Мягкие вычисления: понятие, классификация, решаемые задачи

первый курс магистратуры

Южно-Российский Государственный Технический Университет (Новочеркасский Политехнический Институт)

г. Новочеркасск Ростовская область

МЯГКИЕ ВЫЧИСЛЕНИЯ: ПОНЯТИЕ, КЛАССИФИКАЦИЯ, РЕШАЕМЫЕ ЗАДАЧИ.

Введение

Целью данной работы является классификация «мягких вычислений», выявление достоинств и недостатков каждого класса и выявление спектра решаемых каждым классом задач.

Понятие “мягкие вычисления” объединяет такие области как: нечеткая логика, нейронные сети, вероятностные рассуждения, сети доверия, эволюционные алгоритмы, которые дополняют друг друга и используются в различных комбинациях или самостоятельно для создания гибридных интеллектуальных систем.

По существу в 1970 году Л. Заде был создан новый метод вычислительной математики, который был поддержан аппаратными средствами (нечеткими процессорами) который в ряде проблемных областей стал более эффективным, чем классические методы. Первоначально эти области входили в проблематику искусственного интеллекта. Постепенно круг этих областей существенно расширился, и сформировалось направление "вычислительного интеллекта".

1.  Понятие термина “Мягкие вычисления”.

Для начала необходимо дать определение термину «мягкие вычисления».

Мягкие вычисления — термин, введенный Лотфи Заде в 1994 году, обозначающий совокупность неточных, приближенных методов решения задач, зачастую не имеющих решение за полиномиальное время (время имеющее Р-зависимость от входных данных). Такие задачи возникают в области биологии, медицины, гуманитарных наук, робастного управления, менеджменте.

Технология мягких вычислений интенсивно разрабатывается последние 25 лет. Она способна решать задачи управления слабо структурированными объектами управления, столь актуальные для общей теории и практики проектирования систем управления.

Инструментарий технологий мягких вычислений основан на нечетких системах (нечеткие множества, нечеткая логика, нечеткие регуляторы и др.), моделях нечетких нейронных сетей, на генетических алгоритмах (а также включая иммунные алгоритмы, алгоритмы оптимизации на основе поведенческих реакций групп животных, птиц, муравьев, пчел и т. п.)

Методы мягких вычислений хорошо дополняют друг друга, и часто используются совместно.

2.Классификация мягких вычислений.

Дав определение рассматриваемому термину можно приступить к классификации.

Мягкие вычисления - это сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейрокомпьютинге и вероятностных вычислениях . Составные части не конкурируют, но создают эффект синергизма (суммирующий эффект взаимодействия двух или более факторов, характеризующийся тем, что их действие существенно превосходит эффект каждого отдельного компонента в виде их простой суммы). Ведущий принцип МВ - это учет неточности, неопределенности, частичной истины и аппроксимации для достижения робастности, низкой цены решения, большего соответствия с реальностью.

Четыре составные части мягких вычислений (Рис.2.1) включают в себя:

- нечеткую логику;

- нейрокомпьютинг;

- генетические алгоритмы;

-вероятностные вычисления.

Рисунок 2.1. Четыре составные части мягких вычислений

2.1. Нечеткая логика: достоинства и недостатки.

Впервые термин нечеткая логика (fuzzy logic) был введен американским профессором не то иранского, не то азербайджанского происхождения (в разных источниках указывается по-разному) Лотфи Заде в 1965 году в работе “Нечеткие множества” в журнале “Информатика и управление”.

Основанием для создания новой теории послужил спор профессора со своим другом о том, чья из жен привлекательнее. К единому мнению они, так и не пришли. Это вынудило Заде сформировать концепцию, которая выражает нечеткие понятия типа “привлекательность” в числовой форме.

·  Очевидной областью внедрения алгоритмов нечеткой логики являются всевозможные экспертные системы, в том числе:

·  нелинейный контроль за процессами ( производство );

·  самообучающиеся системы (или классификаторы), исследование рисковых и критических ситуаций ;

·  распознавание образов;

·  финансовый анализ ( рынки ценных бумаг ) ;

·  исследование данных ( корпоративные хранилища );

·  совершенствование стратегий управления и координации действий, например сложное промышленное производство.

В Японии это направление переживает настоящий бум. Здесь функционирует специально созданная лаборатория Laboratory for International Fuzzy Engineering Research (LIFE ). Программой этой организации является создание более близких человеку вычислительных устройств. LIFE объединяет 48 компаний в числе которых находятся: Hitachi, Mitsubishi, NEC, Sharp, Sony, Honda, Mazda, Toyota. Из зарубежных ( не Японских ) участниковLIFEможно выделить: IBM, Fuji Xerox, а также к деятельности LIFE проявляет интерес NASA.

Мощь и интуитивная простота нечеткой логики как методологии разрешения проблем гарантирует ее успешное использование во встроенных системах контроля и анализа информации. При этом происходит подключение человеческой интуиции и опыта оператора.

В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предлагает совершенно иной уровень мышления, благодаря которому творческий процесс моделирования происходит на наивысшем уровне абстракции, при котором постулируется лишь минимальный набор закономерностей.

Нечеткие числа, получаемые в результате “не вполне точных измерений”, во многом аналогичны распределениям теории вероятностей, но свободны от присущих последним недостатков: малое количество пригодных к анализу функций распределения, необходимость их принудительной нормализации, соблюдение требований аддитивности, трудность обоснования адекватности математической абстракции для описания поведения фактических величин. В пределе, при возрастании точности, нечеткая логика приходит к стандартной, Булевой. По сравнению с вероятностным методом, нечеткий метод позволяет резко сократить объем производимых вычислений, что, в свою очередь, приводит к увеличению быстродействия нечетких систем.

Недостатками нечетких систем являются:

·  отсутствие стандартной методики конструирования нечетких систем;

·  невозможность математического анализа нечетких систем существующими методами;

·  применение нечеткого подхода по сравнению с вероятностным не приводит к повышению точности вычислений.

2.2. Нейрокомпьютинг.

Нейрокомпьютинг - это технология создания систем обработки информации (например, нейронных сетей), которые способны автономно генерировать методы, правила и алгоритмы обработки в виде адаптивного ответа в условиях функционирования в конкретной информационной среде. Нейрокомпьютинг представляет собой фундаментально новый подход, а рассматриваемые в рамках этого подхода системы обработки информации существенно отличаются от других систем и методов. Данная технология охватывает параллельные, распределенные, адаптивные системы обработки информации, способные «учиться» обрабатывать информацию, действуя в информационной среде. Таким образом, нейрокомпьютинг можно рассматривать как перспективную альтернативу программируемым вычислениям, по крайней мере, в тех областях, где его удается применять.

Новый подход не требует готовых алгоритмов и правил обработки - система должна «уметь» вырабатывать правила и модифицировать их в процессе решения конкретных задач обработки информации. Для многих задач, где такие алгоритмы неизвестны, или же известны, но требуют значительных затрат на разработку ПО (например, при обработке зрительной и слуховой информации, распознавании образов, анализе данных, управлении). Нейрокомпьютинг дает эффективные, легко и быстро реализуемые параллельные методы решения. Представляет интерес также и обратная задача: анализируя обученную систему, определить разработанный ею алгоритм решения задачи.

Недостатки нейрокомпьютинга в том, что каждый алгоритм создается специально для решения конкретных задач, связанных с нелинейной логикой и теорией самоорганизации. Также ввиду уникальности устройств для нейрокомпьютинга к недостаткам можно отнести дороговизну нейрокомпьютеров.

2.3. Генетические алгоритмы

Генетический алгоритм — это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений, с помощью которых решаются оптимизационные задачи с использованием методов естественной эволюции, таких как наследование, мутации, отбор и кроссинговер. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Задача генетических алгоритмов формализуется таким образом, чтобы её решение могло быть закодировано в виде вектора («генотипа») генов, где каждый ген может быть битом, числом или неким другим объектом. В классических реализациях ГА предполагается, что генотип имеет фиксированную длину. Однако существуют вариации ГА, свободные от этого ограничения.

Некоторым, обычно случайным, образом создаётся множество генотипов начальной популяции. Они оцениваются с использованием «функции приспособленности», в результате чего с каждым генотипом ассоциируется определённое значение («приспособленность»), которое определяет насколько хорошо фенотип, им описываемый, решает поставленную задачу.

Из полученного множества решений («поколения») с учётом значения «приспособленности» выбираются решения (обычно лучшие особи имеют большую вероятность быть выбранными), к которым применяются «генетические операторы» (в большинстве случаев «скрещивание» — crossover и «мутация» — mutation), результатом чего является получение новых решений. Для них также вычисляется значение приспособленности, и затем производится отбор («селекция») лучших решений в следующее поколение.

Этот набор действий повторяется итеративно, так моделируется «эволюционный процесс», продолжающийся несколько жизненных циклов (поколений), пока не будет выполнен критерий остановки алгоритма. Таким критерием может быть:

·  нахождение глобального, либо субоптимального решения;

·  исчерпание числа поколений, отпущенных на эволюцию;

·  исчерпание времени, отпущенного на эволюцию.

Генетические алгоритмы служат, главным образом, для поиска решений в многомерных пространствах поиска.

Недостатки генетических алгоритмов проявляются :

·  когда необходимо найти точный глобальный оптимум;

·  когда время исполнения функции оценки велико;

·  когда необходимо найти все решения задачи, а не одно из них;

·  когда конфигурация является не простой (кодирование решения).

2.4. Вероятностные вычисления. Вероятностная машина Тьюринга

Вероятностные вычисления — один из подходов в теории вычислительной сложности, в котором программы получают доступ, говоря неформально, к генератору случайных чисел.

Вероятностная машина Тьюринга (ВМТ) — детерминированная машина Тьюринга, имеющая вероятностную ленту. Переходы в ВМТ могут осуществляться с учетом информации, считанной с вероятностной ленты.

Вероятностная лента — бесконечная в одну сторону последовательность битов, распределение которых подчиняется некоторому вероятностному закону (обычно считают, что биты в различных позициях независимы и вероятность нахождения  или  в каждой позиции равна ).
Используя тезис Черча-Тьюринга, ВМТ можно сопоставить программы, имеющие доступ к случайным битам. Обращение к очередному биту можно трактовать как вызов специальной функции random(). При этом также будем предполагать, что вероятностная лента является неявным аргументом программы или ВМТ, т. е. , где  — вероятностная лента.

Введем вероятностное пространство , где пространство элементарных исходов  — множество всех вероятностных лент,  — сигма-алгебра подмножеств ,  — вероятностная мера, заданная на . Будем считать, что  порождена событиями, зависящими лишь от конечного числа бит вероятностной ленты (то есть существующими в дискретных вероятностных пространствах). Покажем, что любой предикат от ВМТ является событием.

Теорема:

Пусть  — ВМТ. Тогда для любых  и  — предиката от  выполняется , т. е.  измеримо.

Доказательство:

, где  прочитала ровно  первых символов с . Это верно, поскольку мы рассматриваем только завершающиеся ВМТ. Кроме того, из определения  следует, что они дизъюнктны.  как зависящие от  первых битов вероятностной ленты,  — префикс .  как счетное объединение событий, при этом из их дизъюнктности следует, что .

Недостатком вероятностных вычислений является то, что эффективными будут только полиномиальные алгоритмы.

Заключение

Главной особенностью мягких вычислений является то, что в отличие от традиционных (жестких) вычислений, они приспособлены к неточности реального мира. Основным принципом мягких вычислений является: «терпимость к неточности, неопределенности и частичной истинности для достижения удобства манипулирования, робастности (малое изменение выхода замкнутой системы управления при малом изменении параметров объекта управления), низкой стоимости решения и лучшего согласия с реальностью». Исходной моделью для мягких вычислений служит человеческое мышление.

Мягкие вычисления не являются отдельной методологией. Это объединение различных направлений. Главными компонентами в этом объединении являются нечеткая логика, нейрокомпьютинг, генетические вычисления и вероятностные вычисления с более поздним включением хаотических систем, сетей доверия и разделов теории обучения.

На мой взгляд «мягкие вычисления» весьма перспективная отрасль. В будущем, я надеюсь, именно на основе нее будет возможно создание полноценного искусственного интеллекта (с полной непредсказуемостью, как у среднестатистического человека).

Список использованной литературы

1.  http://ru. wikipedia. org/wiki/Мягкие_вычисления

2.  http://www. conf-ulstu. ru/nam_13.php

3.  http://www. fuzzyfly. chat. ru/

4.  http://www. osp. ru/os/1998/04/179534/

5.  http://ru. wikipedia. org/wiki/Генетические_алгоритмы

6.  http://neerc. ifmo. ru/wiki/index. php

Проекты по теме:

Поиск

Вики

Архив

Основные порталы (построено редакторами)

Домашний очаг Дом • Дача • Садоводство • Дети • Активность ребенка • Игры • Красота • Женщины • (Беременность) • Семья • Хобби Здоровье: • Анатомия • Болезни • Вредные привычки • Диагностика • Народная медицина • Первая помощь • Питание • Фармацевтика История: СССР • История России • Российская Империя Окружающий мир: Животный мир • Домашние животные • Насекомые • Растения • Природа • Катаклизмы • Космос • Климат • Стихийные бедствия Справочная информация Документы • Законы • Извещения • Утверждения документов • Договора • Запросы предложений • Технические задания • Планы развития • Документоведение • Аналитика • Мероприятия • Конкурсы • Итоги • Администрации городов • Приказы • Контракты • Выполнение работ • Протоколы рассмотрения заявок • Аукционы • Проекты • Протоколы • Бюджетные организации Муниципалитеты • Районы • Образования • Программы Отчеты: • по упоминаниям • Документная база • Ценные бумаги Положения: • Финансовые документы Постановления: • Рубрикатор по темам • Финансы • города Российской Федерации • регионы • по точным датам Регламенты Термины: • Научная терминология • Финансовая • Экономическая Время: • Даты • 2015 год • 2016 год Документы в финансовой сфере • в инвестиционной • Финансовые документы - программы

Техника Авиация • Авто • Вычислительная техника • Оборудование • (Электрооборудование) • Радио • Технологии • (Аудио-видео) • (Компьютеры) Общество Безопасность • Гражданские права и свободы • Искусство • (Музыка) • Культура • (Этика) • Мировые имена • Политика • (Геополитика) • (Идеологические конфликты) • Власть • Заговоры и перевороты • Гражданская позиция • Миграция • Религии и верования • (Конфессии) • Христианство • Мифология • Развлечения • Масс Медиа • Спорт (Боевые искусства) • Транспорт • Туризм Войны и конфликты: Армия • Военная техника • Звания и награды Образование и наука Наука: Контрольные работы • Научно-технический прогресс • Педагогика • Рабочие программы • Факультеты • Методические рекомендации • Школа • Профессиональное образование • Мотивация учащихся Предметы: Биология • География • Геология • История • Литература • Литературные жанры • Литературные герои • Математика • Медицина • Музыка • Право • Жилищное право • Земельное право • Уголовное право • Кодексы • Психология (Логика) • Русский язык • Социология • Физика • Филология • Философия • Химия • Юриспруденция

Мир Регионы: Азия • Америка • Африка • Европа • Прибалтика • Европейская политика • Океания • Города мира Россия: • Москва • Кавказ • Регионы России • Программы регионов • Экономика Бизнес и финансы Бизнес: • Банки • Богатство и благосостояние • Коррупция • (Преступность) • Маркетинг • Менеджмент • Инвестиции • Ценные бумаги: • Управление • Открытые акционерные общества • Проекты • Документы • Ценные бумаги - контроль • Ценные бумаги - оценки • Облигации • Долги • Валюта • Недвижимость • (Аренда) • Профессии • Работа • Торговля • Услуги • Финансы • Страхование • Бюджет • Финансовые услуги • Кредиты • Компании • Государственные предприятия • Экономика • Макроэкономика • Микроэкономика • Налоги • Аудит Промышленность: • Металлургия • Нефть • Сельское хозяйство • Энергетика Строительство • Архитектура • Интерьер • Полы и перекрытия • Процесс строительства • Строительные материалы • Теплоизоляция • Экстерьер • Организация и управление производством