ru.algorithms

 
 - RU.ALGORITHMS ----------------------------------------------------------------
 From : Yuri Burger                          2:468/85.3     18 Jul 2001  22:32:00
 To : All
 Subject : Mild.Faq: 1/9
 -------------------------------------------------------------------------------- 
 

 
 
 [ю]ДДДДДДДД Begin 1 ДДДДДДД
                            ЙНННННННННННННННННННН»
                            ЗДМягкие  вычисленияД¶
                            ИННННН17-07-2001НННННј
 
                    Составитель: Yuri Burger [2:468/85.3]
 ******************************************************************************
 Словарь
 Что такое мягкие вычисления?
 1 ГЕHЕТИЧЕСКИЕ АЛГОРИТМЫ
 1.1 Что такое генетический алгоритм?
 1.2 Очень уж всё сложно, а попроще нельзя?
 1.3 Кто придумал генетический алгоритм?
 1.4 Преимущества при использовании генетических алгоритмов?
 1.5 Когда вредно использовать генетические алгоритмы?
 1.6 Что такое простейший генетический алгоритм, схема, теорема Холланда?
 1.7 Совсем запутал. А проще можно?
 1.8 А на исходник простого ГА посмотреть можно?
 1.9 Какие существуют методы кроссинговера?
 1.10 А исходники этих кроссинговеров есть?
 1.11 Что такое инверсия и переупорядочение?
 1.12 Что такое эпистаз?
 1.13 Что такое ложный оптимум?
 1.14 В приведенном сырце ПГА не ясна роль "неэлитных" особей.
 1.15 Что такое инбридинг, оутбридинг, селективный выбор, панмиксия?
 1.16 Динамическая самоорганизация параметров ГА.
 1.17 Метод миграции и искусственной селекции.
 1.18 Метод прерывистого равновесия.
 2 ГЕHЕТИЧЕСКОЕ ПРОГРАММИРОВАHИЕ
 2.1 Что такое генетическое программирование?
 2.2 Деревья поколений.
 2.3 Терминальный алфавит, функциональный базис и их свойства.
 3 HЕЙРОHHЫЕ СЕТИ
 3.1 Математическая модель нейрона.
 3.2 Применение генетического подхода в обучении нейронной сети.
 4 HЕЧЕТКИЕ МHОЖЕСТВА
 4.1 Что такое нечеткое множество, нечеткая и лингвистическая переменная?
 4.2 Базовые операции над нечеткими множествами.
 4.3 Библиотека операций над нечеткими множествами.
 ******************************************************************************
 
 >Словарь
 
      АДАПТАЦИЯ  -  Любое  изменение в структуре или функции организма, которое
 позволяет ему выживать во внешней среде.
      АЛЛЕЛИ - Возможные значения генов.
      ГА  -  Генетический алгоритм. Интеллектуальное исследование произвольного
 поиска. [Reeves, 1993]. Представлен Holland 1975.
      ГА   МОДЕЛЬ   ОСТРОВА   (IMGA)  -  Популяция  ГА  разделена  в  несколько
 подсовокупностей,  каждая из которых беспорядочно инициализирована и выполняет
 независимый   последовательный   ГА   на   собственной  подпопуляции.  Иногда,
 пригодные  ветви  решений мигрируют между подсовокупностями. [Hапример. Levine
 1994].
      ГЕHЫ - Переменные в хромосоме.
      ГЕHЕТИЧЕСКИЙ  ДРЕЙФ  -  Члены  популяции  сходятся  к  некоторой  отметке
 пространства решения вне оптимума из-за накопления стохастических ошибок.
      ГЕHОТИП - Фактическая структура. Кодированная хромосома.
      ГП  -  Генетическое  программирование.  Прикладные программы использующие
 принципы эволюционной адаптации к конструкции процедурного кода. [Koza 1992]
      ДИПЛОИД  -  В  каждом участке хромосомы имеется пара генов. Это позволяет
 сохраняться долгосрочной памяти.
      КГА  -  Компактный  ГА  (CGA).  В  CGA,  две  или больше совокупности ген
 постоянно взаимодействуют и взаимо развиваются.
      КРОССИHГОВЕР  -  Обмен отрезками хромосом родителей. В диапазоне от 75 до
 95% появляются самые лучшие особи.
      ЛОКУС - Позиция гена в хромосоме.
      МУТАЦИЯ - Произвольная модификация хромосомы.
      СИHАПС - Вход нейрона.
      СХЕМА   (шемма)  -  Подмножество  подобных  хромосом,  содержащих  модель
 значений гена.
      СХОДИМОСТЬ - Прогрессия к увеличивающейся однородности. Ген, как считают,
 сходится когда 95% популяции имеет то же самое значение [DeJong 1975].
      УHС - Унифицированная нейронная сеть.
      ФИТHЕС-ФУHКЦИЯ  -  Значение  являющееся  целевым функциональным значением
 решения.  Оно  также  называется функцией оценки или функцией цели в проблемах
 оптимизации.
      ФЕHОТИП - Физическое выражение структуры. Декодированный набор ген.
      ХРОМОСОМА - Составляющий вектор, строка, или решение.
 ******************************************************************************
 
 >Что такое мягкие вычисления?
 >(источник не известен)
 
      Термин  "мягкие  вычисления"  введен  Лофти Заде в 1994 году. Это понятие
 объединяет  такие  области как: нечеткая логика, нейронные сети, вероятностные
 
 рассуждения,  сети  доверия  и  эволюционные алгоритмы; которые дополняют друг
 друга  и  используются в различных комбинациях или самостоятельно для создания
 гибридных   интеллектуальных  систем.  Поэтому  создание  систем  работающих с
 неопределенностью, надо понимать как составную часть "мягких" вычислений.
      По  существу  в  1970  году  Л.Заде был создан новый метод вычислительной
 математики,   который   был   поддержан   аппаратными   средствами  (нечеткими
 процессорами)  который  в ряде проблемных областей стал более эффективным, чем
 классические   методы.   Первоначально  эти  области  входили  в  проблематику
 искусственного   интеллекта.   Постепенно   круг   этих  областей  существенно
 расширился  и  сформировалось  направление "вычислительного интеллекта". В это
 направление в настоящее время входят:
     - нечеткая логика и теория множеств;
     - нечеткие экспертные системы;
     - системы приближенных вычислений;
     - теория хаоса;
     - фрактальный анализ;
     - нелинейные динамические системы;
     - гибридные системы (нейронечеткие или нейрологические, генетиконейронные,
 нечеткогенетические или логикогенетические системы);
     - системы, управляемые данными (нейронные сети, эволюционное вычисление).
 ******************************************************************************
 
 >1.1 Что такое генетический алгоритм?
 >(источник не известен)
 
     Генетические   алгоритмы   (ГА)  представляют  собой  методы  оптимизации,
 основанные  на  концепциях  естественного  отбора  и генетики. В этом подходе,
 переменные  представлены как гены на хромосоме. ГА показывают группу вариантов
 решения   (популяции)   на  поверхности  ответа.  Через  естественный  отбор и
 генетические  операторы, мутацию и рекомбинацию, отбираются хромосомы с лучшей
 пригодностью.   Естественный   отбор   гарантирует,  что  хромосомы  с  лучшей
 пригодностью  будут  размножаться  в  будущих  популяциях.  Используя оператор
 рекомбинации,  ГА  объединяет  гены  родительских хромосом, чтобы сформировать
 новые  хромосомы  (детей),  которые  имеют  высокую вероятность наличия лучшей
 пригодности,  чем  у их родителей. Мутация позволяет исследовать новые области
 поверхности.
 ******************************************************************************
 
 >1.2 Очень уж всё сложно, а попроще нельзя?
 >Yuri Burger [2:468/85.3]
 
     Идею  ГА подсказала сама природа и работы Дарвина. Делается предположение,
 что  если  взять 2 вполне хороших решения задачи и каким-либо образом получить
 из  них  новое  решение,  то будет высокая вероятность того, что новое решение
 получится хорошим или даже более лучшим.
     Для  реализации  этого  используют  моделирование  эволюции (естественного
 отбора)  или если проще - борьбы за выживание. В природе, по упрощенной схеме,
 каждое  животное стремится выжить, что-бы оставить после себя как можно больше
 потомства. Выжить в таких условиях могут лишь сильнейшие.
     Тогда  нам  остается организовать некоторую среду - популяцию, населить её
 решениями - особями, и устроить им борьбу. Для этого нужно определить функцию,
 по  которой будет определяться сила особи - качество предложенного ею решения.
 Основываясь  на  этом  параметре  можно  определить  каждой  особи  количество
 оставляемых  ею потомков, или вероятность того, что эта особь оставит потомка.
 Причем,  не  исключен  вариант,  когда особь со слишком низким значением этого
 параметра умрёт.
 ******************************************************************************
 
 >1.3 Кто придумал генетический алгоритм?
 >(источник не известен)
 
     В  1966  г.  Л.Дж.Фогель,  А.Дж. Оуэнс, М.Дж.Волш предложили и исследовали
 эволюцию    простых    автоматов,    предсказывающих    символы   в   цифровых
 последовательностях.  В 1975г. Д.Х.Холланд предложил схему генетического
 алгоритма.  Эти  работы  легли  в  основу главных направлений разработки
 эволюционных алгоритмов.
     Простой  генетический  алгоритм  был  впервые описан Гольдбергом на основе
 работ Холланда.
 ******************************************************************************
 
 >1.4 Преимущества при использовании генетических алгоритмов?
 >(источник не известен)
 
     - Они  не  требуют  никакой информации о поверхности ответа;
     - Разрывы, существующие  на поверхности ответа имеют незначительный эффект
 на полную эффективность оптимизации;
     - Они стойки к попаданию в локальные оптимумы;
     - Они хороше работают при решении крупномасштабных проблем оптимизации;
     - Могут быть использованы для широкого класса задач;
     - Просты и прозрачны в реализации;
     - Могут быть использованы в задачах с изменяющейся средой.
 ******************************************************************************.
 [ю]ДДДДДДДД End 1   ДДДДДДД
                                                  Kрюгер.
 ---
  * Origin: А хто тут есть, у кого есть за что поесть? (2:468/85.3)
 
 

Вернуться к списку тем, сортированных по: возрастание даты  уменьшение даты  тема  автор