Transcript
1. Współczesne generacje technologii komputerowych. Generacje
Technologia
Przetwarzanie szeregowe Przetwarzanie wiedzy
Przetwarzanie równoległe
0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej skali integracji (LSI) 4. Układy bardzo dużej skali integracji (VLSI) 5. Układy VLSI przetwarzające wiedzę 6. Technologie optyczne i hybrydowe (neurokomputery) 7. Komputery molekularne
Architektura przetwarzania
17 . Aproksymacja lingwistyczna. Kwantowanie przestrzeni wartości w rozmytych systemach ekspertowych.
Podstawą zdefiniowania zbioru wartości zmiennej jest określenie tzw. terminów podstawowych (pierwotnych). Na ich podstawie tworzone mogą być zbiory rozmyte opisujące terminy złożone, definiowane za pomocą operatorów działań na zbiorach rozmytych oraz modyfikatorów kształtu. Proces kolejnego przekształcania terminów pierwotnych, poprzez zastosowanie modyfikatorów, tak aby wynikowy zbiór rozmyty w jak najlepszy sposób opisywał modelowane pojęcie nazywamy aproksymacją lingwistyczną.
17 b . Aproksymacja lingwistyczna. Kwantowanie przestrzeni wartości w rozmytych systemach ekspertowych.
Typowym sposobem tworzenia terminów pierwotnych dla poszczególnych zmiennych tworzonego systemu jest równomierne kwantowanie przestrzeni wartości. Polega ono na podzieleniu tej przestrzeni na określoną liczbę zbiorów rozmytych o jednakowej szerokości. Kwestia wyboru liczby i funkcji przynależności terminów pierwotnych musi być przedmiotem konsultacji budowniczego systemu z ekspertem. W przypadku, gdy brak jest dostatecznej wiedzy dla bezpośredniego określenia terminów pierwotnych, możliwe jest otrzymanie funkcji przynależności na podstawie analizy obserwacji zachowania modelowanego systemu.
18. Proces defuzyfikacji we wnioskowaniu rozmytym.
Proces wnioskowania z wykorzystaniem reguł rozmytych daje w wyniku rozmytą wartość zmiennej wyjściowej. W wielu przypadkach niezbędna jest jej zamiana na wartość dokładną. Wyznaczanie dokładnej wartości zmiennej określonej za pomocą zbioru rozmytego nazywamy wyostrzaniem lub defuzyfikacją. Defuzyfikacja przeprowadzana jest zwykle za pomocą jednej z dwóch metod: - środka obszaru (metoda centroidu - COA), lub średniej maksymalnej (MOM). Metoda COA polega na znalezieniu środka ciężkości zbioru rozmytego; metoda MOM natomiast polega na wyznaczeniu środka obszaru o największej przynależności.
25. Rekurencyjne warianty Sztucznych Sieci Neuronowych. W topologii sieci rekurencyjnych dopuszcza się zastosowanie połączeń wstecznych. Sygnał wyjściowy z dowolnej jednostki może być przekazany również (bezpośrednio lub za pośrednictwem innych neuronów) na jej wejście. Stan neuronu staje się więc zależny nie tylko od wartości sygnału wejsciowego, ale również od przeszłego stanu dowolnej jednostki, nie wykluczając tego właśnie neuronu. Najprostszym przykładem jest tu modyfikacja jednokierunkowej sieci typu wstecznej propagacji przez dodanie w warstwie wejściowej jednostek tzw. kontekstu.
27. Cztery podstawowe założenia idei Algorytmów Getycznych. 1.Rozwiązania zakodowane są w postaci łańcuchów binarnych o stałej długości; natomiast populacja rozwiązań zachowuje stałą liczność w całym algorytmie. 2.Krzyżowanie rozwiązań angażuje dwa rozwiązania rodzicielskie, dając w efekcie dwa rozwiązania potomne, w których zachowana jest pozycja bitów. 3.Selekcja rozwiązań wykorzystuje mechanizm koła ruletki; przestrzegana jest przy tym zasada wymiany całej populacji rozwiązań w kolejnych krokach algorytmu.
4.Prawdopodobieństwo mutacji wyraża prawdopodobieństwo zdarzenia, że pozycja bitu w łańcuchu binarnym, reprezentującym zakodowaną postać rozwiązania, w kolejnej populacji, zostanie poddana przekształceniu zmiany wartości.
28. Podstawowe kroki typowego Algorytmu Genetycznego.
1. Losowe ustalenie populacji inicjującej algorytm. 2. Oszacowanie wartości funkcji przystosowania dla wszystkich chromosomów, po zdekodowaniu ich do formy dogodnej do oszacowania i przydzieleniu wartości funkcji przystosowania (dopasowania). 3. Dokonanie selekcji chromozomów rodzicielskich dla następnej generacji. 4. Powtarzanie operacji: krzyżowania, mutacji, oszacowania wartości funkcji przystosowania, selekcji chromosomów rodzicielskich dla kolejnych generacji, dopóki nie zostanie spełnione kryterium zatrzymania algorytmu.
29. Strategie Ewolucyjne - istota i zastosowania. Strategie ewolucyjne, są stosowane głównie do numerycznej optymalizacji projektów inżynierskich. Strategie ewolucyjne różnią się od algorytmów genetycznych następującymi cechami: - reprodukcja jest dokonywana w sposób deterministyczny, - wprowadzono inną koncepcję mutacji, - parametr charakteryzujący mutację wchodzi w skład chromosomu i podlega również ewolucji, zatem strategia ewolucyjna samoczynnie adaptuje własny parametr wewnętrzny (cechy tej nie ma algorytm genetyczny), -operator krosowania jest operatorem ubocznym i często nie jest wykorzystywany. Są one używane wszędzie tam, gdzie rozwiązanie trudno jest przewidzieć albo gdy funkcja jest trudna do optymalizacji przy użyciu metod klasycznych. Zaletą takiego podejścia jest duża uniwersalność, a przy rozwiązywaniu problemu nie wymaga się obecności eksperta.
30. Inteligentne Programowanie Ewolucyjne.
Programowanie ewolucyjne jest w swojej idei zbliżone do koncepcji strategii ewolucyjnych. Obejmuje jednak bardziej złożone problemy związane ze sztuczną inteligencją. W programowaniu ewolucyjnym inteligentne zachowanie rozumiane jest jako zdolność przewidywania relacji pomiędzy środowiskiem a działaniem ukierunkowanym na określony cel. Środowisko zostało w idei programowania ewolucyjnego zasymulowane jako sekwencja symboli wziętych ze skończonego alfabetu. Praktyczną reprezentacją tego typu problemów jest model tak zwanego automatu ze skończoną liczbą stanów.
