Научная статья на тему 'Некоторые применения технологий искусственного интеллекта'

Некоторые применения технологий искусственного интеллекта Текст научной статьи по специальности «Кибернетика»

274
75
Поделиться

Аннотация научной статьи по кибернетике, автор научной работы — Толстель О. В.

Рассмотрены некоторые задачи искусственного интеллекта: искусственная жизнь, адаптивное поведение, интеллектуальные роботы и эволюционное моделирование. Конкретизированы поставленные задачи, приведены результаты.

Some applications of technologies on artificial intelligence

Some tasks of artificial intelligence: artificial life, adaptive behaviour, intellectual robots, and evolutionary modeling are considered. The put tasks are concretized, results are given.

Текст научной работы на тему «Некоторые применения технологий искусственного интеллекта»

Модель психологического теста и нечеткие отношения

2. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2003.

3. Мациевский С. В. Нечеткие множества: Учебное пособие. Калининград: Изд-во КГУ, 2004.

4. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.

Об авторе

С.В. Мациевский — канд. физ.-мат. наук, доц., КГу.

УДК 004.032.26(06)

О.В. Толстель

95

НЕКОТОРЫЕ ПРИМЕНЕНИЯ ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Рассмотрены некоторые задачи искусственного интеллекта: искусственная жизнь, адаптивное поведение, интеллектуальные роботы и эволюционное моделирование. Конкретизированы поставленные задачи, приведены результаты.

Some tasks of artificial intelligence: artificial life, adaptive behaviour, intellectual robots, and evolutionary modeling are considered.

The put tasks are concretized, results are given.

Искусственный интеллект (ИИ) — междисциплинарное направление, создающее объекты, которые решают различные задачи так, как это делает человек. ИИ использует математику, логику, психологию, биологию, философию, науки о языке, электронику и пр. Сейчас классическая парадигма ИИ — символьные вычисления, работа с базами знаний (господствовавшая последние 50 лет) дополнилась нечеткой логикой, нейронными сетями, эволюционным моделированием, многоагентными системами.

Эти технологии также применимы при решении отдельных математических и технических задач, не являющихся чисто задачами ИИ. Ниже приведены некоторые результаты, полученные автором или под его руководством по темам, относящимся как к разработкам объектов ИИ, так и к прикладным задачам

Создание виртуального программного робота

В работе [1] автором вводится понятие «сверхгибридная интеллектуальная система» как класс объектов искусственного интеллекта. Ее можно рассматривать как предельный: случай программного робота [2] или когнитивной автономной системы [3]. Основные черты системы — она представляется для окружающих живым человеком за счет анимированного образа максимального правдоподобия, общается вербально и мимикой через компьютерную видеоконференцию, имеет индивиду-

96

альный клон голоса, машинное зрение, образное мышление, систему целей и эмоций, базу знаний об окружающем мире. Считает себя подобной другим людям, пытается стать специалистом в определенной предметной области. Также в [1] вводится расширенный тест Тьюринга — общающийся с системой в видеоконференции собеседник не может отличить ее от настоящего человека.

Разработка подобной системы идет как создание виртуального секретаря фирмы, занимающейся продажей компьютерной и оргтехники, программного обеспечения, сервисом и консультационной поддержкой в этой области.

Функции голосового интерфейса решаются на первом этапе с помощью стандартных доступных программ распознавания и генерации голоса типа Dragoon Dictate, Voice Mouse. Параллельно исследуются библиотеки компонентов Reusable Dialog Components (RDC) и редакторы разметки для речевых стандартов, утвержденных W3C. Эти продукты были переданы корпорацией IBM сообществу разработчиков ПО с открытым исходным кодом. Они дают основу для написания приложений в стандарте W3C Voice XML 2.0. Также изучается спецификация SALT, поддерживаемая Microsoft и позволяющая применять широко распространенные технологии программирования, в частности Visual Studio.Net.

В качестве готового решения по взаимному соглашению используется фрагмент одного из продуктов, разработанных российской фирмой Стокона [4], который осуществляет комплексный анализ информации, циркулирующей в фирме. Лексический анализ — это разбор текстовой информации на отдельные абзацы, предложения, слова, определение типа предложения, выявление типа лексических выражений. Морфологический анализ сводится к автоматическому распознаванию частей речи каждого слова текста (каждому слову ставится в соответствие лексико-грамматический класс). Синтаксический анализ заключается в автоматическом выделении семантических элементов предложения — именных групп, терминологических целых, предикативных основ, что позволяет повысить интеллектуальность процесса обработки тестовой информации на основе обеспечения работы с более обобщенными семантическими элементами. Семантический анализ состоит в определении информативности текстовой информации и выделении информационно-логической основы текста. Проведение автоматизированного семантического анализа текста предполагает решение задачи выявления и оценки смыслового содержания текста. Данная задача является трудно формализуемой вследствие необходимости создания совершенного аппарата экспертной оценки качества информации.

База знаний такой фирмы представляет собой граф, содержащий знания о технических характеристиках и ценах широкого спектра продаваемых компьютеров, комплектующих, периферийных устройств, ситуациях, возникающих при установке и эксплуатации техники (установка драйверов, оперативный анализ и удаленное руководство по

Вестник КГУ. 2005. Вып. 1—2. Сер. Информатика и телекоммуникации. С. 95 — 105.

устранению проблем), особенностях ввода и обработки данных в бухгалтерских и офисных программах, элементах теории и практики бухгалтерского и оперативного учета. Она создается с использованием языка описания WEB-онтологий OWL, предложенного консорциумом W3C в феврале 2004 года для представления понятий (термов) и их взаимосвязей. Этот язык имеет широкие возможности для описания отношений между классами и свойствами и является одним из технологических уровней, на которых базируется проект семантической сети [5]. Расширение описательных возможностей языков онтологий для обработки нечетких концептов, отношений и свойств с неполными или неточными данными, относящимися к некоей предметной области, организации логического вывода, организуется на основе подхода, описанного в [6].

Анимированный трехмерный образ создается с помощью анимационного пакета Maya 4.5 как одного из самых распространенных и обладающих радикальными технологиями анимации и цифровыми видеоэффектами. Это мощное и передовое средство, все возможности которого интегрированы в одной оболочке, полностью настраиваемой и оптимизируемой для максимальной продуктивности.

Система машинного зрения создается на основе открытых библиотек проекта Open CV [7] аналогично той, что разрабатывается для мобильного робота из следующего раздела статьи. Однако есть различия. Для мобильного робота важно стереоскопическое зрение, возможность по разнице положения видимого объекта (например, обнаруженной «границы») определять расстояние до объекта. Программный робот будет довольствоваться видеопотоком от собеседника, приходящим от одной WEB камеры. Восстановление трехмерной сцены для него требует дополнительных алгоритмов. С другой стороны, по сравнению с бортовым КПК, используемым в мобильном роботе, возможности стационарного компьютера выше. Следует учитывать, что под систему может быть создан кластер объединением всех компьютеров фирмы [1]. Также проще использовать преимущества, даваемые аппаратной реализацией с помощью процессора Л1879ВМ1, так как для формфактора PCI мелкосерийно выпускается несколько вариантов видеосборок [8].

Домашний робот на базе карманного персонального компьютера

Согласно данным Европейской экономической комиссии при ООН и Международной федерации робототехники, в настоящее время в мире насчитывается 1 миллион 400 тысяч роботов, из них 600 тысяч домашних. Из домашних более полумиллиона используются для развлечения и, по сути, являются просто продвинутыми детскими игрушками. Остальные — это в основном пылесосы и газонокосилки (около 50 тысяч). Прорывные достижения в области машинного зрения, в технологиях автоматического управления манипуляторами и снижение цен на интеллектуальные аппараты приведет к тому, что в 2006 году будет

98

продано (по прогнозам тех же организаций) около 4 миллионов роботов, из которых общее количество домашних составит более 2,1 миллиона. Из них для развлечения будут использоваться более полутора миллионов, остальные 500 тысяч будут помогать человеку в домашних делах, займутся охраной жилища от незваных гостей, будут следить за детьми и лежачими больными, помогать пожилым людям в передвижении. К концу десятилетия доход от продажи роботов массовому покупателю превысит доход от промышленных и военных заказчиков.

Однако обзор информации показывает, что предлагаемые рядом зарубежных фирм домашние роботы имеют достаточно высокую цену

— более $ 4000 — 6000. При этом их функциональные возможности ограничены — они не имеют системы компьютерного зрения, рук-манипуляторов. То же относится к роботам-игрушкам. В России доступны только электронные собаки Aibo по цене более $ 2000 и конструкторы Lego Mindstorms за $ 500. Поэтому актуально создание изделия, которое заполнит нишу между двумя последними продуктами, превосходя их по функциональности и выгодно отличаясь по стоимости. При этом домашний робот-приставка на базе карманного компьютера и технологий искусственного интеллекта не только игрушка и конструктор, но и элемент «цифрового дома». Это значит, что он выступает в роли консоли, заменившей всю совокупность пультов, управляющих следующими процессами и системами: управление домом, охранные системы, программирование и планирование событий, системы безопасности, контроль и управление параметрами внутренней среды, системы мониторинга, наблюдения, контроль за детьми, аудио и видео системы, системы по уходу за домашними животными, системы по уходу за газоном и садом.

Робота достаточно попросить голосом отрегулировать освещенность или закрыть двери. При этом он воспринимает «нечеткую информацию», «лингвистические переменные». Это принципиальный момент. В отличие от электронных приборов, воспринимающих четкие цифровые значения изменяемых параметров, его можно попросить как настоящего слугу-человека сделать свет «чуть-чуть поярче», «музыку немного погромче», а «воздух в спальне слегка похолоднее и не таким влажным». При этом для каждого члена семьи значения функций принадлежности, определяющих эти «нечеткие» параметры, будут разными, что робот также запомнит. Далее он вступает в «собственный диалог» c приборами, входящими в состав системы управления средой обитания (например, «Leopard-X10»), и производит «дефазификацию»

— выбор точных значений параметров.

Итак, в отсутствие хозяев робот наблюдает за обстановкой в квартире, связывается с хозяевами по мобильному телефону и сообщает о проблемах. Может подъехать в любое место и послать по Интернету картинку — выключен ли утюг, закрыт ли кран с водой. При звонке в дверь выясняет, кто приходил. Реагирует на возникновение огня, утечку газа. Управляет электронными устройствами «цифрового дома» — освещением, обогревом помещений. Успех в разработке такого робота будет достигнут при максимальном использовании теории аниматов и

адаптивного поведения [9] и реализации его системы управления на основе биологических принципов [10] с использованием последних достижении ИИ.

К настоящему моменту проработана концепция этого класса роботов, определен состав подсистем, входящих в систему управления таким роботом, создан прототип колесного робота на платформе детской радиоуправляемой модели в виде игрушки-гонщика. Прототип содержит электронную плату с микроконтроллером AT Mega 128 фирмы Atmel (планарная микросхема), включающую программатор, шлейф последовательного порта для программирования, место под USB-интерфейс. Робот умеет объезжать препятствия, основываясь на определенной логике движения, запрограммированной в контроллер на языке C++. На бамперах тележки установлены контактные датчики и инфракрасный локатор. Контроллер программируется через последовательный порт стационарного компьютера. Он получает информацию от датчиков и управляет работой двигателей модели. В текущий момент решается задача перенесения логики функционирования на КПК Fujitsu-Siemens Pocket LOOX 600. Связь с контроллером АТ Mega 128 осуществляется по RS232, имеющемся в данной модели КПК. При этом AT Mega 128 приобретает роль стека, сохраняя за собой функции обработки информации от инфракрасных датчиков. У этой модели КПК также имеется слот CompactFlash Type II. В него вставляется хост-контроллер USB фирмы Ratoc Systems, через который подключаются две мини-камеры, располагающиеся в голове модели. Они обеспечивают возможность реализации стереоскопического машинного зрения. Разрабатываются два варианта реализации этой системы — с эмуляцией нейронных сетей, обеспечивающих распознавание образов и выделение границ на процессоре КПК, и с использованием дополнительного процессора Л1879ВМ1 разработки НТЦ «Модуль». Это высокопроизводительный специализированный микропроцессор, сочетающий в себе сразу два процессора — векторный (DSP) и скалярный (RISC), причем с единой системой команд. Фильтр Собеля на таком процессоре работает со скоростью 68 кадров в секунду (при размере кадра 384х288 байт), нейросеть прямого распространения (1024 слоя, 1024 нейрона в слое) эмулируется за 1,53 с. Для реализации в управлении роботом подходов с использованием нечеткой логики используются микроконтроллеры, имеющие в ядре аппаратную поддержку базовых фази-операций (Mo-torola68HC12, STMicroelectronics ST52х301). Это позволяет реализовать в управлении роботом подходы с использованием нечеткой логики [11],

[12]. Установка механических рук-схватов, изготавливаемых с использованием сервоприводов (например, HSR5995), и соответствующее обучение нейронных сетей в СМЗ позволит роботу собирать предметы, убирать мусор.

99

Генетические алгоритмы и решение задачи коммивояжера

100

Генетические алгоритмы (ГА) — адаптивные методы поиска, которые в последнее время часто используются для решения задач функциональной оптимизации многопараметрических функций. Сила ГА заключена в их способности манипулировать одновременно многими параметрами. Они основаны на генетических процессах биологических организмов: биологические популяции развиваются в течение нескольких поколений, подчиняясь законам естественного отбора и принципу «выживает наиболее приспособленный». Подражая этому процессу, ГА способны решать реальные задачи, если те соответствующим образом закодированы. Они работают с совокупностью «особей» — популяцией, каждая из которых представляет возможное решение данной проблемы. Каждая особь оценивается мерой ее «приспособленности» согласно тому, насколько «хорошо» соответствующее ей решение задачи. Наиболее приспособленные особи получают возможность «воспроизводить» потомство с помощью «перекрестного скрещивания» (оператор кроссовера) с другими особями популяции, что приводит к появлению новых особей, которые сочетают в себе некоторые характеристики, наследуемые ими от родителей.

Задача коммивояжера (ЗК) — оптимизация маршрута движения через N населенных пунктов (коммивояжеру необходимо посетить N городов, не заезжая в один и тот же город дважды, и вернуться в исходный пункт по маршруту с минимальной стоимостью). По одним данным, она была сформулирована еще в 1759 году, по другим — в 1831 году. Имеет много вариаций и находит широкое применение на транспорте, в САПР, проектировании разводки различных коммуникаций, планировании ремонтных работ, составлении маршрутов путешествий

[13]. Она является МР-полной задачей и заключается в нахождении кратчайшего Гамильтонова цикла в графе. МР-полнота подразумевает, что поиск ведется в пространстве, растущем от N экспоненциально. Поэтому перебором решать ЗК большого размера неприемлемо по времени. Решение ЗК с помощью ГА приведено в ряде работ [14; 15].

На текущий момент, с учетом бурного развития и удешевления малогабаритных компьютеров и систем спутникового определения координат на местности, на наш взгляд, ЗК может реализовываться в классическом и мобильном вариантах. Классический вариант требует ввода в компьютерную программу данных о точках посещения и расстояниях между ними. Программа устанавливается на персональный компьютер в офисе фирмы, занимающейся, например, оптовой продажей с доставкой сигарет по области. На основе запросов на доставку из разных населенных пунктов, поступивших в течение дня, формируется оптимальный маршрут на следующий день. Мобильный вариант ЗК подразумевает ее использование как расширение системы автороутинга. Коммивояжер, снабженный КПК со встроенным или добавленным СРБ-модулем, определяет в любой момент времени свое местоположение (с точностью до 15 м), которое отображается на векторной цифровой карте, содержащейся в КПК. Далее он указывает конечную точку своего маршрута на этой карте и специальная программа проклады-

вает ему маршрут по множеству автомобильных дорог, заложенных в карту. При этом она подсказывает направление поворотов на перекрестках. Доработанная для решения ЗК такая программа будет прокладывать оптимальный маршрут при указании ей на карте множества точек, по которым этот маршрут должен пройти. Преимущество такого варианта в возможности коррекции множества целей по ходу движения, при поступлении дополнительной информации о том, что часть целей стала неактуальна, зато появились новые. Это применимо и для доставки грузов, выполнения ремонтных работ на множестве объектов. Возможно получение дополнительной информации от специального центра мониторинга состояния автомагистралей, касающейся возможности проезда по некоторым улицам или дорогам: на основе плановых ремонтов и реконструкций полотна дорог и мостов; на основе вербальной информации о скоплениях на погранпереходах и пробках на курортных направлениях в летний период, на городских улицах от водителей; на основе визуальной информации, поступающей от сети ШББ-камер, расположенных на высотных домах центральной части города, обработанной специальной системой машинного зрения.

В настоящее время реализована программа, соответствующая первому варианту (классическому), идет проработка второго варианта.

Использовалось путевое представление маршрута, порядковый оператор кроссовера, оператор мутации — перестановка двух случайных пунктов в маршруте. Порядковый оператор кроссовера строит потомков, выбирая кусок из одного родителя, остальные города — из другого, соблюдая очередность городов. Например, два родителя (разрезы отмечены «|»)

р1 = (1 2 3 | 4 5 6 7 | 8 9) и

р2 = (4 5 2 | 1 8 7 6 | 9 3)

могут получить потомков следующим способом. Во-первых, сегменты между точками обреза копируются потомкам (символом «Х» обозначается неизвестный символ):

01 = (х х х | 4 5 6 7 | х х) и

02 = (х х х | 1 8 7 6 | х х),

потом, начиная от второй точки обреза другого родителя, записываются оставшиеся города в том же порядке, в котором они были в родителях:

01 = (2 1 8 | 4 5 6 7 | 9 3) и

02 = (3 4 5 | 1 8 7 6 | 9 2).

Порядковый оператор кроссовера использует свойство путевого представления, что порядок городов важен, а первый город — нет. Туры 1—2—3—4—5—6—7—8—9 и 2—3—4—5—6—7—8—9—1 являются фактически идентичными.

Кроме того, чтобы ГА показывал приемлемые результаты, в качестве начальной популяции взяты 500 случайных решений, 300 из кото-

101

102

рых получены путем предварительного подсчета с использованием эвристик (см. ниже), а остальные 200 — случайные. Также при генерации нового поколения, согласно концепции элитизма, 300 лучших решений остаются без изменений.

Используемые эвристики:

1. На каждом шаге от текущего пункта идем к ближайшему.

2. Находим два таких пункта, перестановка которых приведет к наибольшему сокращению длины маршрута.

3. То же, что и первая эвристика, только последние несколько шагов пути вычисляются полным перебором.

4. То же, что и первая эвристика, только на каждом шаге мы рассматриваем два ближайших пункта, используя перебор.

ГА выполняется до тех пор, пока не будет сгенерировано 1000 поколений, затем выбирается наилучшее полученное за время работы решение. Проведенные тесты показали, что для маленьких тестов (несколько десятков городов) ГА практически мгновенно находит оптимальное решение, значительно опережая по скорости полный перебор. Для больших тестов ГА при ограничении времени в несколько секунд добивается лучших результатов, чем полный перебор, скомбинированный с вышеописанными эвристиками.

Проектирование изделий космической техники

Ниже предложен нетрадиционный подход к разработке изделий космической техники, основанный на эволюционном моделировании (ЭМ): генетических алгоритмах (ГА) или эволюционных стратегиях (ЭС). Подробное описание этого подхода приведено в [16].

Разработка космических аппаратов (КА) — сложный многостадийный процесс. Общие сведения о нем приведены в [17]. Рассмотрим создание комплекта конструкторской документации (КД) двигательного блока (ДБ) двигательной установки (ДУ) КА.

После получения технического задания (ТЗ) группа специалистов создает эскизный проект (ЭП). Происходит первый цикл расчетов для удовлетворения ДБ условиям по функциональности, прочности, теплу, требованиям по радиационной стойкости. Рабочее проектирование и уточнение деталей ТЗ включает еще несколько циклов взаимоувязывающих расчетов.

ДБ состоит из металлической рамы, на которую крепятся двигатели, клапаны, трубопроводы, датчики давления, электрические кабели и разъемы. Создаются модели ДБ, рассчитывающие резонансные частоты блока, максимальные температуры и тепловые потоки в различных режимах функционирования КА. Совокупность моделей ДБ являет собой точку в многомерном пространстве условий. Будем считать эту точку глобальным оптимумом многомерной функции оптимизации конструкции блока. Разбивая блок на элементы для построения модели, мы дискретизуем области целевых функций и создаем возможность для использования ГА.

Режимы стартового комплекса (СК), участка выведения (УВ) и орбитального функционирования (ОФ) задаются на тепловой модели тепловыделением в элементах, соответствующих двигателям и нагревателям системы терморегулирования (СТР), температурой элементов, соответствующих посадочным местам (ПМ), и величиной кондуктивной связи с ними, геометрией, оптическими свойствами, взаимным переиз-лучением и внешним тепловым потоком (ВТП) для поверхностей, не укрытых экранно-вакуумной теплоизоляцией (ЭВТИ), начальными температурами, тепловыми связями и полными теплоемкостями для всех элементов. Задача в том, чтобы ни при каком режиме температуры Т по некоторым критичным элементам не вышли за диапазон допустимых, а тепловые потоки Qi к (от) ПМ не превысили максимально возможных. Делаются расчеты, и при невыполнимости этих условий конструктору предлагается сделать перекомпоновку. Например, переместить перегревающийся клапан ближе к радиатору, увеличить теплопроводность рамы ее утолщением, увеличить площадь радиатора СТР, увеличить тепловую связь блока с ПМ и т. д. (использована будет только часть предложений). Эти изменения влекут пересогласования с «прочнистами», специалистами по радиационной стойкости, арматурщиками, электриками, технологами. После многих циклов согласований со смежниками получается решение, приемлемое для всех.

Если поручить задачу другой паре людей, они найдут другое удовлетворительное тепловое решение (изменят другие тепловые связи, перенесут клапан в другое место, изменят площадь радиатора на другую величину). Пройдя круг согласований со смежниками, конструкция претерпит изменения, отличные от первого варианта. В итоге на выходе будет несколько другой блок, но также вписывающийся во все граничные условия. То есть найденные решения не являются глобальным оптимумом, но близки к нему настолько, что удовлетворяют. Т. о. будет решена задача нахождения двух локальных оптимумов функции

Я = Я (Рк, Рг, Тт, Бн),

где Рк — ряд требований по функциональности, Рг — ряд требований по прочности, Тт — ряд требований по теплу, Бн — ряд требований по радиационной стойкости.

Для изменения порядка действий, получив исходный блок и составив его тепловую модель, нужно создать популяцию моделей, отличающуюся небольшим разбросом значений элементов. Разработка процедуры создания такой популяции — отдельная задача. После проверки каждой модели обнаружим, что большая часть вариантов не попадет в допустимый диапазон температур. Но некоторые попадут, причем величина

вшах = е1 + е2 + ез ... + ет, по всем i от 1 до т, где е^ — среднеквадратичное отклонение от средней величины для каждого диапазона требований по теплу, для некоторых моделей из популяции окажется меньше, чем для исходного блока. То есть эти слу-

103

104

чайным образом полученные модели лучше исходной. Теперь осталось организовать работу ГА по правилам, описанным в [18].

Задавая разброс значений элементов модели с некоторым шагом, мы можем пропустить часть хороших решений, отличающихся от значений параметров образованной популяции на величину меньшую чем шаг. Между тем в [19] указывается, что ЭС ориентированы на оптимизацию непрерывных функций, в отличие от ГА, оптимизирующих функции дискретных переменных. Также реальные задачи проектирования сопровождаются множеством технических деталей, которые трудно учесть в ГА. ЭС моделируют эволюцию на уровне фенотипа в отличие от ГА, акцентирующих внимание на генетическом механизме наследственности. Мутация в ЭС играет важную роль и является первичным оператором. В отличие от случайной мутации в ГА, мутация в ЭС использует нормальный закон распределения. Однако в отличие от эволюционного программирования (ЭП), в ЭС рекомбинация также используется и играет значительную роль. Причем родителей может быть не только два, как в ГА, но и один. В отличие от вероятностной селекции ГА, в ЭС родители выбираются на основе детерминированных правил. ЭС используют эвристики при направленной мутации, могут адаптивно изменять диапазон поиска [20]. ЭС на первом шаге инициализируют начальную популяцию случайно. Важно, что она может быть создана путем мутации единственного решения, введенного пользователем, т. е. исходной модели блока, не вписывающейся в заданные граничные условия.

В настоящее время на основе тепловой модели реально существовавшего изделия с целью ее изменения для соответствия новым граничным тепловым условиям изучается построение ГА, генерация начальной популяции, технология шагов работы ГА и влияние на расчеты таких параметров ГА, как размер популяции, количество потомков, количество поколений, точность представления генотипа, точность определения фенотипа, метод выбора родительской пары (элитный, ближнее или дальнее родство на генотипе, ближнее или дальнее родство на фенотипе), метод отбора (пропорциональный, рулетка, с вытеснением, случайный, элитный), изменение метода отбора во время работы программы, тип мутации (инверсия, транслокация, перестановка, генная), вероятность мутации, коэффициент изменения мутации, тип кроссинговера (одинарный, двухточечный, рекомбинация), метод локальной оптимизации, количество популяций и способ их взаимодействия в многопопуляционном алгоритме, количество запусков ГА, настройка «встряхивания» популяции.

Список литературы

1. Толстель О.В. Сверхгибридная интеллектуальная система // Международные научно-технические конференции «Интеллектуальные системы 1ЕЕЕ Л1Б'04» и «Интеллектуальные САПР» (СЛБ-04). М.: Физматлит, 2004. Т. 1. С. 234—243.

2. Станкевич Л.А. Нейрологические средства систем управления интеллектуальных роботов // VI Всероссийская конференция «Нейроинформатика-2004»: Лекции по нейроинформатике. Ч. 2. М.: МИФИ, 2004. С. 57—110.

3. Гергей Т. Когнитивные системы — потребность информационного общества и вызов компьютерным наукам // IX Национальная конференция по искусственному интеллекту с международным участием КИИ-2004: Пленарный доклад. М.: Физматлит, 2004. Т. 1. С. 3 — 10.

4. Сайты российской научно-производственной производственной фирмы «Стокона». www.stocona.ru,www.stocona.com.

5. Сайт международного открытого проекта «Семантическая сеть». www.semanticweb.org.

6. Котеленко С.А. Использование модели нечеткого графа для описания нечетких данных в спецификации OWL // Международные научно-технические конференции «Интеллектуальные системы IEEE AIS'04» и «Интеллектуальные САПР» (CAD-04). М.: Физматлит, 2004. Т. 1. С. 117—126.

7. Митилино С. Про зрение (компьютерное) / / Компьютерное обозрение.

2002. № 3. 23 — 29 янв. www.sourceforge.net/projects/ opencvlibrary.

8. Сайт российской фирмы «Модуль». www.module.ru.

9. Редько В. Г. Модели адаптивного поведения // Международные научнотехнические конференции «Интеллектуальные системы IEEE AIS'03» и «Интеллектуальные САПР» (CAD-2003). М.: Физматлит, 2003. С. 255—267.

10. Жданов А.А. и др. Система управления мобильным роботом на основе биологических принципов // II Международный семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте». М.: Физматлит,

2003. С. 197—202.

11. Аверкин А.Н., Белов С.В. Семиотическая система управления роботом. Восьмая национальная конференция по искусственному интеллекту: Труды. М.: Физматлит, 2002. Т. 1. С. 257—264.

12. Ющенко А.С. Организация системы знаний мобильных роботов на основе нечетких представлений // II Международный семинар «Интегрированные модели и мягкие вычисления в искусственном интеллекте». М.: Физматлит, 2003. С. 228 — 233.

13. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. СПб.: Наука и Техника, 2003. 384 с.: ил.

14. Демьяненко А.А., Панков С.В. Решение задачи коммивояжера на основе параллельного генетического алгоритма // Международные научно-технические конференции «Интеллектуальные системы IEEE AIS'03» и «Интеллектуальные САПР» (CAD-2003). М.: Физматлит, 2003. С. 255—267.

15. Filin E., Hsu T., Dupas R., Gonsalves G. Partially Dynamic traveling repairman problem: A comparative study of resolution methods // Международные научнотехнические конференции «Интеллектуальные системы IEEE AIS'04» и «Интеллектуальные CАПР»(CAD-04). М.: Физматлит, 2004. Т. 3. С. 49—55.

16. Толстель О.В. Эволюционное моделирование двигательных блоков космических аппаратов / / Международные научно-технические конференции «Интеллектуальные системы IEEE AIS'04» и «Интеллектуальные САПР» (CAD-04). М.: Физматлит, 2004. Т. 1. С. 86—90.

17. Моделирование тепловых режимов космического аппарата и окружающей его среды. М.: Машиностроение, 1971. 380 с.

18. Курейчик В.М. Генетические алгоритмы и их применение. Изд. 2-е, доп. Таганрог: Изд-во ТРТУ, 2002. 242 с.

105

19. Родзин С.И. Исследование свойств эволюционных стратегий // Восьмая национальная конференция по искусственному интеллекту: Труды. М.: Физ-матлит 2002. Т. 1. С. 352 — 363.

20. Методы генетического поиска / Под ред. В.М. Курейчика. Таганрог: Изд-во ТРТУ, 2002. 122 с.

Об авторе

О.В. Толстель — канд. техн. наук, доц., КГУ.

Юб