Проверяемый текст
Голубин, Алексей Владимирович; Разработка гибридных интеллектуальных моделей эволюционного проектирования (Диссертация 2006)
[стр. 38]

ностей применения математического аппарата НС для решения любой и каждой конкретной задачи не используется.
Проведенный обзор показывает, что почти все выпускаемые коммерческие программные пакеты, основанные на использовании
нейронных сетей, являются встраиваемыми в другие системы, так что все детали преобразования форматов данных и технологии кодирования, выбора типов сети, алгоритмов обучения, архитектуры сети, способа организации вычислений и т.д.
скрыты
ог пользователя.
Это не позволяет использовать их непосредственно при встраивании в прикладные системы с целью интеграции с другими технологиями.
В существующих гибридных системах интеграция осуществляется только на уровне отдельных модулей.
Хотя это и дает во многих случаях
положительных синергетический эффект, но не позволяет в полной мере использовать возможности заложенных в интегрируемые системы алгоритмов.
Нужна более глубокая интеграция —на уровне методов.

Наиболее известные интегрируемые на уровне методов системы, например,
ИеигоЬазе, ориентированные на опытных программистов, являются специализированными, и алгоритмы, заложенные в них, трудно подстраивать для решения конкретных задач определенной предметной области.
Перспективным может оказаться использование библиотек программирования, реализующих
НС, что позволит расширить возможности приложения за счет интеграции НС с другими методами.
Но закрытость исходных кодов большинства библиотек и слабое документирование усложняют задачу разработки программ на их основе.

Выводы ао главе 1» 1.
Выполнен анализ перспективных направлений развития*ИИТ и показана эффективность использования' нейросетевых и гибридных технологий для повышения эффективности решения прикладных задач.
2.
Показано, что в существующих гибридных системах, используемых в известных пакетах прикладных программ, интеграция осуществляется
[стр. 59]

59 4.
Генетические алгоритмы относятся к алгоритмам случайнонаправленного поиска.
Поэтому программы, реализующие ГА, как правило, не позволяют воспроизводить при новых запусках программы поведение ГА и результаты поиска лучших решений, достигнутые при определенных сочетаниях значений управляющих параметров генетического поиска.
При этом теряется уникальная по сути и ключевая по своей роли информация о поведении самой задачи, отражающая взаимное влияние основных факторов (ГА, данные, общая организация Ш'11).
5.
Разработчики отдельных ГА часто ограничиваются использованием лишь самых распространенных схем ГА и ГО, после чего делают упрощенные выводы о применимости или недостаточно обоснованные выводы-приговоры, касающиеся ГА или самой решаемой задачи.
В то же время весь спектр возможностей применения математического аппарата ГА для решения любой и каждой конкретной задачи не используется.
Проведенный обзор показывает, что почти все выпускаемые коммерческие программные пакеты, основанные на использовании
генетических алгоритмов, являются встраиваемыми в другие системы, так что все детали преобразования форматов данных и технологии кодирования, выбора типов генетических операторов, оценочных функций, способа организации вычислений и т.д.
скрыты
от пользователя.
Это не позволяет использовать их непосредственно при встраивании в прикладные системы с целью интеграции с другими технологиями.
В существующих гибридных системах
интеграция осуществляется только на уровне отдельных модулей.
Хотя это и дает во многих случаях положительных синергетический эффект, но не позволяет в полной мере использовать возможности заложенных в интегрируемые системы алгоритмов.
Нужна более глубокая интеграция —на уровне методов.
Наиболее известные интегрируемые на уровне методов системы, например,
Brainmaker GA Training, Forecaster/GА, ориентированные

[стр.,60]

60 на опытных программистов, являются специализированными, и алгоритмы, заложенные в них, трудно подстраивать для решения конкретных задач определенной предметной области.
Перспективным может оказаться использование библиотек программирования, реализующих
ГА, что позволит расширить возможности приложения за счет интеграции ГА с другими методами.
Но закрытость исходных кодов большинства библиотек и слабое документирование усложняют задачу разработки программ на их основе.

1.6.
Выводы по главе 1 1.
Проанализированы современные тенденции развития САПР, описаны инновационные стратегии и модели проектирования, освещены вопросы применения интеллектуальных технологий в САПР, приведена типовая архитектура интеллектуальной САПР как гибридной интеллектуальной системы, включающей модули обработки знаний и эволюционного проектирования.
2.
Рассмотрено понятие эволюционного проектирования и основные пути его реализации; раскрыта роль ЭП в построении интеллектуальных САПР новых поколений.
3.
Описаны основные теории эволюции ЕС, при этом акцент сделан на недарвиновских теориях эволюции.
4.
Проведен анализ алгоритмов эволюционного моделирования (ГА, ГП, ЭС, ЭПг).
Показана эффективность ГА при решении задач оптимизации многопараметрических функций со сложным ландшафтом функции пригодности.
Для устранения недостатков ГА представляется перспективным разработка ГА на основе различных эволюционных теорий.
5.
Установлено, что построение ГА на основе теории эволюции Ламарка и эффекта Болдуина позволяет устранить ряд недостатков обычного ГА, повысив его эффективность.
Сделан вывод, что в настоящее время в информатике и автоматизированном проектировании используется крайне узкий класс эволюционных теорий эволюции, причем объединяются лишь

[стр.,61]

61 отдельные элементы нескольких теорий.
В интересах развития ЭП представляется необходимым расширение списка теорий эволюции, применяемых в ГА.
Показано, что использование гибридных ГА на основе двух и более теорий эволюции позволяет повысить его эффективность, но слабая проработанность условий запуска той или иной модели эволюции затрудняет применение таких методов.
6.
Показано, что построение гибридных интеллектуальных систем стало ведущей тенденцией современной информатики и разработки САПР.
Построение гибридных моделей на основе ГА позволяет повысить эффективность эволюционного проектирования за счет адаптации к решаемой задачи, уменьшения вычислительной сложности путем определения адекватного критерия останова.
7.
Проведен обзор программных средств, использующих ГА, который показал, что почти все выпускаемые коммерческие программные пакеты, являются встраиваемыми в другие системы, так что все детали преобразования форматов данных и технологии кодирования, выбора типов генетических операторов, оценочных функций, способа организации вычислений и т.д.
скрыты
от пользователя.
В существующих гибридных системах
интеграция осуществляется только на уровне отдельных модулей.
Хотя это и дает во многих случаях
положительный эффект, но в полной мере не позволяет использовать возможности заложенных в интегрируемые системы алгоритмов.
Нужна более глубокая интеграция —на уровне методов.

[Back]