Реферат на тему Эволюционные вычисления.

Содержание:

861013

Введение:

Эволюционные вычисления, синонимом которых в зарубежной
литературе является термин «evolutionary computation», доказали свою
эффективность как при решении трудноформализуемых задач искусственного
интеллекта (распознавание образов, кластеризация, ассоциативный поиск), так и
при решении трудоемких задач оптимизации, аппроксимации, интеллектуальной
обработки данных. К преимуществам эволюционных вычислений относятся
адаптивность, способность к обучению, параллелизм, возможность построения
гибридных интеллектуальных систем на основе комбинирования с парадигмами
искусственных нейросетей и нечеткой логики. Многообещающей выглядит предпосылка
создания единой концепции эволюционных вычислений, включающих генетические
алгоритмы, генетическое программирование (ГП), эволюционные стратегии и
эволюционное программирование (ЭП). По мнению многих исследователей, эти
парадигмы являются аналогами процессов, происходящих в живой природе и на
практике доказавших свою непримитивность. Один из пионеров эволюционных
вычислений Л.Фогель вообще видит теорию эволюции и самоорганизации как базовую
концепцию для всех интеллектуальных процессов и систем, значительно расширяющую
сферу применения традиционной парадигмы искусственного интеллекта. Даже если
это не так, и в природе происходит реэволюция, никто не может сказать, что
алгоритмы эволюционных вычислений неверны.

Поскольку концепция эволюционных вычислений должна быть
основана на некоторых формализованных принципах естественного эволюционного
процесса, то возникают вопросы о методологических различиях и сфере применения
основных форм эволюционного моделирования.

Цель исследования – характеристика эволюционных вычислений.

Задачи:

— Понятие эволюционных вычислений.

— Генетические алгоритмы эволюционных вычислений.

— Достоинства и недостатки эволюционных вычислений.

Структура исследования представлена введением, тремя разделами,
заключением и списком литературы.

Заключение:

В информатике, эволюционные вычисления представляют собой
семейство алгоритмов для глобальной оптимизации вдохновленной биологической эволюции,
и подпола искусственного интеллекта и мягких вычислений изучения этих
алгоритмов. С технической точки зрения, они представляют собой семейство
популяционных средств решения проблем методом проб и ошибок с метаэвристическим
или стохастическим характером оптимизации. При эволюционных вычислениях
создается и итеративно обновляется начальный набор возможных решений. Каждое
новое поколение создается путем случайного удаления менее желательных решений и
внесения небольших случайных изменений.

Как правило, сначала генерируется набор случайных решений ―
«особей». Они могут быть очень далеки от оптимальных. Затем запускается процесс
эволюции: в решения вносятся небольшие случайные изменения (мутации), некоторые
решения скрещиваются между собой и порождают «потомков». Из получившихся
решений в новое поколение отбираются наиболее приспособленные, и процесс
повторяется. Приспособленность решений как раз описывает то, что необходимо
оптимизировать. В зависимости от задачи, это может быть время, стоимость,
мощность сигнала и так далее. Как правило, в каждом следующем поколении удается
получить все более приспособленные, то есть все более близкие к оптимальным,
решения.

Люди определяют то, как будет вычисляться приспособленность
решений и как эти решения должны представляться в компьютере. Иногда
разрабатываются специальные операторы мутации и скрещивания, учитывающие
особенности решаемой задачи. Сам процесс поиска оптимального решения, как
правило, выполняется без участия человека с помощью эволюционного алгоритма,
реализованного в виде специальной компьютерной программы. Однако бывают случаи,
когда автоматизировать вычисления очень сложно. Например, как численно
определить эстетическую ценность сгенерированного изображения или мелодии? В
подобных случаях может использоваться так называемая интерактивная эволюция:
эволюционный алгоритм в ходе своей работы «просит» человека оценивать
промежуточные решения. В других случаях для определения приспособленности может
требоваться, например, проведение химического или физического эксперимента ― тогда
эволюционный алгоритм будет «ждать», когда ученые получат необходимые данные.

В биологической терминологии популяция растворов
подвергается естественному отбору (или искусственному отбору) и мутации.

В результате популяция будет постепенно развиваться в
сторону увеличения приспособленности, в данном случае выбранной функции
приспособленности алгоритма. Методы эволюционных вычислений могут давать
высокооптимизированные решения в широком диапазоне задач, что делает их
популярными в информатике. Существует множество вариантов и расширений,
подходящих для более конкретных семейств проблем и структур данных.
Эволюционные вычисления также иногда используются в эволюционной биологии в
качестве экспериментальной процедуры in silico для изучения общих аспектов
общих эволюционных процессов.

Фрагмент текста работы:

1. Понятие эволюционных вычислений Эволюционные вычисления — это область научных исследований,
в которой занимаются решением сложных задач оптимизации с помощью алгоритмов,
вдохновленных теорией эволюции. Целью оптимизации может быть, например,
получение оптимального расписания работы конвейеров, которое минимизирует время
простоя. Эволюционные вычисления включают в себя различные направления,
определяемые видом оптимизации: например, различают дискретную и непрерывную
оптимизацию, также существует многокритериальная оптимизация. Стоит отдельно
выделить теорию эволюционных вычислений, изучающую то, насколько быстро те или
иные эволюционные алгоритмы могут находить решения или насколько сложны те или
иные задачи.

Интеллектуальные системы извлечения новых знаний (обучения и
самообучения) ориентированы на автоматическое накопление и формирование знаний
с использованием процедур анализа и обобщения данных. К ним относятся системы
символьного, нейросетевого и эволюционного (эмерджентного) обучения.

Системы символьного обучения ориентированы на добычу
знаний (англ. Data-mining), поиск скрытых правил и закономерностей в
компьютерных базах данных (англ. Knowledge Discovery), автоматические
рассуждения, доказательство теорем и т.д. Для последних систем задача
(проблема) и относящаяся к ней информация описывается в виде логических аксиом.
В дальнейшем система рассматривает различные варианты задачи как теоремы,
которые следует доказать.

В нейросетевых системах, построенных на принципах
нервной системы биологических организмов, используются методы обучения,
направленные на модификацию собственной структуры (структуры сети) и весовых
коэффициентов связей между элементами.