CC BY
27
Материалы Международной конференции
“Интеллектуальные САПР”
применения идеального алгоритма обучения; кроме того, для каждой прикладной задачи можно выделить ряд критериев оптимальности архитектуры нейронной сети (на, , сети с наименьшим количеством нейронов и связей между ними; для других задач оптимальными будут сети с наименьшим временем отклика). Существующие методы решения проблемы синтеза оптимальной для прикладной задачи архитектуры нейросети предполагают итеративный поиск в пространстве архитектур нейронных сетей, сопряженный с обучением сети на каждом шаге поиска. Общим недостатком подобных методов является их высокая вычислительная сложность, связанная с необходимостью многократного обучения сети.
В работе предлагается альтернативный подход к решению проблемы синтеза архитектуры нейронной сети для прикладной задачи, не требующий многократного обучения нейронной сети в процессе поиска подходящей архитектуры. В качестве вспомогательной рассматривается задача об оценке точности аппроксимации заданной функции нейронной сетью с заданной архитектурой. Используя эту оценку возможно применять различные варианты поиска в пространстве нейронных сетей (в том числе и с использованием генетических алгоритмов), заменяя обучение сети на каждом шаге рассмотрением оценки ее аппроксимационной способности.
Особое внимание в данной работе уделено задаче прогнозирования ошибки аппроксимации нейронной сети, достигаемой ею при обучении на заданной выборке. Основным инструментом для оценки точности аппроксимации заданной функции нейронной сетью являются статистические характеристики выборки - некоторые обобщенные характеристики выборки, описывающие "сложность" аппроксимации выборки с помощью нейронной сети. Анализ аппроксимационной способности нейронной сети с помощью статистических характеристик включает в себя построение (доя некоторого множества архитектур нейронных сетей) набора основанных на результатах экспериментов моделей зависимости аппроксимационной способности сетей от статистических характеристик выборок и вычисление (на основе построенных моделей) оценок точности аппроксимации для сетей из выбранного множества архитектур.
Приводится пример реализации представленной методики на примере сетей из класса персептронов с одним внутренним слоем и набора искусственных выборок. Полученные результаты демонстрируют высокую точность прогноза ошибки аппроксима-.
Также рассматривается вопрос влияния алгоритма обучения сети на точность прогноза ошибки аппроксимации; анализируется вопрос о применимости методов глобальной оптимизации для обучения нейронной сети.
УДК 681.518
И. В. Машечкин, М. И. Петровский ЭКСПЕРИМЕНТАЛЬНАЯ СИСТЕМА ПРЕОБРАЗОВАНИЯ И ОПТИМИЗАЦИИ ПРОГРАММ
В настоящее время на кафедре АСВК факультета ВМК МГУ разрабатывается проект системы преобразования и оптимизации программ. Эта система, получая на вход в формализованном виде описание целевой архитектуры, текст программы на ис, , программы из исходного представления в целевое, в соответствии с заданными требованиями. Данное преобразование в общем случае является последовательностью пре-
Известия ТРТУ
Тематический выпуск
образований, каждое из которых выполняет довольно узкую задачу, и реализуется отдельным средством (компонентом). Подразумевается также, что информация в описаниях может быть задана с любой степенью детальности. В общем случае процесс пре, , как перевод программы из одного состояния в другое, причем такое состояние, харак-, - , , - , , -рыми обладает программа в этом состоянии. Соответственно, преобразование про, ,
, -ния в другое, а набор всевозможных преобразований программы в различных представлениях как ориентированный граф возможно с петлями и циклами, где каждый возможный путь определяет допустимое преобразование программы.
Конструктивно система состоит из базы данных компонентов, реализующих элементарные преобразования и механизма выбора и применения последовательности таких преобразований. Компонент преобразования в базе характеризуется: начальным (входным) состоянием программы, конечным (выходным) состоянием программы, условиями применимости данного преобразования в зависимости от свойств целевой архитектуры, условиями эффективности по различным критериям: скорость, размер, степень распараллеливания и т.д., данного преобразования в зависимости от свойств вход.
добавлении компонентов в базу. Работу системы можно разбить на два последова-. , состоящего из набора компонентов преобразования, взятых из базы. Причем, данное средство должно быть ориентированно на заданный класс архитектур, т.е. цель первого этапа - выделение подмножества преобразований, применимых на целевой архитектуре. Цель второго этапа - нахождение точной последовательности приме, , -.
В процессе функционирования системы необходимо вычислять степень соответствия свойств целевой архитектуры и преобразуемой программы условиям применимости и эффективности. Для этих целей используется аппарат нечетких , , . реализации экспериментального варианта были предложены средства формального описания свойств архитектуры и условий применимости и эффективности алго-.
УДК 681.3
И. В. Машечкин, М. И. Петровский ПРИМЕНЕНИЕ ЭЛЕМЕНТОВ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ И OLAP
ТЕХНОЛОГИЙ ДЛЯ ПОСТРОЕНИЯ СИСТЕМ КАЛЕНДАРНОГО
ПЛАНИРОВАНИЯ
В данной работе предлагается подход к решению задачи календарного планирования, точнее ее подзадачи распределения «специалистов» по «проектам», с учетом их квалификации, индивидуальных расписаний и территориального располо-
