Модель биологического нейрона

Дендриты – вход нейрона (прием) входящих импульсов)

Сома – тело нейрона (отвечают за обработку входящих импульсов)

Аксон – выход нейрона (через него передается обработанный импульс)

Синапсы (м/у дендритами и аксонами других нейронов) – регулирование (вверх, вниз) входящих импульсов; расставляют приоритеты входящих сигналов

Вес синапса – сила, способность регулировать входящих импульс.

Если суммарный импульс в соме превышает ее пороговое значение, то нейрон активизируется.

Математическая модель искусственного нейрона.

Сома

х – суммарный импульс

х1, х2, х3 – исходные данные, поступившие в нейронную сеть

w1, w2, w3 – коэффициенты, играют роль весов синапса

f(x) - функция активации (передаточная функция)

Матем. Процесс:

1 а – пороговое значение

х = x1*w1 + x2*w2 + x3*w3

2. Если х>a то нейрон расчитывает функции активации и передают импульс дальше

Обучение нейросети.

Для того чтобы нейросеть начала работать (решать задачи), необходимо выполнить два этапа:

выбрать архитектуру нейросети;

обучить нейросеть (подобрать веса).

Обучение нейросети осуществляется по принципу обратной связи.

Обучить нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту.

Для обучения подбирается ряд успешных примеров решения поставленной задачи. Примеры включают исходные данные и ответы, которые мы бы хотели получать от нейросети.

Количество необходимых примеров зависит от сложности задачи. Одно из простейших эвристических правил гласит, что число примеров должно быть в десять раз больше числа связей в сети. Для большинства реальных задач бывает достаточно нескольких сотен или тысяч примеров.

Генетические алгоритмы – понятие, причины возникновения.

ГА –алгоритмы решения задач оптимизации имитирующие процессы биологической эволюции. Методы решения задач оптимизации: Переборный – перебираем все допустимые или возможные варианты решения и выбираем наилучший, с точки зрения критериев. Градиентный – задается начальная точка, затем осуществляется поиск направления, в котором нужно двигаться, чтобы найти лучшее решение (надстройка «поиск решения»).

Модель биологической эволюции, кроссинговер.

Эволюция –процесс оптимизации живых организмов. Оптимизация –приспособление организмов к условиям внешней среды.

Основные механизмы: 1.естественный отбор –наиболее приспособленные имеют больше возможности на выживание, размножение. Сам по себе не обеспечивает эволюцию;2.генетическое наследование -обеспечивает большую приспособленность потомка, чем естественный отбор.

Кроссинговер –процесс обмена участками ДНК, обеспечивает разнообразие внутри вида.

Кроссинговер (от англ. crossingover), перекрест, взаимный обмен участками парных хромосом, происходящий в результате разрыва и соединения в новом порядке их нитей; приводит к перераспределению (рекомбинации) сцепленных генов. Т. о., Кроссинговер — важнейший механизм, обеспечивающий комбинаторную изменчивость, а следовательно, — один из главных факторов эволюции.

13.Схема генетических алгоритмов:

1. Создание начальной популяции

 

2. Выбор родителей

 

3. Размножение

 

4. Мутация потомства

 

5. Оценка приспособленности

 

6. Отбор (редукция)

 

1. Анализ (цель достигнута?)

 

Да Нет

Конец

Пример поиска глобального экстремума функции с помощью ген. алгоритма.

(ЛЕКЦИЯ)

Агенты, свойства.

Агенты –это компьютерные программы, которые самостоятельно решают поставленные пользователем задачи. Агенты (с лат. – вести, действовать.)

Свойства агентов:

1)Реактивность (реакции) - агенты воспринимают и реагируют на окружающую среду. Восприниматели: изображение через видеокарту, через клавиатуру, общая память.

2)Автономность – для создания самозапуска не нужно вмешательство пользователя.

3)Целенаправленность - агент имеет глобальную цель для достижения. Для достижения сущ-щей локальной цели.

4)Непрерывность функционирования - агент нах-ся в исполняемом процессе

5)Коммуникативность - агент может общаться с другими агентами, людьми; общение, запрос.

6)Обучаемость (адаптивность) - агенты обучаются на основании предыдущих действий и результатов, полученных действий. Результатами яв-ся нейронные сети

7)Мобильность - агент перемещается по сети

8)Гибкость - поведение агента яв-ся непростым выбирает одно из альтернативных вариантов поведения.