Автоматизированное проектирование коллективов интеллектуальных информационных технологий эволюционными алгоритмами Текст научной статьи по специальности «Компьютерные и информационные науки»

Математические методы моделирования, управления и анализа данных

рых следует выделить учет изменения структуры и «переформатирования» всей модели объекта (соответствующей системы уравнений). В ряде случаев возможны принципиальные изменения модели, например, ичезновение алгебраических моделей (когда остаются только дифференциальные уравнения). Или, наоборот, исчезновение дифференциальных уравнений внутри контуров обратных связей. Тогда вместо

методов численного интегрирования следует применять методы численного решения алгебраических уравнений. При этом необходимо, чтобы используемые инструментыальные средства разработки позволяли легко реализовать эти алгоритмы. Рассмотренные выше программные средства обеспечивают это представляя собой целостный аппарат разработки систем математического моделирования объектов.

S. V. Chereshkevich Siberian Federal University, Russia, Krasnoyarsk

IMPLEMENTATION TOOLS FOR SYSTHEM REALIZATION ON AN EXAMPLE OF SIMULATION OF An ELECTRIC DRIVE OF A SPACECRAFT

The authors analyze possibilities of the known software open-source tools for creation of simulation systems.

© ^epemKeBHH C. B., 2011

УДК 004.89

А. А. Шабалов

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ КОЛЛЕКТИВОВ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ЭВОЛЮЦИОННЫМИ АЛГОРИТМАМИ

Рассматривается подход к формированию коллективов интеллектуальных информационных технологий, автоматизированно настраиваемых с помощью генетических алгоритмов. Показана перспективность подхода при решении задач из репозитория машинного обучения.

На сегодняшний день интеллектуальные системы получили широкое распространение при решении сложных задач анализа данных в различных областях человеческой деятельности. Нейросетевые модели (ИНС - искусственные нейронные сети) применяются в автоматизации процессов распознавания образов, адаптивном управлении, аппроксимации функционалов, прогнозировании, создании экспертных систем, организации ассоциативной памяти и многих других приложениях. Например, с помощью ИНС можно предсказывать показатели биржевого рынка, выполнять распознавание оптических или звуковых сигналов, создавать самообучающиеся системы, способные управлять автомашиной при парковке или синтезировать речь по тексту и многое другое [1]. Нечеткие системы (НЛС - системы на нечеткой логике) применяются при управлении сложными техническими системами, в медицине и экономике, автомобильной и аэрокосмической промышленности, на транспорте, в области изготовления изделий бытовой техники, в сфере финансов, анализа и принятия управленческих решений и многих других [2].

Нейронечеткие системы (ННС) сочетают в себе преимущества как нейронных сетей, так и аппарата нечеткой логики, позволяя автоматизировать процесс создания модели и решения соответствующих задач анализа данных [3].

Однако создание эффективного алгоритмического ядра интеллектуальных информационных технологий (ИИТ) требует очень высокой квалификации разработчиков, значительных временных и финансовых затрат, что на практике конечным пользователям (врачам, инженерам, менеджерам и др.) далеко не всегда удается обеспечить. Автоматизация генерирования алгоритмического ядра ИИТ позволяет значительно упростить процесс разработки интеллектуальных систем поддержки принятия решений для конечных пользователей, не являющихся экспертами в области интеллектуальных информационных технологий.

В данной работе предлагается идея применения алгоритма генетического программирования для создания коллектива интеллектуальных информационных технологий для решения сложных задач и структуры их взаимодействия при получении результирующего коллективного решения, основанного на частных решениях индивидуальных технологий с целью повышения эффективности и надежности системы.

В данном подходе существует два варианта гибридизации ИИТ. Первый заключается в построении математического выражения из результатов отдельных элементов коллектива, в этом случае элементами терминального множества алгоритма генетического программирования являются частные решения отдельных систем. Второй - в формировании гибридной много-

Решетневскце чтения

слойной системы, состоящей из отдельных элементов этого коллектива. Здесь терминальное множество представляется отдельной структурой ИИТ.

При первом подходе на предварительном этапе необходимо заранее сгенерировать и обучить заданное число элементов терминального множества, кото-

рые будут в дальнейшем использоваться в работе алгоритма. При такой постановке задачи существует два способа реализации мутации в алгоритме генетического программирования: либо случайным образом выбирать элемент из терминального множества, либо генерировать полностью новую интеллектуальную систему. Функциональное множество при данном подходе включает в себя математические выражения.

При реализации второго подхода изначально необходимо задать критерии остановки при обучении отдельной технологии. При генерации новой популяции индивидов получаются новые структуры, вследствие чего каждая отдельная технология заново проектируется. Элементами функционального множества в данном случае являются правила соединения отдельных технологий между собой.

Таким образом, комбинация отдельных технологий в коллективе позволяет объединить преимущества каждой из них и значительно компенсировать их недостатки, увеличивая эффективность и надежность системы в целом.

На основе предложенных алгоритмов была созда -на система «n-IT-on» автоматизированного генерирования алгоритмического ядра ИИТ для задач анализа данных и принятия решений, позволяющая значительно упростить процесс разработки интеллектуальных систем для конечных пользователей, не являющихся экспертами в области ИИТ и области эволюционных алгоритмов. Данная система позволяет автоматизировать с помощью эволюционных алгоритмов процесс создания интеллектуальных информационных технологий для решения широкого круга прикладных задач - моделирования, классификации, прогнозирования, управления и т. д., как отдельными технологиями, так и на основе коллектива.

Результаты решения практических задач будут приведены при выступлении.

Библиографические ссылки

1. Freeman J. A., Skapura D. M. Neural Networks Algorithms Applications and Programming Techniques. Boston : Addison-Wesley Publishing Company, 1991.

2. Ross T. Fuzzy Logic With Engineering Applications. New Jersey : Wiley, 2004.

3. Bunke H., Kandel A. Neuro-Fuzzy Pattern Recognition. Singapore : World Scientific Publishing CO, 2000.

A. A. Shabalov

Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

AUTOMATIZED DESIGN OF INTELLIGENT INFORMATION TECHNOLOGIES ON THE BASIS OF EVOLUTIONARY ALGORIHMS

An approach to committee design of intelligent information technologies tuned with genetic algorithms is considered. Perspectives of such a method on real problems from machine learning repository are revealed.

© ma6ai0B A. A., 2011