при создании приборов. Даже при разработке систем искусственного интеллекта он активно использует биологические принципы: искусственные нейронные сети имитируют работу головного мозга, генетические алгоритмы - эволюцию популяции как циклический процесс скрещивания индивидуумов и смены поколений, в нечёткой логике использует понятия повседневной речи для определения поведения системы и т.д.
Данные методы хорошо известны и успешно применяются сегодня при построении систем искусственного интеллекта, хотя появляется ряд других методов, заимствованных из природы (муравьиные алгоритмы - имитируют поведение колонии муравьев, пчелиные алгоритмы - поведение пчёл, алгоритм умных капель -поведение потоков (множеств капель) в реке и т.д.).
Использованные источники:
1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP - СПб.: БХВ-Петербург, 2007. - 384 с.
2. Карпенко А. П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой: учебное пособие / А. П. Карпенко. — Москва : Издательство МГТУ им. Н. Э. Баумана, 2014. — 446 с.
3. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. Н. Н. Куссуль. — 4-е изд. — М.: Вильямс, 2005. — 864 с.
4. Петрунин Ю. Ю., Рязанов М. А., Савельев А. В. Философия искусственного интеллекта в концепциях нейронаук. (Научная монография). — М.: МАКС Пресс, 2010.
Анисимова Э.С. ассистент
кафедра информатики и дискретной математики
Елабужский институт Казанский (Приволжский) Федеральный Университет
Россия, г. Елабуга ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ: ИСТОРИЯ И
МЕТОДОЛОГИЯ Аннотация. Данная статья посвящена одному из наиболее известных методов искусственного интеллекта - искусственным нейронным сетям. Рассматривается история возникновения, основные принципы функционирования данного метода.
Ключевые слова: искусственные нейронные сети.
Искусственные нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.
Первые шаги в области искусственных нейронных сетей сделали в 1943 г. В. Мак-Калох и В. Питс. Они показали, что при помощи пороговых нейронных элементов можно реализовать вычисление любых логических функций. В 1957-1962 гг. Ф. Розенблатт предложил и исследовал модель нейронной сети, которую назвал перспетроном. Результаты исследований он обобщил в книге «Принципы нейродинамики». В 1969 г. М.Минский и С.Пайперт опубликовали монографию «Перспетроны», ставшую фундаментальной работой для последующих разработок в области искусственных нейронных сетей. Содержащаяся в книге критика исследований в этой области считается причиной утраты интереса к искусственным нейронным сетям в академических статьях 1970-х годов.
В 80-е годы значительно расширяются исследования в области нейронных сетей. В 1982 г. Д. Хопфилд дал анализ устойчивости нейронных сетей с обратными связями и предложил использовать их для решения задач оптимизации. Т. Кохонен разработал и исследовал самоорганизующиеся нейронные сети. Ряд авторов (Rumelhart, Hinton, Wiliams) предложили алгоритм обратного распространения ошибки, который стал мощным средством для обучения многослойных нейронных сетей. В 1987 г. под эгидой общества IEEE (Institute of Electrical and Electronic Engineer's) проводится первая международная конференция в области нейронных сетей.
Большой вклад в развитие теории нейронных сетей внесли российские учёные А.И. Галушкин и А.Н. Горбань [2].
Нейронные сети представляют собой упрощённую модель человеческого мозга. Мозг состоит из нейронов, которые являются индивидуальными процессорами. Нейроны соединяются друг с другом с помощью нервных окончаний двух типов: синапсов, через которые в ядро поступают сигналы, и аксонов, через которые нейрон передает сигнал далее.
Рис. 1. Схема строения нейрона
В очень упрощенном виде работу мозга можно представить так: внешний слой сети передает импульсы от сенсоров из внешней среды, средний слой (или кора головного мозга) обрабатывает импульсы, а «выходной» слой выдает результат (действие) обратно во внешнюю среду.
Аксон другой клетки
Нервные окончания аксона
Тело клетки, или сома
Информация передается между нейронами, а структура и вес нервных окончаний определяют поведение сети [6].
иэ
»о
Рис.2. Схема однослойного персептрона
Однослойный персептрон представляет собой концептуальную модель, которая состоит из одного процессора. Каждое соединение от входа к ядру включает коэффициент, который показывает фактор веса Wi который определяет влияние ячейки ^ на другую ячейку. Положительные веса показывают усиление, а отрицательные запрещение. Совместно с входами в ячейку они определяют поведение сети.
Модель простого персептрона правильно реализует логическую функцию И (а также функции ИЛИ и НЕ). Однако однослойный персептрон не может смоделировать логическую функцию «исключающее ИЛИ» (XOR). Эта неспособность к моделированию функции XOR известна как проблема отделимости. Из-за нее М. Минский и С. Пайперт уничтожили результаты своих разработок в области связей. Проблема отделимости была легко решена путем добавления одного или нескольких слоев между входами и выходами нейронной сети (см. рис. 3). Это привело к созданию модели, известной как многослойные персептроны.
«3., ^ (
иг V
Рис. 3. Многослойный персептрон
В настоящее время исследования в области искусственных нейронных сетей ориентированы в основном на создание специализированных систем для решения конкретных задач. Разработано большое число нейросистем, применяемых в прогнозировании, управлении, диагностике в медицине и техники, распознавании образов и т.д. В глобальном масштабе задача
состоит в создании искусственного разума, обладающего способностью к воспроизводству и эволюции.
Использованные источники:
1. Головко В.А. Нейронные сети: обучение, организация и применение. Учеб. пособие для вузов / Общая ред. А.И. Галушкина. - М.: ИПРЖР, 2001.256 с.
2. Девятков В. В. Системы искусственного интеллекта / Гл. ред. И. Б. Фёдоров. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. — 352 с.
3. Люгер Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем = Artificial Intelligence: Structures and Strategies for Complex Problem Solving / Под ред. Н. Н. Куссуль. — 4-е изд. — М.: Вильямс, 2005. — 864 с.
Анисимова Э.С. ассистент
кафедра информатики и дискретной математики
Елабужский институт Казанский (Приволжский) Федеральный Университет
Россия, г. Елабуга
ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ
Аннотация. В данной статье рассматриваются генетические алгоритмы, их история и методология. Генетические алгоритмы используют принципы генетики и применяются для решения задач многопараметрической оптимизации.
Ключевые слова: генетические алгоритмы, мутация, отбор, кроссинговер, наследование, естественная эволюция.
Генетический алгоритм - это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе. Является разновидностью эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование, мутации, отбор и кроссинговер.
Генетические алгоритмы используют принципы и терминологию, заимствованные у биологической науки - генетики. В генетическом алгоритме каждая особь представляет потенциальное решение некоторой проблемы. Особь кодируется строкой двоичных символов - хромосомой, каждый бит которой называется геном. Множество особей - потенциальных решений составляет популяцию. Поиск оптимального решения проблемы выполняется в процессе эволюции популяции, т.е. последовательного преобразования одного конечного множества решений в другое с помощью генетических операторов репродукции, кроссинговера и мутации.