Автоматизированное проектирование ИИТ

Нейросетевые модели. В качестве структуры нейронной сети был взят многослойный персептрон ввиду его широкой распространенности. Обучение данной структуры обычно проводится на основе алгоритма обратного распространения ошибки. Сложность проектирования заключается в исходном выборе количества скрытых слоев и числа нейронов на каждом скрытом слое, структура которых для каждой задачи заранее неизвестна, а также в выборе функций активации нейронов. Недостатками алгоритма обратного распространения ошибки являются низкая скорость сходимости, чувствительность к шуму, зависимость качества функционирования от эвристики шага обучения, и, как правило, недостижение глобально экстремума ошибки моделирования в виду ее сложности [Уоссермен, 1992].

Для преодоления упомянутых проблем предлагается применить генетические алгоритмы для генерирования структуры персептрона и настройки его весовых коэффициентов.

Изначально исследователем задается максимальный размер сети, т. е. максимальное количество скрытых слоев и максимальное количество скрытых нейронов на каждом слое. Структура сети кодируется в бинарную строку при последовательном проходе по каждому нейрону. Первый бит отдельного нейрона определяет его наличие или отсутствие в сети. Остальные биты определяют вид активационной функции (4 бита — набор из 8 активационных функций, 5 бит — из 16). Аналогично кодируются весовые коэффициенты.

Таким образом, необходимо сгенерировать популяцию индивидов, представляющих структуры нейронной сети, и для каждой структуры — отдельную популяцию весовых коэффициентов. Условием останова является либо число поколений структуры, либо ошибка моделирования (обычно, среднеквадратичная).

Системы на нечеткой логике. При проектировании нечетких систем эксперт сталкивается с проблемой выбора исходных нечетких правил, набор которых может оказаться неполным или противоречивым. Выбор параметров функций принадлежности, описывающих входные и выходные переменные объекта, происходит субъективно и может некорректно отображать реальную действительность [Круглов и др., 2001].

Поэтому для повышения обоснованности принятия решений при проектировании нечетких систем были применены ГА. Кодирование битовой строки происходит следующим образом. Вначале кодируются входные параметры функций принадлежности, далее — выходные параметры и в конце строки добавляется на каждую входную переменную терм «игнорирования», позволяющий управлять как размером базы правил (общее количество правил), так и ее длиной (количество условий в антецеденте). Априори исследователю необходимо задать максимальное количество правил.

Нейро-нечеткие системы. Процесс генерирования нейро-нечетких моделей происходит в два этапа [Castellano et al., 2000], [Castellano et al., 2001]. Первый этап («обучение без учителя») заключается в кластеризации исходных числовых данных методами конкурентного обучения с механизмом штрафования соперника, алгоритмом адаптивной резонансной теории или др., после чего получаем «грубые» нечеткие правила. Второй этап («обучение с учителем») состоит в «тонкой» настройке базы правил (семантики лингвистических термов) на основе градиентных алгоритмов, недостатки которых широко известны и препятствуют эффективному использованию нейро-нечетких систем. Поэтому в работе применяется ГА, эффективность использования которого на практических задачах показана в [Шабалов, 2009], [Шабалов, 2010] и превосходит метод наискорейшего спуска.