Прикладные интеллектуальные системы, основанные на мягких вычислениях. Ярушкина Н.Г. - 23 стр.

UptoLike

Составители:

Рубрика:

Глава 2. МЯГКИЕ ВЫЧИСЛЕНИЯ

В МОДЕЛИРОВАНИИ СИСТЕМ

2.1. Использование генетических алгоритмов

для параметрической идентификации

моделей

2.1.1. Введение

Возрастающий интерес к искусственным системам, способным поддержи-

вать высокое качество функционирования в условиях неопределенности и

непредсказуемости, со всей очевидностью показал необходимость заимство-

вать механизмы адаптации из биологии, эволюции и генетики для улучшения

поведения синтезируемой системы. Справедливость такого подхода подтвер-

ждается тем фактом, что стандартные модели математического программи-

рования, которые по своей природе также являются искусственными, не все-

гда гарантируют хорошие результаты: быструю реакцию, кратковременный

переходный процесс и высокую точность в установившемся режиме ценой

низких вычислительных затрат.

Многие нестандартные подходы, такие как нечеткие технологии, нейрон-

ные сети и эволюционные вычисления к настоящему времени оформились в

единое направление под названием «Интеллектуальные методы», или «Вы-

числительный интеллект» (ВИ). Последние три десятилетия отмечены воз-

растающим интересом к этой области. Начиная с семидесятых годов прошло-

го столетия, методы ВИ с успехом применяются к большому числу проблем.

Так, совместное использование технологии экспертных систем и нечеткой ло-

гики позволило сократить размер базы данных в десятки раз [1]. Еще один

подход к оптимизации и обучению интеллектуальных систем оказался тес-

но связан с разработкой смешанных технологий нечетких нейронных струк-

тур [2, 3]. Современные программно-инструментальные средства специально-

го назначения позволяют не только имитировать системы во всех деталях на

стадии разработки, но также оценивать эффективность принятых проектных

решений, основанных на той или иной интеллектуальной технологии. На-

пример, пакет прикладных программ WinFACT (Windows Fuzzy and Control