|
27 [101]. Как и ЭС, здесь не существует начального отбора: каждый родитель генерирует только одного потомка. Из генетических операторов присутствует только мутация. В итоге: лучшие Р индивидуумов среди родителей и потомков становятся родителями следующего поколения. В более поздних публикациях было предложено использовать самоадаптирующуюся мутацию с нормальным отклонением для вещественных генов, использование турнирного отбора. Помимо указанных, к эволюционным алгоритмам относятся малораспространенные на текущий момент и не рассматриваемые в данной работе «спиновые стекла», «сайзеры» и др. [101] Укажем основные достоинства и недостатки эволюционных алгоритмов в контексте формирования ИИТ. Достоинства: 1. ЭА осуществляют поиск не путем улучшения одного решения, а путем рассмотрения сразу нескольких альтернатив на множестве возможных решений [122]; 2. ЭА применяют не детерминированные, а вероятностные правила анализа оптимизационных задач [112]; 3. ЭА некритичны к виду параметров исследуемых систем: имеется возможность использования экспертной, эмпирической, неточной и неопределенной информации [38]; 4. при использовании ЭА есть возможность работы с нелинейностями [6]; 5. имеется возможность быстрой корректировки получаемых решений [28]; 6. ЭА имеют высокие адаптационные свойства при решении сложных проблем [28, 101]. Недостатки: 1. возможность получения неоднозначного результата за счет использования механизма случайности при генерации новых решений [101]; 2. высокая зависимость качества принимаемого решения от способа реализации генетических операторов и стратегии поиска экстремума [48]; |
39 Основным недостатком ЭС является необходимость проведения преобразования «фенотип —генотип», что затрудняет их использование. Эволюционное программирование (ЭПг) первоначально разрабатывалось как эволюция состояний конечного автомата в пространстве фенотипа [132]. Как и ЭС, здесь не существует начального отбора: каждый родитель генерирует только одного потомка. Из генетических операторов присутствует только мутация. В итоге: лучшие Р индивидуумов среди родителей и потомков становятся родителями следующего поколения. В более поздних публикациях [131] было предложено использовать самоадаптирующуюся мутацию с нормальным отклонением для вещественных генов, использование турнирного отбора. Помимо указанных, к эволюционным алгоритмам относятся малораспространенные на текущий момент и не рассматриваемые в данной работе —«спиновые стекла», «сайзеры» и др. [95] Укажем основные достоинства и недостатки эволюционных алгоритмов в контексте эволюционного проектирования. Достоинства: 1) ЭА осуществляют поиск не путем улучшения одного решения, а путем рассмотрения сразу нескольких альтернатив на множестве возможных решений; 2) ЭА применяют не детерминированные, а вероятностные правила анализа оптимизационных задач; 3) ЭА некритичны к виду параметров исследуемых систем: имеется возможность использования экспертной, эмпирической, неточной и неопределенной информации; 4) при использовании ЭА есть возможность работы с нелинейностями; 5) с ЭА имеется возможность быстрой корректировки получаемых решений; 6) ЭА имеют высокие адаптационные свойства при решении сложных проблем. 40 Недостатки: 1) возможность получения неоднозначного результата за счет использования механизма случайности при генерации новых решений. 2) высокая зависимость качества принимаемого решения от способа реализации генетических операторов и стратегии поиска экстремума. 3) невысокая точность получаемых результатов оптимизации. 4) ЭА на основе эволюции Дарвина являются «полуслепыми»: мутации малы и носят стохастический характер; кроссинговер, является случайной рекомбинацией двух или более решений [164]. В данном случае при создании нового индивида практически не используются знания предыдущих поколений, по сути, эволюция осуществляется методом проб и ошибок, запущенным параллельно. Исходя из проведенного анализа, можно утверждать об эффективности эволюционных алгоритмов при решении задач оптимизации многопараметрических функций со сложным ландшафтом функции пригодности, что является одним из основных этапов эволюционного проектирования. В то же время для устранения указанных недостатков представляется перспективным разработка ГА на основе других теорий эволюции, имеющих следующие особенности: а) использование опыта предыдущих поколений (элементы теории финализма); б) уменьшение влияние компоненты случайности (элементы теории номогенеза); в) изменения действий ГА в зависимости от текущего состояния популяции (элементы теории макроэволюции). 50 Таблица 1.3. Сравнительный анализ различных информационных технологий Технология Достоинства Недостатки Нейронные сети 1.Способность к обучению. 2.Стандартныерешения нестандартных задач. 3. Возможность прогнозирования и быстрой корректировкипрогнозапри получении новыхданных. 4. Возможностьработыснеточностью, неопределенностью. 5. Возможностьработыснелинейностью. 6.Высокая эффективность программного обеспечения напараллельных ЭВМ. 7.Возможностьработыобученной НСв реальноммасштабе времени._______ 1. Отсутствие объяснительной компоненты. 2. Большое время обучения. 3. Трудность формированиятопологии нейронной сети, адекватной решаемойзадаче. 4. Необходимостьдостаточной представительности обучающей выборки. 5. Эвристичность параметров алгоритмов обучения различных типов НС. Методы теории исследования операций 1. Высокая эффективностьрешения задачматематического моделирования. 2. Возможность работывреальном масштабе времени. 3. Возможность решениязадач оптимизации. 1. Отсутствиеспособности к обучению. 2. Невозможностьработыс неопределенностью, неточными данными, нелинейностью. 3. Сложностьпредставления знаний и примененияэкспертныхзнаний. Эволюционное моделирование и генетические алгорит1мы 1. Быстрая сходимость алгоритма при решениизадачоптимизации. 2. Некритичность квидупараметров исследуемых систем: возможность использования неопределенной и неточной экспертной информации. 3. Возможность работыс нелинейностью. 4. Возможность быстрой корректировки получаемых решении. 5. Высокие адаптационные свойства при решении сложных проблем.________ 1. Возможность получения неоднозначного результатаза счет механизмаслучайности при генерации новых решений. 2. Высокая зависимость качества решения от способареализации генетических операторов и стратегии поиска экстремума. 3. Невысокая точность получаемых результатов оптимизации. СИИ, построенные на основе класси1. Простотапредставления знаний. Возможность использования экспертных знаний. 2. Возможность объяснения результатов вывода. ческой логики 1. Отсутствиеспособности обучения. 2. Невозможностьработыс неопределенностью, неточными данными, нелинейностью. 3. Невозможностьполучения оптимальныхрешений. 4. Отсутствиевозможностиработыв реальноммасштабе времени. Системы на основе нечеткой 1ЛОГИКИ 1. Простотапредставления знаний. Возможность использования экспертныхзнаний. 2. Возможность нечеткого задания параметров исследуемого объекта. объяснения3. Возможность результатов вывода. 4. Работаснелинейностьюи неопределенностью. 5. Работа вреальноммасштабе времени. 1. Трудностьформирования правили функцийпринадлежности экспертом. 2. Трудностьпроверки на непротиворечивостьбазызнаний приполучении новыхзнаний. 3. Отсутствие возможности обучения. 4. Отсутствиевозможности оптимизации получаемых результатов_________________ |