CC BY
41
Секция интеллектуальных систем
ориентироваться на отдельные многообещающие области поиска, что позволит сократить область поиска и соответственно вычислительные затраты. Во-вторых, нечеткое кодирование позволяет выполнять так называемое слабое кодирование оптимизируемых структур. Слабое кодирование, в отличие от обычного (сильного) кодирования, не подразумевает жесткое соответствие типа «один - к - одному» между генотипом и фенотипом в кодируемой структуре.
, -рата нечетких множеств и эволюционных методов, используются для поиска оптимальных решений в сложных задачах проектирования, оптимизации и принятия .
УДК 007.52
Ю.А. Кравченко
ПОСТРОЕНИЕ ПРОГНОЗНЫХ МОДЕЛЕЙ ДИНАМИЧЕСКИХ СИСТЕМ НА ОСНОВЕ ИНТЕГРАЦИИ НЕЙРОННЫХ СЕТЕЙ И ГЕНЕТИЧЕСКИХ
АЛГОРИТМОВ*
Технические свойства и возможности любых сложных объектов определяются свойствами используемых для их создания материалов, а также комплексным характером внешних воздействий и факторов нагрузки. Существует ряд физико-, -нических и других свойств материалов. В целях прогнозирования свойств таких
( ). -ки входной информации, ее хранения, воспроизведения и логического вывода на ее основе. Свойства НС определяются ее архитектурой, а также совокупностью синаптических связей и характеристик нейронов. Прогнозная нейросетевая модель должна быть способна не только непрерывно обрабатывать большое количество , , информацию о текущих и планируемых режимах функционирования объекта. Нейросетевая система прогнозирования, в свою очередь, должна учитывать информацию о логике работы системы, надежности ее элементов, а также экспертную информацию. Основной недостаток многослойных нейронных сетей, серьезно ограничивающий практическое их применение - медленная сходимость. Для ускорения сходимости необходимо помимо разработки эффективных алгоритмов обратного ,
предварительного обучения применять гибридные сети, в которых НС связываются со структурами прогнозирования, полученными на основе других технологий, . . , -щие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей.
Одним из перспективных направлений развития подобных систем является включение генетических алгоритмов (ГА) в процесс обучения нейронных сетей. ГА используется в качестве процедуры для тренировки сети, т.к. применение алгоритма обратного распространения существенно усложняет процедуру тренировки.
, -ходной координаты объекта на текущем и предыдущем шагах. Комбинация двух
Работа выполнена при частичной финансовой поддержке программы развития научного потенциала высшей школы 2006-2008 годы (проекты РНП.2.1.2.2238, РНП 2.1.2.3193)
Известия ТРТУ_____________________________________________Специальный выпуск
перспективных вычислительных технологий - генетических алгоритмов и искусственных нейронных сетей - позволит эффективно решать задачу прогнозирования поведения динамической системы в рамках эволюционной парадигмы.
УДК 321. 3
..
ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ С ПРЕДСТАВЛЕНИЕМ ПЕРЕМЕННОЙ
ДЛИНЫ*
В настоящее время существуют реальные задачи, в которых стандартные эволюционные методы вычисления могут не давать желаемых результатов. Для решения этих задач необходимо применение новых методов, обеспечивающих большую . -нием переменной длины (УЪЯ).
УЪЯ используют генотипы, эффективная длина которых изменяется в течение , . -тивной длины генотипа - это не длина структуры данных, используемой в пред, , -вания для того, чтобы создать фенотип. Новая форма представления хромосомы обеспечивает больше гибкости, чтобы отобразить некоторые структуры, которые являются решениями для широкого диапазона задач поиска. Хромосома определяется как последовательность генов, подобно естественной копии. Ген в свою очередь определен как последовательность позиций хромосомы или прилегающих ( ), -бенности в фенотипе. Следующее уравнение описывает эту модель: О = ^( ) . В этом уравнении gi представляет сп ецифический ген, I =
1..., п; п - общее количество генов в хромосоме; а Mi может принимать значения 0 или 1. Ген gi может быть представлен как цело численный или вещественный вектор. М - двоичный вектор, который определяет положение активации каждого гена gi^. если М{ равняется 1, то его связанный ген gi активизируется; и, наоборот, если Mi равняется 0, то его связанный ген gi является неактивным. Таким образом, предлагается модель этой хромосомы как двойной строки - главной, составленной из совокупности генов, и вспомогательной двоичной строки М. Первая называется главная строка, а вторая - именуется маска активации. Здесь вводится новый ге, . -п
мосомы определяется переменной т = ^ М1 и представляется общим количест-
I=1
вом активных генов. Тогда можно определить еще одну переменную I = п - т, которая отвечает за общее количество неактивных генов. Значение п сохраняется постоянным, тогда как значения т и I изменяются по поколениям, а также в пределах одной популяции.
Благодаря использованию представления переменной длины, генетический алгоритм имеет теперь средства для нахождения желаемого размера решения.
Работа выполнена при частичной финансовой поддержке программы развития научного потенциала высшей школы 2006-2008 годы (проекты РНП.2.1.2.2238, РНП 2.1.2.3193)
