Эволюционное проектирование Текст научной статьи по специальности «Медицинские технологии»

Материалы Международной конференции “Интеллектуальные САПР”

Для преодолении проблемы сетевого паралича, был найден метод, не нарушающий достигнутого обучения. На веса, питающие насыщенный нейрон, действуют сжимающей функцией, подобной используемой для получения выходного OUT, . сильно уменьшает величину очень больших весов, воздействие же на малые веса .

Функция энергии в данной задаче должна удовлетворять 2-м требованиям:

1 - должна быть малой, для корректных решений;

2 - .

При решении данной задачи методом Хопфилда сходимость решений сильно

зависит от коэффициентов и не имеется систематического метода их определения . -венным коэффициентом, значение которого легко определяется, и новый сходя.

Программа написана на языке C++ в системе C++ Builder 5.0 компании Inprise. По результатам тестирования алгоритм превосходит в скорости и качестве решения Benchmark.

УДК 621.372.6

В.М. Курейчик, Л.А. Зинченко1 ЭВОЛЮЦИОННОЕ ПРОЕКТИРОВАНИЕ

Одной из особенностей естественного интеллекта является способность к эволюционному развитию системы мировосприятия. Эволюция является движущей силой развития живого мира. В процессе изменения среды выживают индиви-, . отсутствуют виды с жесткими структурными связями как на уровне генотипов, так . -ниц позволяет сообществу индивидов адаптироваться на двух уровнях. Адаптация на уровне генотипа проявляется в отборе лучшего генетического материала для последующего воспроизводства и относится к процессам, которые проявляются в течение смены нескольких поколений. Механизм этого процесса впервые был сформулирован Ч. Дарвином в теории естественного отбора как “выживание лучших”. Вторая форма адаптации - на уровне фенотипа - происходит в рамках возможного изменения фенотипа при фиксированном генотипе. Длительность этой формы адаптации определяется периодом жизни одного индивида. В зависимости от условий существования при одном и том же исходном генетическом материале возможно развитие различных вариаций фенотипов. Проявление этих форм адаптации послужило в свое время базой для теории эволюции Ламарка.

Введение эволюции в системы автоматизированного проектирования [1, 2] позволило значительно расширить класс систем, доступных исследованию. Преимущества гибридных эволюционных интеллектуальных систем, например систем

1 Работа выполнена п ри поддержке РФФИ, гранты № 99-01-0050, 00-01-00125.

Известия ТРТУ

Тематический выпуск

мягких вычислений [3], объясняются такими их достоинствами, как простота и скорость обработки, гибкость, возможность эволюционной адаптации, терпимость к неточности при достижении результата. Это означает, что найденное решение поставленной задачи должно быть приемлемым и может не быть оптимальным [1-3].

Эволюционное проектирование является одной из фундаментальных областей научных исследований на стыке информатики, биологии и искусственного интеллекта. Как отражение процессов, происходящих в живой природе, при эволюционном проектировании существуют различные философские подходы к эволюцион-. -ритмах в задачах проектирования состоят в выборе объекта, возможности которого исследуются с точки зрения эволюционной адаптации. Генетические алгоритмы ориентированы на исследования возможностей генетического материала, а в эволюционных алгоритмах задача сводится к изучению поведения фенотипа. С теоретической точки зрения генетические алгоритмы используют эволюционную адаптацию как механизм развития и комбинации полезных схем из ограниченного ге.

для изучения способности индивида адаптироваться в изменяющихся условиях. Генетические алгоритмы ориентированы на применение операторов, которые из.

соответственно изменяется и фенотип. Основную роль в генетических алгоритмах играет оператор кроссинговера. Мутация является вторичным процессом. Изменение только в одной позиции генотипа может привести к значительным изменениям в фенотипе, а, следовательно, и в сходимости алгоритма. Эволюционные алгоритмы для изучения пространства фенотипов используют как основной оператор мутации. Небольшие изменения, вызываемые им, проявляются и у родителей, и у .

является конкуренциями между всеми индивидами за возможность включения в . -

ного числа индивидов. Соперники определяются на основе детерминированного или случайного выбора элементов популяции. Различия в генетических и эволюционных алгоритмах проявляются и в выборе целевой функции. Селекция в генетических алгоритмах выполняется на основе целевой функции, которая на всех этапах эволюции остается неизменной. В результате развитие эволюционного процесса может свестись к нахождению только локального оптимума. В эволюционных алгоритмах целевая функция определяется в процессе конкуренции между .

. -

струментом по преодолению локальных оптимумов в оптимизационных задачах. Это объясняется использованием механизмов конкуренции между индивидами.

В работе [2] рассмотрено применение эволюционного проектирования для решения задач автоматизации схемотехнического проектирования. Показано, что использование элементов искусственного интеллекта позволяет получать схемотехнические решения на неизвестных ранее принципах.

ЛИТЕРАТУРА

1. Курейчик В.М. Генетические алгоритмы. Таганрог: Изд-во ТРТУ, 1998. 242с.

2. Зинченко J1.A. Алгоритмы численно-анадитического моделирования и средства про-

граммной поддержки САПР электронных устройств. Таганрог: Изд-во ТРТУ, 1999. 194с.

3. Herrera F. and Verdegay J.L. Genetics Algorithms and Soft Computing. Physica - Verlag, 1996.