Стр. 52 - СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ

[

Введите текст]

Содержание

50

СИСТЕМЫИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ПРИНЯТИЯ РЕШЕНИЙ.

ОПТИМИЗАЦИЯ БАЗ ЗНАНИЙ НЕЧЕТКИХ ЭКСПЕРТНЫХ СИСТЕМ

Глава 3

.

ОСНОВНЫЕ АЛГОРИТМЫ ОПТИМИЗАЦИИ НЕЧЕТКОЙ

СЕТИ ЛОГИЧЕСКОГО ВЫВОДА

3.1.

Генетический алгоритм параметрической оптимизации

Использование недифференцируемых функций min и max при вычислении

выходных значений нечетких элементов типа "И" и типа "ИЛИ" не позволяет

применять градиентные методы глобальной минимизации функции ошибки.

Кроме того, алгоритм оптимизации нечеткой модели должен быть эффективным

в условиях многоэкстремальности и большой размерности оптимизируемой

функции

[28]

. В данной работе для обучения нечеткой сети предлагается исполь-

зовать генетический алгоритм (ГА). Потенциальная эффективность генетических

алгоритмов в нашем случае обусловлена особенностями оптимизируемой систе-

мы. Известно

[15]

, что эволюционные методы целесообразно применять для

обучения систем, состоящих из относительно независимых блоков или подсис-

тем. Тогда нахождение оптимальных значений параметров каждого блока дает

некоторое увеличение приспособленности системы в целом независимо от со-

стояния других подсистем. Это приводит к доминированию в популяции особей

с б

о

льшим числом оптимизированных блоков. В результате их скрещивания по-

лучаются особи с еще большей приспособленностью ("неудачные" варианты от-

сеиваются).

Сеть логического вывода представляет собой пример подобной системы. В

ней существуют подсети, каждая из которых описывает определенный класс

случаев (т.е. входящие в подсеть правила активизируются при рассмотрении

объекта из соответствующего класса). Эти подсети могут частично пересекаться,

но, в целом, оптимизация некоторых из них будет приводить к правильным ре-

шениям для соответствующих примеров, не влияя на вывод в остальных случаях.

Еще более изолированными друг от друга являются подсети, которые содержат

правила, относящиеся к разным выходным переменным. При этом они имеют

общий набор входных переменных, что не позволяет упростить задачу оптими-

зации путем выделения одновыходных систем и проведения раздельного обуче-

ния.

Еще одним доводом в пользу применения генетических алгоритмов при ре-

шении нашей задачи являются нестрогие требования к точности искомых значе-

ний параметров элементов сети. При вербализации оптимизированной системы

численные значения весов правил и посылок чаще всего заменяются соответст-

вующими лингвистическими термами. Целесообразно ограничить список воз-

можных значений этих параметров всего несколькими числами (включая макси-

мальное значение 1 и минимальное 0). Тогда для их кодирования достаточно

двух или трех битов.