|
31 Таблица 1.2. Сравнительный анализ иш юрмационных технологий Технология Достоинства Недостатки НС Способность к обучению. Стандартные решения нестандартных задач. Возможность прогнозирования и быстрой корректировки прогноза при получении новых данных. Возможность работы с неточностью, неопределенностью. Возможность работы с нелинейностью. Высокая эффективность программного обеспечения на параллельных ЭВМ. Возможность работы обученной НС в реальном масштабе времени. Отсутствие объяснительной составляющей. Большое время обучения. Трудность формирования топологии нейронной сети, адекватной решаемой задаче. Необходимость достаточной представительности обучающей выборки. Эвристичность параметров алгоритмов обучения различных типов НС. ГА Быстрая сходимость алгоритма при решении задач оптимизации. Некритичность к виду параметров исследуемых систем: возможность использования неопределенной и неточной экспертной информации. Возможность работы с нелинейностью. Возможность быстрой корректировки получаемых решений. Высокие адаптационные свойства при решении сложных проблем. Возможность получения неоднозначного результата за счет механизма случайности при генерации новых решений. Высокая зависимость качества решения от способа реализации генетических операторов и стратегии поиска экстремума. Невысокая точность получаемых результатов оптимизации. нл Простота представления знаний: Возможность использования экспертных знаний. Возможность нечеткого задания параметров исследуемого объекта. Работа с нелинейностью и неопределенностью. Работа в реальном масштабе времени. Трудность формирования правил и функций принадлежности экспертом. Трудность проверки на непротиворечивость базы знаний при получении новых знаний. Отсутствие возможности обучения. Отсутствие возможности оптимизации получаемых результатов Основные методы поиска и анализа решений во многом определяются’ типом задаваемой исходной информации. Для определения способов реализаА ции гибридных моделей выделим два типа архитектур [48]: а) комплексная^ архитектура, состоящая из нескольких взаимодействующих моделей, каждая из-которых выполняет "свою" функцию; б) архитектура, в. которой модели объединяются на уровне методов на отдельных стадиях ■реализации основных алгоритмов. Для создания гибридных моделей первого типа необходимо исследовать недостатки каждой из технологий и определить пути интеграции для устране |
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_________________ 52 каждой из отдельных компонент гибридных моделей, необходимо решать ряд внутренних проблем, связанных с их недостатками, но совместное их использование при решении общей задачи позволяет компенсировать их недостатки и усилить достоинства (получить заметный синергетический эффект). При создании гибридных моделей необходимо учитывать следующие факторы [158]: назначение системы; методы поиска и анализа альтернативных вариантов решений; особенности реализации. В частности, назначение САПР определяется решаемыми задачами, перечисленными выше. Основные методы поиска и анализа решений во многом определяются типом задаваемой исходной информации, представленной в базах данных, базах знаний экспертных знаний и т.д. Для определения способов реализации гибридных моделей выделим два типа архитектур [2]: а) комплексная архитектура, состоящая из нескольких взаимодействующих моделей, каждая из которых выполняет "свою" функцию; б) архитектура, в которой модели объединяются на уровне методов на отдельных стадиях реализации основных алгоритмов. Для создания гибридных моделей первого типа необходимо исследовать недостатки каждой из технологий и определить пути интеграции для устранения этих недостатков, причем внутренняя структура моделей остается неизменной. Создание второго типа моделей требует более глубокого исследования алгоритмов функционирования каждой из моделей для определения способа реализации отдельных функций на основе более прогрессивных технологий. В настоящее время более исследованным классом являются модели второго типа. Гибридизация нейросетевых и нечетких систем рассмотрена в работах [55, 99, 112, 119, 146, 148, 151, 158], в которых приведены примеры нейросетевых нечетких систем, реализующих вывод в нечеткой базе знаний с помощью архитектуры ANFIS (Adaptive Neuro-Fuzzy Inference System), и примеры нечетких нейронных сетей, в которых отдельные элементы НС являются нечеткими (например, нейроны). Гибридизация нейронных сетей и |