Интеллектуальные информационные системы. Дубровин А.Д. - 169 стр.

         Рассмотрим пример. Осмотрев достаточно большую группу людей (m = 1000),
фактический рост которых был в пределах значений от 150 до 195 см., эксперт должен был
отнести каждого к одной из трех категорий роста (малый, средний или большой).
В результате оказалось, что к нечеткому множеству (НМ) «малый рост» были отнесены
люди ростом от 150 до 172 см., к НМ «средний рост» - люди с ростом 170-182 см. и к НМ
«высокий рост» - люди с ростом 180-195 см. При этом оказалось, что в первое НМ попали
200, во второе – 700 и в третье – 200 человек. Очевидно, что, пользуясь нечеткими
категориями и не располагая измерительным прибором, эксперт «создал» три нечетких
множества, каждое из которых содержит элементы, «компромиссного» свойства.
        Теория нечетких множеств разработала эффективный математический аппарат для
вычисления параметров нечетких множеств и отношений между ними, и самое главное –
механизм нечетких логических выводов (то есть - решений) на основе отношений нечетких
множеств. Этот аппарат нашел достойное применение в экспертных системах. С его
помощью можно получать приемлемые по эффективности решения целого класса задач,
условия которых и постановки могут быть сформулированы только на основе нечетких
множеств, а таких задач, решить которые точными методами невозможно, на практике
оказалось достаточно много.
        На основе теории нечетких множеств и нечеткой логики возникла и развилась в
довольно стройную методику концепция мягких вычислений. С ее созданием
материализуется технологическая цепочка, которая, по всей видимости, завершится
созданием вычислительных автоматов шестого поколения – компьютеров нечетких
вычислений: «теория нечетких множеств → нечеткие модели → нечеткие системы →
нечеткие программы → компьютер нечетких вычислений».
        Модели нечеткого вывода оказались удобными для реализации сверх больших
интегральных схем (СБИС) в процессорах логических устройств, позволяющих делать более
10 7 логических выводов в секунду. Дальнейшее развитие аппаратной базы нечетких
логических устройств в совокупности с нейронными сетями и алгоритмами оптимального
поведения и эволюции, заимствованными у живых систем и организмов, приведет к первым
успехам в создании технологии мягких вычислений и систем вычислительного интеллекта.


 7.5.2. Эволюционное моделирование.

      Как уже отмечалось в разделе 1.5 (Тема 1), эволюционное моделирование часто
использует выработанные природой алгоритмы целесообразного поведения и выживания в
условиях жесткой конкуренции, связанной с антагонизмом жизненно важных целей разных
видов живых организмов.
      Методы эволюционного моделирования применяются тогда, когда ту или иную
задачу, возникшую на практике, не удается сформулировать так, чтобы ее решение могло
быть получено аналитическим методом. Иногда случается и так, что существует
аналитическое решение задачи, но реализация его даже на самых быстрых машинах
неприемлема для системы управления сложным аппаратом в реальном времени. В таких
случаях задача может быть решена с помощью алгоритма, заимствованного у природы.
       Далеко не все научные школы признают наличие эволюции и, тем более,
«всепригодность» эволюционных методов. Но даже те, кто считают учение об эволюции
живой природы ошибочным, не могут утверждать, что эволюционные алгоритмы как
аналоги процессов, происходящих в живой природе, - неверны. Более того, мы все чаще
убеждаемся в том, что они находят огромное применение в современной науке и технике, и
показывают подчас просто поразительные результаты.
       Основные принципы эволюционной теории, сформулированные и доказанные
Чарльзом Дарвином, состоят в следующем :


                                                                                  204