генетический алгоритм представляет собой мощное поисковое средство, эффективное в различных проблемных областях.

Под структурным подходомподразумевается построение систем ИИ путем моделирования структуры человеческого мозга. Нейросетевое моделированиеприменяется в различных областях — бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, классификации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов — формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.

Искусственные нейронные сети (ИНС) — это математические модели и их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.

Как правило, искусственная нейронная сеть используется, когда неизвестны виды связей между входами и выходами.

Для моделей, построенных по аналогии с мозгом человека, характерны простое распараллеливание алгоритмов и связанная с этим высокая производительность.Основное использование этих моделей — прогнозирование.

Интеллектуальн.анализ данных. Упр-ние знаниями.

Анализ данных – действия, направлен.на извлеч-е из них инф-ции об исследуемом объекте и на получ-е по имеющимся данным новых данных.

Интеллектуальн.анализ данных (ИАД)– общий термин для обознач-я анализа данных с активн.исп-нием матем.методов и алгоритмов (методы оптимизации, генетич.алгоритмы, распознавание образов, статистич.методы, Data Mining…), использующих визуальное представл-е данных.

Процесс ИАД состоит из 3 стадий:

1) Выявление закономерностей (свободн.поиск);

2) Исп-ние выявленных законом-тей для предсказания неизвестных значений (прогнозир-е)

3) Анализ исключений для выявления и толкования аномалий в найденных законом-тях.

Иногда выделяют промежуточн.стадию проверки достоверности найденных законом-тей меджу их нахожд-ем и исп-нием.

Все методы ИАД по принципу работы с исходн.данными подраздел-ся на 2 группы:

- методы рассужд-й на основе анализа прецедентов – исходн. данные могут хранится в явном детализированном виде и непосредственно исп-ся для прогнозир-я и анализа.

- методы выявления и исп-ния формализован.законом-тей, требующие извлечения инф-ции из первичн.данных и преобразов-я ее в нек-рые формальные конструкции, вид кот. зависит от конкретн.метода.

Существующие системы ИАД подразделяют на исследовательские, ориентированные на специалистов и предназначенные для работы с новыми типами проблем; прикладные,рассчитанные на аналитиков, менеджеров, технологов и решающиетиповые задачи (в прикладных системах целесообразно реализовывать не методы, а типовые виды рассуждений, характерные для проблемной области).

Для проведения автоматического анализа данных, накопленных предприятием в течение жизненного цикла, используются технологии под общим названием Data Mining. Data Mining — это технология обнаружения «сырых» данных ранее неизвестных нетривиальных, практически полезных и доступных интерпретаций знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Алгоритмы, используемые в Data Mining требуют большого количества вычислений, что ранее считалось сдерживающим фактором широкого практического их применения, однако рост производительности современных процессоров снял остроту этой проблемы.

Наибольшее распространение получили следующие методы Data Mining: нейронные сети, деревья решений, алгоритмы кластеризации, алгоритмы обнаружения ассоциативных связей между событиями и т.д.

Деревья решений представляют собой иерархическую древовидную структуру классифицирующих правил типа «если-то». Для отнесения некоторого объекта или ситуации к какому-либо классу следует ответить на вопросы. При положительном ответе осуществляется переход к правому узлу следующего уровня дерева, отрицательном — к левому узлу.

Экспертная система (ЭС).

ЭС –система ИИ, включающая знания об определен.слабо структурирован.и трудно формализуемой узкой предметн.области и способная предлагать и объяснять польз-лю разумн.реш-я. В ее основе лежит база знаний с правилами и машиной логич.вывода и которая на основании представленных фактов делает диагноз и подсказывает путь реш-я.

Осн.компоненты ЭС:

- база знаний, кот.содержит факты и правила. Факты – краткосрочн.инф-ция. Они могут измен-ся в ходе консультации. Правила – более долговремен.инф-ция о том, как порождать новые факты из того, что известно.

- подсист.логического вывода(машина логич.вывода) – она, используя исходн.данные из раб.памяти и базы знаний, формирует последов-ть правил, кот.приводят к реш-ю задач. Различают прямую и обратную цепочки рассужд-й. прямая - цепочка, кот.ведет от данных к гипотезе. Процесс получ-я окончательн.результата прозрачный. Обратная – попытка найти данные для доказат-ва или опровержения нек-рой гипотезы. На практике в чистом виде они редко встречаются.

- приобрет-е (редактор) знаний – автоматизирует процесс напол-я ЭС знаниями.

- объяснительн.компонент – разъясняет польз-лю, как система получила реш-е задачи и какие знания при этом использовались.

- диалоговый компонент – ориентирован на организацию дружествен.общения с польз-лем в ходе реш-я задач.

- БД – для хранения исходных и промежуточн.данных решаемой задачи.

ЭС может работать в режиме приобрет-я знаний (общение с ЭС осуществляет эксперт, кот.использует компонетн приобрет-е знаний) и в режиме реш-я задачи (режим консультации, общение с ЭС осуществляет конечн.польз-ль, которого интересуют результаты реш-я задачи)

ЭС формируется по след.методологич. принципам:

1) Объект – все, что является источником инф-ции

2) Любой объект обладает различными свойствами, кот.явл-ся в рамках соответствующ.систем

3) Структура сист. отражает структуру предметн.области

ЭС классифиц-ся по след.признакам:

1. По назнач-ю: *общего назнач-я; *специализированные (сист.тестирования,УЗИ)

2. По степени зависимости от внешн.среды: *статические; *динамич.

3. По типу исп-ния: *изолированные; *ЭС на выходе 1 сист. и входе др.системы; *гибридные

4. По стадии создания: *исследовательские; *демонстрацион; *промышлен; *коммерч.

Не нашли, что искали? Воспользуйтесь поиском по сайту: