CC BY
6
ИНФОРМАЦИОННЫЕ И КОММУНИКАТИВНЫЕ
ТЕХНОЛОГИИ
Авдеева Н. студент, 3 курс
факультет информационных систем и технологий Поволжский Государственный Университет Телекоммуникаций и Информатики
Россия, г. Самара ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В «УМНОМ» ГОРОДЕ
Аннотация
Произведён обзор одного из методов искусственного интеллекта -генетических алгоритмов, рассмотрены их основные особенности, разобран пример их практического использования.
В век высоких технологий человечество начинает жить бок обок с компьютером. Они настолько глубоко проникли в жизнь, что находятся на руке в виде часов, в машине в виде бортового компьютера и даже в лампочки. Кроме «умных» предметов быта начали появляться умные системы слежений, мусорки с датчиками наполненности, фонари, реагирующие на движения, благодаря которым удаётся экономить большое количество энергии. Но для эффективной работы «умного» города нужно и умное программное обеспечение, которое всё чаще реализуется с использованием искусственного интеллекта. Математический аппарат искусственного интеллекта появился уже в 60-70х годах прошлого столетия, но только сейчас его имплементация стала возможна на текущих ЭВМ. И одним из методов искусственного интеллекта являются генетические алгоритмы.
Так как генетический алгоритм самообучающийся, то возможности применения его крайне велики:
• Задачи на графы.
• Задачи компоновки.
• Составление расписаний.
• Помощь в принятии решений.
• Прогнозирование и т.д.
Компьютерный генетический алгоритм (КГА) создан по образу и подобию биологического генетического алгоритма (БГА). В КГА, так же, как и БГА в основу всего взято скрещивание, которое в БГА позволяет, например, после смены климата с помощью мутации гена вывести новое поколение, которое будет приспособлено к новой окружающей среде, а в КГА позволяет создать оптимально решение задачи.
Генетический алгоритм является эволюционным алгоритмом, что
означает что основная работа алгоритма - скрещивание. У алгоритма есть 3 этапа
1) Скрещивание.
2) Селекция.
3) Формирование нового поколения.
При первом этапе, скрещивании выбираются два родителя и на основе них создаётся поколение. Так же происходит так называемая мутация, когда из поколения выбирается некоторые особи, у которых, изменяются данные по заранее заданному правилу.
При селекции происходит отбор поколений, которые будут использоваться как потомки при следующей итерации алгоритма.
Если после первой итерации алгоритма не был достигнут нужный результат - все три этапа повторяются заново пока не будет найдена нужная комбинация.
Рассмотрим пример генетического алгоритма по постройке машины в 2d измерении. Сам смысл получить из случайных параметров для машины с помощью эволюции получить лучшую которая пройдёт заданный путь, состоящий из спусков, обрывов, гор и подобных неровностей в двумерном измерении наиболее быстро и эффективно.
Для начала мы генерируем популяцию со случайными параметрами. Параметров у самой «машины» много, их всего 22 штуки:
• CartAngleх, CartMagх - определяют «каркас машины», всего таких переменных - 8.
• WheelVertexx ,AxleAnglex ,WheelRadiusx - определяют колёса, колеса у машины может быть произвольное количество но мы рассмотрим пример когда их 3.
После генерации популяции идёт прохождение машинами трассы и начисление очков за прохождение трассы.
Далее идёт эволюция\мутация для всех машин по алгоритму(псевдокод):
Для каждой машины А:
• выбрать случайную машину Б (исключая из выборки А)
• машина с наибольшим количеством очков выигрывает мутацию
• поместить победителя в пул для скрещивания
Случайно выбираем пару машин из пула и скрещиваем.
Таблица 1. Пример результата скрещивания
Родитель ° О .с
Потомство АВ
В результате мы получаем значения переменных после скрещивания. После скрещивания итерация повторяется уже со скрещенным потомством. Количество итераций ограничивается только временем, отпущенным на итерации.
Из всего этого можно сделать вывод, что генетические алгоритмы являются мощным инструментом для создания систем, которые сами могут эволюционировать, подстраиваться под окружение и даёт начальную стадию искусственного интеллекта, который оценивает результаты и корректирует систему. Хоть и рассмотренная задача крайне проста, она показывает всю мощь которой обладает генетический алгоритм и генетическое программирование которую можно использовать на благо «умного» города.
Использованные источники:
1. Субботш С. О., Олшник А. О., Олшник О. О. Неггеративш, еволюцшш та мультиагентш методи синтезу неч^колопчних i нейромережних моделей: Монографiя / Пщ заг. ред. С. О. Субботша. — Запорiжжя: ЗНТУ, 2009. — 375 с.
2. М. Эндрю. Реальная жизнь и искусственный интеллект // «Новости искусственного интеллекта», РАИИ, 2000
Бобнева И.В. магистр 1 курса факультет экономики и менеджмента Юго-Западный государственный университет
Россия, г. Курск
ЭФФЕКТИВНОСТЬ ЗАТРАТ ИНФОРМАЦИОННЫХ СИСТЕМ В УПРАВЛЕНИИ ОБРАЗОВАНИЕМ Аннотация: В статье обобщены и раскрыты теоретические аспекты определения категории «информационных систем», рассматриваются информационные технологии с финансовой точки зрения, подчеркивается особая роль во внутренних затратах управления,
