2.2.5. Нечеткие системы

Направление базируется на принципах нечеткой логики и теории нечетких множеств – раздела математики, являющегося обобщением классической логики и теории множеств. Данные понятия были впервые предложены американский ученым Лотфи Заде в 1965 г. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. В общем случае механизм логического вывода в рамках нечеткой логики включает в себя четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости или дефазификация.

Алгоритмы нечеткого вывода различаются главным образом видом используемых правил, логических операций и разновидностью метода дефазификации.

Нечеткая логика оказала сильное влияние на другие парадигмы искусственного интеллекта. Объединение ее принципов с методами иных направлений породило такие новые направления, как:

• Нечеткие нейронные сети;

• Адаптивные нечеткие системы;

• Нечеткие запросы;

• Нечеткие ассоциативные правила;

• Нечеткие когнитивные карты;

• Нечеткая кластеризация.

Альтернативные методы искусственного интеллекта дополняют методологию нечеткой логики и используются в различных комбинациях для создания гибридных интеллектуальных систем.

2.2.6. Эволюционные вычисления

Генетический алгоритм, составляющий основу эволюционных вычислений, – это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путем последовательного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Сущность алгоритма состоит в следующем. Задача кодируется таким образом, чтобы ее решение могло быть представлено в виде вектора (такой вектор называется хромосомой). Случайным образом создается некоторое количество начальных векторов (начальная популяция). Они оцениваются с использованием т. н. функции приспособленности, в результате чего каждому вектору присваивается определенное значение (приспособленность), которое определяет вероятность выживания организма, представленного данным вектором. После этого с использованием полученных значений приспособленности выбираются вектора (селекция), допущенный к скрещиванию. К этим векторам применяются т. н. генетические операторы (в большинстве случаев – скрещивание и мутация), создавая таким образом следующее поколение. Особи следующего поколения также оцениваются, затем производится селекция, применяются генетические операторы и т. д.

Так моделируется эволюционный процесс, продолжающийся несколько жизненных циклов (поколений), пока не будет выполнен критерий останова алгоритма.

Генетические алгоритмы служат, главным образом, для поиска решений в очень больших, сложных пространствах поиска, и применяются для решения следующих задач:

• Оптимизация функций;

• Разнообразные задачи на графах (задача коммивояжера, раскраска, нахождение паросочетаний);

• Настройка и обучение нейронной сети;

• Задачи компоновки;

• Составление расписаний;

• Игровые стратегии;

• Аппроксимация функций;

• Искусственная жизнь;

• Биоинформатика.