![]() 978 63 62 |
![]() |
Сочинения Доклады Контрольные Рефераты Курсовые Дипломы |
РАСПРОДАЖА |
все разделы | раздел: | Биология |
Генетические алгоритмы | ![]() найти еще |
![]() Молочный гриб необходим в каждом доме как источник здоровья и красоты + книга в подарок |
Согласованность и эффективность работы элементов биологических организмов наводит на мысль: а можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем? Одна из первых схем эволюционной оптимизации была предложена в 60-е годы П.Фогелем, А.Оуэнсом и М.Уолшем; эффективность этой схемы на практике была продемонстрирована И.Букатовой из Москвы. Также в последнее время проявляется большой интерес к исследованию и использованию генетического алгоритма, предложенного Дж.Холландом из Мичиганского университета. Этот генетический алгоритм предназначен для решения задач комбинаторной оптимизации, то есть оптимизации структур, задаваемых векторами, компоненты которых принимают дискретные значения. Схема генетического алгоритма практически совпадает с таковой в модели квазивидов, за исключением того, что в генетическом алгоритме механизм изменчивости помимо точечных мутаций включает в себя кроссинговер – скрещивание структур. Генетический алгоритм естественно «вписывается» в параллельную многопроцессорную вычислительную архитектуру: каждой «особи» популяции можно поставить в соответствие отдельный процессор, поэтому возможно построение специализированных компьютеров, эффективно реализующих генетический алгоритм. 7.6.2
Для этих целей банки первыми в нашей стране стали использовать суперсовременные методы искусственного интеллекта (нейронные сети, генетические алгоритмы, нечеткую логику, экспертные системы и пр.). В настоящее время некоторые из этих банков стали продавать продукты своего аналитического отдела другим организациям, так, насколько известно, поступают банки МФК и Ренессанс-Капитал. Также банки могут оказывать клиентам консультационные услуги по повышению кредитоспособности, по формированию собственного портфеля ценных бумаг, по разработке бизнес-плана для получения банковского кредита, по оптимизации денежных потоков организации для наиболее эффективного их использования. 3. Маркетинговые исследования и информация в банке Прежде чем начинать любое дело необходимо все тщательно для этого подготовить. При организации службы маркетинга в банке тем более встанет необходимость в проведении обширных маркетинговых исследований в этой области. Рассмотрим, какие методы анализа могут использовать банки в процессе проведения маркетингового исследования, и какие виды маркетинговой информации могут быть собраны.
Далее, по мере того, как программы будут становиться все более модульными, а распространение переместится в Сеть, оно станет преобразовываться и примет вид непосредственного взаимодействия с пользовательской базой. Спорадическое обновление [программного обеспечения] сгладится, превратившись в непрерывный процесс пошагового улучшения и приспособления; отчасти это будет происходить при посредстве человека, а отчасти благодаряP[действию] неких генетических алгоритмов [заложенных в самих программах]. Пиратские копии программ могут оказаться слишком статичными для того, чтобы представлять для кого-либо особую ценность. Даже в случае графических изображений, когда предполагается, что информация остается фиксированной, в расшифрованный файл может по-прежнему вплетаться код, способный осуществлять защиту этого файла самыми разнообразными средствами. В большинстве схем, какие я способен себе представить, файл будет «жить» с некоторой накрепко внедренной в него программой, которая может «чувствовать» окружающие условия и взаимодействовать с ними
Таким образом, риск представляет собой сумму диверсифицируемого и недиверсифицируемого рисков. Диверсифицируемая часть риска представляет собой несистематический риск, а недиверсифицируемая - систематический. Если задать желаемый для инвестора уровень доходности портфеля, то можно поставить задачу выбора такой структуры портфеля, которая при заданном уровне доходности приводила бы к минимальному риску. Математическая постановка такой задачи впервые была сформулирована в 1951 г. Г. Марковицем. Для решения задачи Г. Марковица статистическими методами требуется большой объем данных о рынке ценных бумаг, накопленных за многие годы и отвечающих условиям представительности. На практике, особенно на российском фондовом рынке, который еще только формируется, такие данные получить очень трудно, а подчас и невозможно. В настоящее время появились различные эвристические методы для решения подобных задач, дающие псевдооптимальные решения, например различные генетические алгоритмы. Тем не менее традиционно для принятия решений о формировании портфеля пользуются моделью оценки финансовых активов (Capi al Asse Prici g Model - САРМ), представляющей собой зависимость между эффективностью (доходностью) конкретной ценной бумаги и эффективностью рыночного портфеля (портфеля, содержащего все бумаги, находящиеся на рынке).
Что с этой способностью сможет сделать человек такой вопрос следует оставить без ответа из-за опасений, которые приходят в голову, когда мы желаем найти на него ответ. 5 Не следует считать, что проблемы типа «NP», разламываемые при помощи генетических алгоритмов,P это уже ВСЕ в сущности проблемы, с которыми можно еще встретиться. Существуют, естественно, и такие задачи, в которых генетической алгеброй, генетическими алгоритмами добраться к цели не удастся. И также никто не должен считать, что мы благодаря представленным выше открытиям уже достигли вершины знаний и тем самым уже все теоретико-практические трудности на будущих наших дорогах будем способны преодолеть. Считаю открытия, сделанные благодаря генетике, так же, как и открытия дирижерских генов (HOX), важнейшими шагами, которые были сделаны в области биологии в двадцатом веке. Технологии, рожденные жизнью и имеющие внебиологическую применимость, я всегда считал совершенными SUI GENERIS, и поэтому в глуши шестидесятых годов тщетно писал о том, как много пользы (и как ужасно много опасностей) станет нашим трофеем, когда выйдем из области жизни, применяя подсмотренные у жизни инструменты и стратегии, в человеческий мир
Анализ работы алгоритма удобно производить, используя аппарат схем. Схемой в генетическом алгоритме называют описание некоторого подмножества строк. Схема H=(h1,h2,.,hm ) может рассматриваться как строка, алфавиты для элементов которой дополнены специальным символом “#”:,. Если в некоторой позиции r схемы H присутствует символ “#”, то такая позиция называется свободной, а сам символ “#” интерпретируется как произвольный символ из алфавита Vr. Позиция q схемы H называется фиксированной, если в этой позиции присутствует один из символов алфавита Vq. Схема H, в которой определены фиксированные и свободные позиции, описывает подмножество, содержащее такие строки, у которых элементы, соответствующие фиксированным позициям схемы, совпадают с символами схемы, а элементы, соответствующие свободным позициям схемы, являются произвольно заданными в соответствующих алфавитах: где I. Например, для множества строк, где Vi= {0,1}, схема H1="1###0" задаёт такое множество строк, у которых первым элементом является символ "1", пятым - "0", а остальные - либо "0", либо "1".
Эта задача, согласно Н.Н.Моисееву , по плечу лишь коллективному человеко-машинному разуму, в котором носителем цели и воли является сообщество людей. Это может уберечь человечество от двух опасностей, как от глобального человеческого тоталитаризма, так и от возможной бесконтрольности глобального искусственного интеллекта. Автор выражает свою искреннюю признательность большому коллективу людей, принимавшему участие на разных стадиях осуществления данной работы и, прежде всего, Топчему А.П., познакомившего в свое время автора с мощью генетического алгоритма и в 1996 году сформулировавшего задачу составления фоторобота коллективом свидетелей с использованием этого метода, Затуливетру Ю.С., совместные длительные дискуссии с которым и удавшиеся (сборка рассыпанного стихотворения методом ГК, восстановление фоторобота) и не полностью удавшиеся (генератор текста) совместные эксперименты помогли автору выйти на универсальные правила коллективного творчества. Автор благодарен также Здоровеющему Ю.Ю., написавшему демонстрационную программу PHO OROBO и осуществившего эксперименты с помощью студентов Таганрогского радиотехнического института по проверке метода ГК, академику РАН Каляеву А.Н. за поддержку данной работы на всех стадиях ее обсуждения и продвижения, профессорам Карелину В.П. и Ромму Я.Е. за помощь в редактировании текста и расстановке верных акцентов.
Причем -1 блоков могут параллельно осуществлять эволюционную адаптацию и через блоки миграции обмениваться лучшими представителями решений. Последний блок собирает лучшие решения, может окончить результат работы или продолжить генетическую оптимизацию. Такая схема оптимизации в отличие от существующих позволяет во многих случаях выходить из локальных оптимумов. Для повышения эффективности такой архитектуры в САПР используют метагенетическую оптимизацию (МГО). Она заключается в следующем (рис.2). Основным является первый блок, в котором осуществляется реализация генетического алгоритма, генерация новых решений, определение моделирующей функции и использование предыдущих решений для генерации лучших результатов. Второй блок позволяет использовать «историю» предыдущих решений для генерации лучшего множества параметров. В третьем блоке генерируется новое множество оптимизационных параметров. Используя МГО оптимизационный процесс в САПР, можно случайным, направленным или случайно-направленным способом генерировать начальные популяции, моделировать каждую индивидуальность посредством выполнения ГА на основе реализации генетических операторов.
Известны несколько параллельных генетических алгоритмов , предназначенных для решения различных оптимизационных задач. В представленном алгоритме ПаГА за счет согласования позиций точек кроссинговера осуществляется кооперативный поиск в независимых субпопуляциях, что дополнительно снижает временные затраты. Также разработаны три вида направленной мутации, повышающей качество получаемых решений. Для усиления элементов направленности введены защищенные от деструкции фрагменты хромосом, поскольку по мере приближения решений к оптимуму возрастает деструктивность генетических операторов, основанных на принципе случайности. Дополнительно для сокращения времени решения предложена эвристика, сокращающая объем данных для ГА. Для исследования предложенного алгоритма разработано ПО на языке С для IBM PC. Проведены статистические исследования, подтверждающие эффективность ПаГА. 1. Параллельный генетический алгоритм 1.1. Постановка задачи Рассмотрим задачу одномерной упаковки в следующей постановке. Дано: множество элементов E={e1, e2 , . , e }, имеющих размеры S(E)={s(e1), s(e2), . , s(e )}, и множество блоков B={b1, b2, . , bm}, имеющих размеры S(B)={s(b1), s(b2), . , s(bm)}. Цель: разместить элементы в имеющиеся блоки, заполняя каждый из блоков до максимально возможного уровня и минимизируя общее количество заполненных блоков. 1.2. Функция стоимости Для работы ГА необходимо определить функцию стоимости, в соответствии с которой будут оцениваться решения.
Исследования показали достаточно высокую эффективность разработки генетических процедур. Источником усовершенствования может стать правильная настройка параметров управления. Другая возможность состоит в том, чтобы при частичной укладке вводить более двух точек разрыва, что приведет к трансформации укладываемого ДС в несколько ДС. Понятие верхней и нижней сторон ОТ относительно, поскольку ОТ можно развернуть на 180° и верхняя сторона станет нижней, а нижняя верхней. В связи с этим возможно использовать прием, заключающийся в чередовании порядка заполнения магистралей: первая сверху, первая снизу, вторая сверху, вторая снизу и т.д. При заполнении -ой сверху магистрали последовательно просматриваются строки матрицы Vk, начиная с первой, а при заполнении -й снизу магистрали строки матрицы Vk просматриваются в обратном порядке, начиная с последней. Средством повышения сходимости генетического алгоритма может стать представление решения в виде двух хромосом H1k и H2k . При этом ОТ представляется, как и было показано выше, в виде двух ОТ1 и ОТ2 одновременно.
Получившееся решение можно снова подвергнуть процедуре «примерки», снова отобрать и объединить лучшие и т.д. Предлагаемая стратегия является так называемым генетическим алгоритмом. Сколько же циклов развития надо производить? Совершенству нет предела, но следует помнить, что искусство инженера заключается в умении вовремя остановиться в изучении предмета! Безусловно, опыт решения изобретательских задач не заменить даже самым совершенным алгоритмом. Для частичной компенсации недостатка опыта (это лучше, чем ничего!) можно воспользоваться приведенными ниже рекомендациями. Перед выполнением «процессного» алгоритма необходимо описать ситуацию - что выполняется хорошо и что выполняется плохо? Описание необходимо сделать так, чтобы оно было понятным даже для человека, не имеющего специального образования. После этого требование шага 1 не так трудно будет сформулировать на языке процессного анализа. Задача может быть решена либо изменением (дополнением, перестройкой) существующей системы, либо переходом к иному принципу действия, но эту возможность необходимо расценивать, как крайний случай.
Строки "10010", "11110" являются примерами строк, принадлежащих множеству. Часть популяции, строки которой удовлетворяют схеме H, обозначают, где (H, ) - число строк схемы H в популяции G( ) и называют подпопуляцией, соответствующей схеме H. Суть генетического алгоритма заключается в следующем. Пусть на шаге имеется популяция G( ), состоящая из строк. Для популяции вводится понятие средней ценности популяции Fср (G( )): Аналогично для подпопуляции GH( ), удовлетворяющей схеме H, вводится понятие средней ценности подпопуляции Fср (GH( )):. Генетический алгоритм осуществляет переход от популяции G( ) к популяции G( 1) таким образом, чтобы средняя ценность составляющих её строк увеличивалась, причём количество новых строк в популяции равно KЧ , где K - коэффициент новизны. Если K jО {1,2, , П}). Затем для строк пары (S1, S2)i производится обмен значениями элементов с номерами i,j, т.е. каждому элементу с номером i,j строки S1 присваивается значение элемента с номером i,j строки S2 , а элементу с номером i,j строки S2 присваивается значение элемента с номером i,j строки S1.
Из-за описанных выше недостатков традиционных методик в последние 10 лет идет активное развитие аналитических систем нового типа. В их основе - технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора. Наиболее популярными и проверенными из этих технологий являются нейронные сети и генетические алгоритмы. Первые коммерческие реализации на их основе появились в 80-х годах и получили широкое распространение в развитых странах. Теория алгоритмов. Задача коммивояжера. В настоящее время теория алгоритмов развивается, главным образом, по трем направлениям. Классическая теория алгоритмов изучает проблемы формулировки задач в терминах формальных языков, вводит понятие задачи разрешения, проводит классификацию задач по классам сложности P, P и другим. Теория асимптотического анализа алгоритмов рассматривает методы получения асимптотических оценок ресурсоемкости или времени выполнения алгоритмов, в частности, для рекурсивных алгоритмов.
Одним из способов построения является использование деревьев Штейнера (ДШ). Эта задача имеет множество способов решения. В данной работе предлагается решать ее с помощью генетических алгоритмов (ГА). Объектом исследования данной работы является алгоритм построения оптимального маршрута при групповой рассылке данных по сети. Основным критерием оптимальности является стоимость рассылки по построенному маршруту. Для этого алгоритм должен учитывать длину соединений, стоимость пересылки по каждой из ветвей, общую стоимость пересылки по всем требуемым направлениям. Для оценки работы алгоритма, наглядного представления результатов и их практического применения предполагается написать программный продукт (ПП). Предлагаемые особенности реализации и настройки этого ПП будут рассмотрены в этом отчете. 1 ОБЩАЯ ПОСТАНОВКА ЗАДАЧИ По своей сути сеть дистанционного обучения (СДО) представляет собой дерево с набором вершин и ребер. Построение оптимального маршрута для дерева является достаточно старой задачей, для решения которой существует множество алгоритмов. Но не следует забывать о специфике задачи: в реальной ситуации весьма существенными факторами становятся стоимость рассылки, протяженность и сложность маршрута, скорость передачи данных.
В настоящее время наиболее массовым направлением нейрокомпьютинга является моделирование нейронных сетей на обычных компьютерах, прежде всего персональных. Моделирование сетей выполняется для их научного исследования, для решения практических задач, а также при определении значений параметров электронных и оптоэлектронных нейрокомпьютеров. Нейросеть – это компьютерная программа, имитирующая способность человеческого мозга классифицировать примеры, делать предсказания или принимать решения, основываясь на опыте прошлого. Стремительное развитие технологии нейронных сетей и генетических алгоритмов началось лишь в конце 80-х годов, и пока остается уделом немногочисленной группы специалистов, как правило, теоретиков в области искусственного интеллекта. Но в России уже начали появляться нейронные сети, хорошо зарекомендовавшие себя на Западе, ведутся разработки собственных программ, для прогнозирования самых различных событий. Упрощая, технику применения нейронных сетей для прогнозов на фондовом рынке можно условно разбить на следующие этапы: подбор базы данных, выделение «входов» (исходные данные) и «выходов» (результаты прогноза).
В результате на каждом шаге обработки исходных данных на выходе получаются значения Sj, которые характеризуют явление, породившее данную входную ситуацию ( - взрыв).4.5 Выводы по разделу. Итак, подводя итог данной главе, следует сказать, что это далеко не полный обзор нейросетевых архитектур, которые успешно справляются с задачами классификации. В частности ничего не было сказано о вероятностных нейронных сетях, о сетях с базисно радиальными функциями, о использовании генетических алгоритмов для настройки многослойных сетей и о других, пусть менее известных, но хорошо себя зарекомендовавших. Соответственно проблема выбора наиболее оптимальной архитектуры для решения задачи классификации сейсмических сигналов вполне актуальна. В идеале, конечно хотелось бы проверить эффективность хотя бы нескольких из них и выбрать наилучшую. Но для этого необходимо проводить более масштабные исследования, которые займут много времени. На данном этапе исследований была сделана попытка использовать хорошо изученные нейронные сети и алгоритмы обучения для того, чтобы убедиться в эффективности подхода в целом.
Об успехе такого подхода свидетельствует то, что дисциплина, возникшая как отрасль физики, теперь находит свои приложения в биологии, социологии, психологии, изучении развития науки и философии вообще. Говорят о применении синергетики в теории искусства. Итак, уже можно сказать о появлении жизнеспособной новой парадигмы. Ей еще нет полувека, но результаты исследований, основанных на ней уже приносят практическую пользу. Отдельно необходимо отметить приложения различных отраслей синергетики в компьютерной технике и информатике. Их можно видеть на каждом шагу: устройства управления температурными режимами, автофокусировка оптических устройств, системы автоматического распознавания текста. Изучение структур и свойств фракталов неожиданно привело к появлению нового направления в изобразительном искусстве, сложность и естественность этих структур оказались необыкновенно эстетически привлекательны. Список литературы 1. В. Васильев, Ю, Романовский, В. Яхно, Автоволновые процессы , М. Наука, 1987 2. А. Дьюдни, Акулы и рыбы в компьютерной модели // В мире науки 2 1985 г. 3. А. Дьюдни, Исследование генетических алгоритмов // В мире науки 1 1986 г. 4. А. Дьюдни, Недостатки электронного глаза // В мире науки 11 1984 г. 5. А. Дьюдни, Об аналоговых компьютерах // В мире науки 8 1984 г. 6. А. Дьюдни, Построение одномерных компьютеров // В мире науки 7 1985 г. 7. А. Дьюдни, Странная привлекательность хаоса// В мире науки 9 1987 г. 8. А. Дьюдни, Трехмерные версии игры Жизнь // В мире науки 4 1987 г. 9. В. Коротков, Развитие концепции ноосферы на основе парадигмы синергетики 10. Дж. Кратчфилд, Дж. Фармер, Н. Паккард, Р. Шоу Хаос // В мире науки, 2 1997 г. 11. А. Лоскутов, А. Михайлов, Введение в синергетику, М, Наука, 1990 12.
Наиболее важны способы смысловой ориентации в предметной деятельности и способности смыслового конструирования объекта в соответствии с биомеханическими принципами построения операционных систем движений (Д.Д. Донской). Перспективы разработки принципов управления двигательными действиями человека. В настоящее время осуществляется конструктивный поиск в разработке идей, связанных с совершенствованием организации сознания, мышления и деятельности человека. Можно выделить три направления исследований. 1. Профессор М.П. Шестаков в своей статье рассматривает перспективы развития и внедрения технологий, связанных с бурным развитием общей теории проектирования сложных искусственных систем и управления ими (сетевых нейрологических методов, биокомпьютерных систем, генетических алгоритмов). Данные технологии могут найти прикладное использование в спортивно-педагогической науке в рамках идей искусственно созданной среды, в которой человек выполняет двигательные действия (И.П. Ратов, Г.И. Попов). Предполагается разработка прикладной теории организации биокибернетических систем, лежащих в основе "биокиберагогики" (термин М.П. Шестакова). Здесь, на наш взгляд, прослеживается тенденция технократического направления образования, которая заключается в том, что ценность человеческого целеустремленного духа редуцируется до разума, разум - до рассудка, рассудок - до интеллекта, а последний - до искусственного интеллекта. 2. Ряд зарубежных авторов (Р.У. Сперри, С. Хокинг, Р. Эклс) считают, что эволюция естественно-искусственных систем движений человека будет осуществляться на основе генетического инжиниринга.
![]() | 978 63 62 |