Перспективные направления развития ГП

Рассмотрим наиболее перспективные направления исследований, проведенных Koza J.R. [84, 85]. Следует отметить следующее:

Автоматически определяемые функции (ADF), идея которых состоит в повышении эффективности ГП за счет модульного построения программ, состоящих из главной программы и ADF-модулей, генерируемых в ходе моделирования эволюции. При этом до начала эволюции определяется архитектура программы, число ADF-модулей и параметры каждой (аргументы) ADF.

Особый интерес представляют интеллектуальные гибридные системы, такие, как нейроэволюционные сети и нечеткие эволюционные системы, которые, по словам Л. Заде, являются «waveofthefuture». Другая область, где ЭА могли бы сыграть важную роль – компьютерное моделирование и робототехника на основе многоагентных систем.

Контрольные вопросы и задания для самостоятельной работы по главе 5

5.1.Задачи оптимизации и эволюционные алгоритмы?

5.2.Виды алгоритмов, относимых к эволюционным?

5.3. Классический генетический алгоритм?

5.4. Теоретические основы функционирования генетических алгоритмов?

5.5. Эволюционные стратегии?

5.6. Эволюционное программирование?

5.7. Генетическое программирование?

5.8. Особые технологии в эволюционных алгоритмах?

5.9. Применение эволюционных алгоритмов для проектирования нейронных

сетей?

5.10. Эволюционные алгоритмы и нечеткие системы для контроля эволюции?

Глава 6. Введение в нейронные сети

Алгоритмы их обучение и эластичные нейро-нечеткие системы

Проблема машинной имитации человеческих мыслей воодушевляет ученых уже несколько столетий. Более 50 лет назад были созданы первые электронные модели нервных клеток. В это же время появилось много работ по новым математическим моделям и обучающим алгоритмам. Сегодня так называемые нейронные сети представляют наибольший интерес в этой области [81, 91]. Они используют множество простых вычислительных элементов, называемых нейронами, каждый из которых имитирует поведение отдельной клетки человеческого мозга. Принято считать, что человеческий мозг- это естественная нейронная сеть, а модель мозга-это просто нейронная сеть. На рис. 6.1. показана базовая структура нейронной сети:

Входной сигнал Выходной сигнал

Входной слой -1.Внутренний слой; 2. Внутренний слой - Выходной слой

Рис. 6.1. Базовая структура нейронной сети (фрагмент).

Каждый нейрон в нейронной сети осуществляет преобразование входных сигналов в выходной сигнал и связан с другими нейронами. Входные нейроны имитируют так называемый интерфейс нейронной сети. Нейронная сеть, показанная на рис. 6.1., имеет слой, принимающий входные сигналы, и слой, генерирующий выходные сигналы. Информация вводится в нейронную сеть через входной слой. Все слои нейронной сети обрабатывают эти сигналы до тех пор, пока они не достигнут выходного слоя.

Задача нейронной сети - преобразование информации требуемым образом. Для этого сеть предварительно обучается. При обучении используются идеальные (эталонные) значения пар «входы-выходы» или «учитель», который оценивает поведение нейронной сети. Для обучения используется так называемый обучающий алгоритм [91]. Ненастроенная нейронная сеть не способна отображать желаемого поведения. Обучающий алгоритм модифицирует отдельные нейроны сети и веса ее связей таким образом, чтобы поведение сети соответствовало желаемому поведению.

Имитация нервных клеток

Исследователи в области нейронных сетей проанализировали множество моделей клеток человеческого мозга.Человеческий мозг состоит из более, чем нервных клеток, имеющих более взаимосвязей. На рис. 6.2. показана упрощенная схема такого человеческого нейрона.

Рис. 6.2. Упрощенная схема человеческого нейрона.

Сама по себе клетка состоит из ядра и внешней электронной мембраны. Каждый нейрон имеет уровень активации, лежащий в диапазоне между максимумом и минимумом, следовательно, в отличие от булевой логики, существует более чем два уровня активации.

Для увеличения или уменьшения активности данного нейрона другими нейронами существуют так называемые синапсы. Они переносят величину активности от нейрона-отправителя к нейрону-получателю. Если синапс является возбуждающим, то величина активности нейрона-отправителя увеличивает активность нейрона-получателя. Если синапс является тормозящим, то величина активности нейрона-отправителя уменьшает активность нейрона-получателя. Синапсы различаются не толькопо признаку торможения или возбуждения нейрона-получателя, но также и по суммарному воздействию (синаптическая мощность). Выходной сигнал каждого нейрона передается по так называемому аксону, который заканчивается более чем 10000 синапсами, влияющими на другие нейроны.

Рассмотренная модель нейрона лежит в основе большинства сегодняшних применений нейронной сети. Отметим, что данная модель является лишь очень грубым приближением действительности. На самом деле мы не можем смоделировать даже один единственный человеческий нейрон; это выше человеческих возможностей в моделировании. Следовательно, любая работа, базирующаяся на этой простой модели нейрона, не способна точно имитировать человеческий мозг. Однако многие успешные применения, использующие этот метод, обеспечили успех нейронным сетям, базирующимся на простой модели нейрона.