Методы искусственного интеллекта в робототехнике (2 варианта) (1088971), страница 6
Текст из файла (страница 6)
Другие типовые приложения нейронных сетей охватываютзадачи распознавания, классификации, анализа и сжатия образов.Модель нейрона:В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Синапсыосуществляют связь между нейронами и умножают входной сигнал на число, характеризующее силу связи,— вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от другихнейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функциюодного аргумента — выхода сумматора. Эта функция называется функцией активации или передаточнойфункцией нейрона.
Нейрон в целом реализует скалярную функцию векторного аргумента. Математическаяnмодель нейрона описывается соотношениями:s wi xi b , y=f(s), где wi — вес синапса, (i = 1...n); s —i 1значение смещения; s — результат суммирования; xi — компонент входного вектора (входной сигнал), (i =1...n); у — выходной сигнал нейрона; п — число входов нейрона; f — нелинейное преобразование (функцияактивации или передаточная функция).Структурная схема сети Хопфилда. Она состоит из единственного слоя нейронов, число которых являетсяодновременно числом входов и выходов сети. Каждый нейрон связан синапсами со всеми остальными нейронами, а также имеет один входной синапс, через который осуществляется ввод сигнала. Выходныесигналы, как обычно, образуются на аксонах.Настройка сетей Хопфилда для решения некоторой задачи распадается на этапы:1. Построить функцию энергии таким образом, чтобы точка глобального минимума этой функции совпадалас решением задачи.
При этом градиент функции энергии должен допускать вычисление с помощью НС.2. Записать формулы для расчета параметров сети (весовых коэффициентов и пороговых уровней) длярасчета градиента функции энергии.3. Разорвать цепочку обратной связи и предъявить сети входной вектор. Рассчитать значения выходов.4. Замкнуть обратную связь и предоставить сети возможность самостоятельно менять своесостояние(релаксация). Остановить процесс релаксации после того, как выходной векторперестанет меняться, т.е. подостижении минимума функции энергии. Полученные выходы сети дают решение задачи.Нейронная сеть Хопфилда реализует ассоциативную память.Структурная схема сети РумельхартаМногослойный перцептрон Румельхарта — частный случай перцептрона Розенблатта , в котором одиналгоритм обратного распространения ошибки обучает все слои.
Особенностью является наличие более чемодного обучаемого слоя (как правило - два или три, для применения большего числа на данный момент нетобоснования, теряется скорость без приобретения качества).Алгоритм настройки (обратное распространение ошибки):1. Весам сети присваиваются небольшие начальные значения.2. Выбирается очередная обучающая пара (X, Y) из обучающего множества; вектор X подается на входсети.3. Вычисляется выход сети.4. Вычисляется разность между требуемым (целевым, Y) и реальным (вычисленным) выходом сети.5. Веса сети корректируются так, чтобы минимизировать ошибку (сначала веса выходного слоя, затем,с использованием правила дифференцирования сложной функции и отмеченного своеобразноговида производной сигмоидальной функции, — веса предыдущего слоя и т.
п.).6. Шаги со 2-го по 5-й повторяются для каждой пары обучающего множества до тех пор, пока ошибкана всем множестве не достигнет приемлемой величины.Модель обучения «с учителем»: в процедуре обучения требуется подобрать весовые коэффициенты связей ивеличины изменяемых параметров нейронов таким образом, чтобы получить желаемое функционирование(преобразование) НС. Обычно желаемое функционирование НС задается с помощью обучающей выборки,которая состоит из примеров.
Входной вектор и соответствующий ему желаемый выходной векторназываются примеромМодель обучения «без учителя». Процесс обучения, как и в случае обучения с учителем, заключается в подстройке весов синапсов. Очевидно, что подстройка синапсов может проводиться только наосновании информации, доступной в нейроне, то есть информации о его состоянии, уже имеющихсявесовых коэффициентах и поданном входном векторе X. Исходя из этого и, что более важно, по аналогии сизвестными принципами самоорганизации нервных клеток, построены алгоритмы обучения Хебба иКохонена. Общая идея данных алгоритмов заключается в том, что в процессе самообучения путемсоответствующей коррекции весовых коэффициентов усиливаются связи между возбужденными нейронами.5. Эволюционноемоделирование.Понятиегенетическогоалгоритма.Основные операции над хромосомами.
Преимущества генетических алгоритмов.Применениегенетическихалгоритмовдлямодернизацииструктуринтеллектуальных систем управления.Моделирование эволюции можно разделить на две категории:1.Системы, которые используют только эволюционные принципы. Они успешно использовались длязадач типа функциональной оптимизации и могут легко быть описаны на математическом языке. Кним относятся эволюционные алгоритмы, такие как Эволюционное программирование,Генетические алгоритмы, Эволюционные стратегии.2.Системы, которые являются биологически более реалистичными, но которые не оказалисьполезными в прикладном смысле.
Они больше похожи на биологические системы и менеенаправлены на решение технических задач. Они обладают сложным и интересным поведением, и,видимо, вскоре получат практическое применение. К этим системам относят так называемуюискусственную жизнь.Генетический алгоритм представляет собой метод, отражающий естественную эволюцию методов решенияпроблем, и в первую очередь задач оптимизации. Генетические алгоритмы - это процедуры поиска,основанные на механизмах естественного отбора и наследования. В них используется эволюционныйпринцип выживания наиболее приспособленных особей.Основные операции над хромосомами:Скрещивание двух (или более) хромосом представляет собой операцию взаимного обмена их составнымичастями. По характеру выполняемой операции следует различать одноточечное и многоточечноескрещивание. В обоих случаях размеры фрагментов, подлежащих перекрестному обмену, определяютсяслучайным выбором точек разрыва в последовательности генов родительских особейМутация - это фоновая операция, производящая случайное изменение в различных хромосомах.Наипростейший вариант мутации состоит в случайном изменении одного или более генов.
В ГА мутацияиграет важную роль для (а) восстановления генов, выпавших из популяции в ходе операции выбора, так чтоони могут быть опробованы в новых комбинациях, (б) формирования генов, которые не были представленыв исходной популяции.Преимущества генетических алгоритмов:1) обрабатывают не значения параметров самой задачи, а их закодированную форму;2) осуществляют поиск решения исходя не из единственной точки, а из их некоторой популяции;3) используют только целевую функцию, а не ее производные либо иную дополнительную информацию;4) применяют вероятностные, а не детерминированные правила выбора.Применение генетических алгоритмов для модернизации структур интеллектуальных систем управленияна примере систем с нечетким регулятором. Используя генетические алгоритмы поиска, предполагаетсянастройка нечеткого регулятора системы на установленный эталонный процесс.
Настройка системыосуществляется путем нахождения оптимального вида термов, расположения функций принадлежности исоставление связующих правил нечеткого регулятора.6. Понятие многоагентной системы. Структура интеллектуального агента.Применение моделей многоагентных систем дляколлективом роботов в робототехнических системах.организацииуправленияОбластью науки, изучающей объекты, самостоятельно определяющие и осуществляющие собственноеповедение, является агентный подход к построению систем. Под агентом будет пониматься самостоятельнаясистема, имеющая возможность принимать воздействие от внешнего мира, определять свою реакцию на этовоздействие и осуществлять эту реакцию. Под интеллектуальным агентом понимается агент, которыйобладает рядом знаний о себе и окружающем мире и целесообразное поведение которого определяетсяэтими знаниями. Восприятие внешнего мира производится посредством рецепторов, воздействие навнешний мир – при помощи эффекторов.
Многоагентная система (МАС, англ. Multi-agent system) — этосистема, образованная несколькими взаимодействующими интеллектуальными агентами. Многоагентныесистемы могут быть использованы для решения таких проблем, которые сложно или невозможно решить спомощью одного агента.Структура интеллектуального агента:Автономные интеллектуальные роботы, функционирующие в экстремальных условиях, т.е. внеопределенных и опасных для человека средах, должны выполнять сложные работы по танспортировке,монтажу, поиску, сбору или уничтожению разных объектов и пр.
Часто требуется совместная работа группыроботов для уменьшения времени решения задачи или охвата большего числа объектов. Последнеенаправление представляется интересным в научном и практическом плане при решении военных задач:охраны группой роботов-охранников закрытых предприятий, военных складов, газопроводов и другихобъектов; разминирование больших площадей группой роботов-саперов; очистка и дезактивациязараженных зон группой роботов-ликвидаторов; уничтожение складов или боевой техники группойроботов-подрывников и пр..
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
