- •Оглавление
- •I. Примеры теста
- •Тест №2 по теме «Направления и подходы к исследованиям в области искусственного интеллекта»
- •Тест №3 по теме «Классификация интеллектуальных информационных систем»
- •Тест №4 по теме «Представление знаний»
- •Тест №5 по теме «Нейронные сети»
- •Тест №6 по теме «Эволюционное моделирование»
- •Тест №7 по теме «Нечеткие множества и нечеткая логика»
- •4. Какая формула определяет объединение нечетких множеств а и в?
- •5. В случае ограниченных операций не будут выполняться:
- •Тест № 8 по теме «Экспертные системы»
- •Тест №9 по теме «Системы поддержки принятия решений»
- •II. Глоссарий Основные определения по теме «История развития искусственного интеллекта»
- •Основные определения по теме «Направления исследований в области искусственного интеллекта»
- •Основные определения по теме «Представление знаний»
- •Основные определения по теме «Нейронные сети»
- •Основные определения по теме «Эволюционное моделирование»
- •Основные определения по теме «Нечеткие множества и нечеткая логика»
- •Основные определения по теме «Экспертные системы»
- •Основные определения по теме «Системы поддержки принятия решений»
- •III. Рекомендованная литература.
- •IV. Вопросы к экзамену по дисциплине «Интеллектуальные информационные системы»
- •V. Темы лабораторных работ
- •VI. Задание контрольной работы
- •VII. Билеты к экзаменам
Основные определения по теме «Эволюционное моделирование»
Эволюционное моделирование–направление в математическом моделировании, объединяющее компьютерные методы моделирования эволюции, а также близкородственные по источнику заимствования идей другие направления в эвристическом программировании. Включает в себя как разделы генетические алгоритмы, эволюционные стратегии, эволюционное программирование, искусственные нейронные сети, нечеткую логику.
Генетический алгоритм (Genetic algorithm, как направление исследований) – раздел эволюционного моделирования, заимствующий методические приемы из теоретических положений популяционной генетики. Представляет собой своего рода модель машинного исследования поискового пространства, построенную на эволюционной метафоре. Характерные особенности: использование строк фиксированной длины для представления генетической информации, работа с популяцией строк, использование генетических операторов для формирования будущих поколений. Генетические алгоритмы, являясь одной из парадигм эволюционных вычислений, представляют собой алгоритмы случайного направленного поиска для построения (суб)оптимального решения данной проблемы, который моделирует процесс естественной эволюции.
Генетические алгоритмы(как метод)–адаптивные методы поиска, которые используются для решения задач функциональной оптимизации.
Кроссовер, скрещивание (Crossover)–процедура или оператор в генетических алгоритмах, используемые для получения разнообразия в процессе воспроизводства. При одноточечном кроссовере берутся две хромосомы потомка, на них случайным образом выбирается точка, и для этой точки происходит обмен генетического материала потомков. При двухточечном кросcовере происходит то же самое, только выбираются случайным образом две точки.
Мутация(Mutation)–оператор в генетических алгоритмах, предназначенный для внесения разнообразия в процесс размножения; с очень малой вероятностью двоичная мутация заменяет биты в хромосоме случайными битами, значение этой вероятности является параметром генетического алгоритма.
Ген(Gene) в генетических алгоритмах представляет собой основную единицу информации, определяющую характеристику особи. Например, если мы используем генетический алгоритм для обучения нейронной сети, то тогда в качестве генов мы будем использовать веса связей между нейронами. Гены в реализации генетических алгоритмов обычно представляют собой битовые строки фиксированной длины.
Генотип(Genotype) – представление особи в терминах генетического алгоритма.
Фенотип(Phenotype) – представление особи в виде, имеющемся в реальном мире.
Хромосома, особь (Chromosome) – базовый элемент генетического алгоритма. Она представляет собой набор генов, описывающих параметры особи и однозначно определяющих ее. Например, в задаче обучения нейронной сети хромосома будет содержать в себе полностью все настраиваемые параметры. Обычно при реализации генетического алгоритма размер хромосом от эпохи к эпохе не изменяется, хотя встречаются и исключения.
Приспособленность, фитнесс (Fitness) – параметр, определяющий, насколько хорошо данная особь отвечает требованиям. Приспособленность рассчитывается для каждой особи на основе данных, закодированных в генотипе, и используется для выбора наиболее приспособленных особей.
Популяция (Population) – совокупность особей, участвующих в генетических операциях. В классических реализациях алгоритма ее размер постоянен.
Эпоха(Еpoch) – один этап функционирования генетического алгоритма. На нем осуществляется вычисление приспособленности каждой особи популяции. Затем на основании приспособленности отбираются хромосомы, участвующие в формировании следующей эпохи. Затем к ним применяются генетические операции, такие как скрещивание, мутация и т.д.