Эволюционное обучение искусственных систем
Предложена концепция эволюционного обучения искусственных систем. Сформулировано новое понимание дискретности процесса обучения с учетом принципа ограниченности жизненного цикла искусственной системы. Предложена двухмодульная концепция моделирования искусственных систем, состоящих из двух взаимосвяз...
Збережено в:
| Опубліковано в: : | Системні дослідження та інформаційні технології |
|---|---|
| Дата: | 2014 |
| Автор: | |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
2014
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/85464 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Эволюционное обучение искусственных систем / И.Б. Трегубенко // Системні дослідження та інформаційні технології. — 2014. — № 1. — С. 102-112. — Бібліогр.: 15 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859796577310212096 |
|---|---|
| author | Трегубенко, И.Б. |
| author_facet | Трегубенко, И.Б. |
| citation_txt | Эволюционное обучение искусственных систем / И.Б. Трегубенко // Системні дослідження та інформаційні технології. — 2014. — № 1. — С. 102-112. — Бібліогр.: 15 назв. — рос. |
| collection | DSpace DC |
| container_title | Системні дослідження та інформаційні технології |
| description | Предложена концепция эволюционного обучения искусственных систем. Сформулировано новое понимание дискретности процесса обучения с учетом принципа ограниченности жизненного цикла искусственной системы. Предложена двухмодульная концепция моделирования искусственных систем, состоящих из двух взаимосвязанных модулей, имеющих различные свойства и жизненный цикл. Введено новое понятие B-System. Проведена формализация процесса эволюционного обучения на базе ресурсного подхода. Сформулированы принципы, позволяющие технологически упростить процесс обучения искусственных систем, понизить сложность взаимосвязей и действующих факторов взаимодействия пары "искусственная система — среда обучения".
Запропоновано концепцію еволюційного навчання штучних систем. Сформульовано нове розуміння дискретності процесу навчання з урахуванням принципу обмеженості життєвого циклу штучної системи. Запропоновано двох-модульну концепцію моделювання штучних систем, що складаються з двох взаємоповязаних модулів, які мають різні властивості та життєвий цикл. Введено нове поняття B‑System. Проведено формалізацію процесу еволюційного навчання на базі ресурсного підходу. Сформульовано принципи, що дозволяють технологічно спростити процес навчання штучних систем, знизити складність взаємозв’язків і діючих факторів взаємодії пари "штучна система – середовище навчання".
The concept of evolutionary learning artificial systems is proposed. A new understanding of the discreteness of the learning process taking into account the principle of limited life cycle artificial systems is formulated. The two-module concept of artificial system modelling, consisted of two interconnecting modules that have different properties and life cycle, is proposed. New concept of B-System is introduced. The artificial systems evolutionary learning task formalization on the base of resource approach is executed. The principles, which allow to technologically simplify the artificial systems learning processes, to decrease the “artificial system – learning environment” pair connections and interaction factors complexity, are formulated.
|
| first_indexed | 2025-12-02T14:10:52Z |
| format | Article |
| fulltext |
© И.Б. Трегубенко, 2014
102 ISSN 1681–6048 System Research & Information Technologies, 2014, № 1
TIДC
ЕВРИСТИЧНІ МЕТОДИ ТА АЛГОРИТМИ
В СИСТЕМНОМУ АНАЛІЗІ ТА УПРАВЛІННІ
УДК 004.048:004:85
ЭВОЛЮЦИОННОЕ ОБУЧЕНИЕ ИСКУССТВЕННЫХ СИСТЕМ
И.Б. ТРЕГУБЕНКО
Предложена концепция эволюционного обучения искусственных систем.
Сформулировано новое понимание дискретности процесса обучения с учетом
принципа ограниченности жизненного цикла искусственной системы. Пред-
ложена двухмодульная концепция моделирования искусственных систем, со-
стоящих из двух взаимосвязанных модулей, имеющих различные свойства
и жизненный цикл. Введено новое понятие B-System. Проведена формализа-
ция процесса эволюционного обучения на базе ресурсного подхода. Сформу-
лированы принципы, позволяющие технологически упростить процесс обуче-
ния искусственных систем, понизить сложность взаимосвязей и действующих
факторов взаимодействия пары «искусственная система — среда обучения».
ВВЕДЕНИЕ
Современные эволюционные методы в области искусственного интеллекта
традиционно отталкиваются от физических законов и методов организации
известной вселенной. Ученые концентрируют усилия на изучении физиче-
ских составляющих материи, их взаимосвязях и превращениях. При моде-
лировании и воспроизведении процессов эволюции, в самых разнообразных
аспектах, в частности на базе когнитивного подхода [1, 2], исследователи
в своих работах базируются на изучении и моделировании реальных физи-
ческих и физиологических процессах проходящих в естественных системах.
Процессы мышления, применительно к интеллектуальным системам рас-
сматриваются как возможность использования знаний и выводов, базирую-
щихся на этих знаниях, для формирования эффективного, рационального
поведения системы [3]. При этом, процессы анализа, систематизации и хра-
нения информации не отделяются от физической платформы системы. Су-
ществует много теорий и методов воспроизведения, протекающих в естест-
венных системах процессов мышления [4–6], например моделирование
нейронов и нейронных систем [7–10], однако задача построения полноцен-
ного искусственного разума еще не решена.
При построении искусственных систем с использованием средств ин-
теллектуализации наиболее существенными и проблематичными являются
процессы обучения интеллектуальных составляющих, в частности модулей
управления [11]. Для проектирования таких подсистем могут быть исполь-
зованы технологии интеллектуальных агентов, а для их адаптации к окру-
жающей среде, наиболее эффективным и надежным представляется метод
обучения с подкреплением [12], построенный на базе теории обучения
Эволюционное обучение искусственных систем
Системні дослідження та інформаційні технології, 2014, № 1 103
с подкреплением [13], которая в свою очередь может рассматриваться как
развитие теории адаптивного поведения. Однако возникают закономерные
трудности, в связи со сложностью и многокритериальностью задачи обучения.
Цель работы — предложить новую концепцию и технологию эволю-
ционного обучения искусственных систем, сформулировать принципы, по-
зволяющие технологически упростить процесс обучения искусственных
систем, понизить сложность взаимосвязей и действующих факторов взаи-
модействия пары «искусственная система — среда обучения» и построить
соответствующую модель искусственной системы.
ЭВОЛЮЦИОННОЕ РАЗВИТИЕ ИСКУССТВЕННЫХ СИСТЕМ
При рассмотрении вопроса намеренно опускаем понятие «интеллектуаль-
ный», применительно к системам вообще и к искусственным системам
в частности. Будем рассматривать любую систему как интеллектуальную
имея в виду, что граничным состоянием из возможных (например, началь-
ные или завершающие жизненный цикл системы) является полное отсут-
ствие интеллекта. Кроме того, любую систему будем рассматривать незави-
симо от происхождения имея в виду, что естественные системы (ЕС)
отличаются от искусственных систем (ИС) только по признаку идентифика-
ции автора (творца).
Если посмотреть внимательно на ЕС, особенно системы в эволюцион-
ном развитии, можно отметить несколько общих принципов: развитие есть
там, где есть разделение и возникла некая напряженность от незавершенно-
сти (неполноты); эволюционируют системы, не обладающие свойствами
неделимости, самодостаточности, функциональной полноты. Таким обра-
зом, имеем два наиважнейших постулата:
• эволюционное развитие возможно только во взаимодействии;
• взаимодействие возможно только при неполной форме системы.
Далее, при внимательном рассмотрении мира, по крайней мере с точки
зрения человеческого восприятия, можно увидеть, что у любого свойства
есть своя противоположность, т.е. можно предположить, что мир имеет
в основе бинарный принцип организации, вопрос только в уровне детализа-
ции. Например, не вызовет споров утверждение, что операционная среда
Windows, по своей сути — набор бинарных кодов. Причем, практически
всегда мир можно свести к рассмотрению некой бинарной или, если хотите,
парной системы компонентов. Компонентами при этом могут быть любые
характеристики, факты, понятия, свойства, частицы и т.д. Эти факты натал-
кивают на мысль, что для построения искусственной эволюции также воз-
можно применить бинарный принцип с алгоритмическими подходами.
В этом случае открывается интереснейшее и огромнейшее поле для ис-
следований. Но для начала будем развивать один аспект и в качестве основы
искусственной эволюции примем бинарную модель любой интеллектуаль-
ной системы, а именно — рассматривать любую интеллектуальную систему
как БИ-систему (B-System) [14], в составе которой выделяем носитель и ин-
теллектуальную составляющую.
Рассмотрим классическую идею эволюционного развития по спирали
(рис. 1, а). В нашем понимании мир изменяется от простого к сложному,
И.Б. Трегубенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 1 104
и именно это отображает эволюционная спираль, т.е. эволюционная спираль
наиболее полно отражает усложнение структуры мира, однако не является
однозначным отображением направления (технологий) и поступательности
развития (поступательности эволюции индивида, отдельной интеллектуаль-
ной сущности). Развитие искусственной системы — процесс нелинейный.
При развитии системы она может продвигаться шаг за шагом по эволю-
ционной спирали (рис. 1, б), но может и возвращаться к определенному
состоянию для повторного обучения. Если при этом сохранить интеллек-
туальную составляющую, то получим практически бесконечный итерацион-
ный процесс развития искусственного интеллекта.
Далее следует пояснить наше понимание мира как дискретной структу-
ры. Вопрос непрерывности и дискретности, представляется относительным
и субъективным то есть логично предположить, что определение процесса
как непрерывного или как дискретного условно и зависит от свойств наблю-
дателя. Еще одним важным фактором, влияющим на процесс развития ИС,
является понимание агрегативности приобретаемых в процессе обучения
знаний и навыков. Таким образом, в качестве основных свойств эволюции
ИС можно выделить: дискретность, агрегативность, нелинейность.
Рассмотрим более подробно процесс развития ИС. Будем считать, что
развитие ИС возможно только как следствие обучения или самообучения.
Наиболее значимая проблема организации эффективного и результативного
обучения состоит в сложности корректной постановки задачи обучения.
Существует явная корреляция между временем, необходимым на обу-
чение системы для достижения ее устойчивого состояния и самодостаточно-
сти функционирования и сложностью системы. Обучение более сложных
систем занимает больше времени, чем обучение более простых систем.
Кроме этого на время обучения также влияет прикладная область, то есть
для выполнения каких именно функций обучаем ИС. Нельзя рассматривать
обучение вне контекста к функциям, которые должна выполнять обучаемая
система. Задачу обучения можем рассматривать исключительно в контексте
ограничений по определенному набору функций, который должен уметь
выполнять обучаемый.
Если принять во внимание, что ставится не абстрактная задача обуче-
ния без ограничений, то возникает проблема формулировки цели обучения
и построения системы критериев, подтверждающих адекватность выпол-
ненного процесса обучения. Кроме того, необходимо учитывать, что так на-
зываемые самообучающиеся системы бессмысленны и могут стать опасны-
i+2 i+1
i–1
i–2
i–3
i
Интеллектуальная
составляющая
a б
Рис. 1. Эволюционное развитие ИС: а) эволюционная спираль; б) механизм эволю-
ционного развития искусственных систем
Эволюционное обучение искусственных систем
Системні дослідження та інформаційні технології, 2014, № 1 105
ми в случае бесконтрольности процесса обучения со стороны внешней сре-
ды и/или субъекта обучения.
СУБЪЕКТЫ ЭВОЛЮЦИОННОГО ОБУЧЕНИЯ ИСКУССТВЕННЫХ СИСТЕМ
В процессе обучения ИС систем можно выделить три составляющих
(рис. 2): объект, субъект и среда обучения. Под объектом обучения понима-
ем ИС, которая должна выполнить процесс обучения, т.е. освоить опреде-
ленный объем знаний и приобрести соответствующий набор навыков. Под
субъектом понимаем автора системы. Без понимания участия и функций
составляющей (автор обучающейся ИС), невозможно поставить цели обуче-
ния и собственно инициировать сам процесс. Безусловно, автор также может
иметь сложную структуру, быть отдельным независимым индивидом или
объединением, системой, причем не существенно какой именно — ИС или ЕС.
Третья составляющая рассматриваемого процесса — среда обучения.
В зависимости от соотношения автора и среды обучения, можно выделить
три принципиально различных типа организации процессов обучения ИС
(рис. 2). Вариант а на рис.2 демонстрирует ситуацию, когда среда обучения
отделена от автора. Вариант б на рис. 2 демонстрирует ситуацию, когда
среда обучения содержит в себе автора либо полностью, либо частично. Ва-
риант в на рис. 2 представляет ситуацию, когда автор идентичен среде обу-
чения, т.е. по сути, среда обучения есть автором. Последний вариант со-
ответствует процессам самообучения ИС.
В области информационных технологий и их программных реализаций
видно, что технологические детали организации платформы могут быть раз-
личны для одной и той же информационной системы. Очевидным есть факт
того что, один и тот же алгоритм может существовать в различных записях,
синтаксически и технологически различных. При этом, однако, алгоритм, по
сути, не меняется. По аналогии, отделим понятие интеллекта от конкретной
физической реализации системы, которая проходит процесс обучения.
КОНЦЕПЦИЯ ЭВОЛЮЦИОННОГО ОБУЧЕНИЯ
Рассмотрим более подробно идею эволюционного обучения ИС. Современ-
ные методы обучения интеллектуальных систем разнообразны, однако
обычно привязаны к физическим характеристикам, структуре и свойствам
Рис. 2. Типы организации процессов обучения ИС: а — внешний независимый ав-
тор; б — автор, как часть среды обучения; в — автор идентичен среде обучения
C
ИС
A
A
C
ИС ИС
C
A
а б в
И.Б. Трегубенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 1 106
объекта обучения и окружающей его среды. Абстрагируемся от технической
платформы и физической реализации конкретной ИС. Для упрощения зада-
чи, на первом этапе, отбрасываем внутреннюю структуру, конкретные кон-
струкционные решения и ставим задачу представить и описать технологию
обучения ИС на уровне абстракции.
Сформулируем концепцию эволюционного обучения ИС [15]. Данная
концепция базируется на следующих принципах:
• ограниченность процесса обучения;
• конечность жизненного цикла;
• итерационно-иерархическая структуризация процесса обучения;
• наличие механизма «Перезагрузка»;
• специфика жизненного цикла эволюционной системы;
• модульность системы.
ОГРАНИЧЕННОСТЬ ПРОЦЕССА ОБУЧЕНИЯ
За ограниченный жизненный цикл системы она может обучиться ограни-
ченному набору функций и приобрести конечный набор знаний.
Если посмотреть на организацию естественного мира нам известного,
то можно утверждать, что универсальной интеллектуальной системы не су-
ществует. Каждая из интеллектуальных систем находиться на определенном
уровне сознания и способна выполнять ограниченный набор функций.
Можно также утверждать, что жизненный цикл любой системы ограничен
и конечен. Безусловно, за ограниченный жизненный цикл ИС она может
обучиться ограниченному набору функций и приобрести конечный набор
знаний. Следовательно, необходимо рассмотреть вопрос увеличения жиз-
ненного цикла ИС, сделав его условно бесконечным.
КОНЕЧНОСТЬ ЖИЗНЕННОГО ЦИКЛА
Невозможно построить систему с одним бесконечным жизненным циклом,
т.е. условное бесконечное существование невозможно обеспечить на базе
ограниченной физической реальности. Если принять за исходное утвержде-
ние, что за один жизненный цикл существования ИС она может обучиться
определенному ограниченному набору функций и навыков, тогда для про-
должения обучения система должна получить новые исходные данные
и задачу — новый комплект осваиваемых функций. Таким образом, задача
обучения ИС сводится к созданию интерактивного процесса обучения на
разных иерархических уровнях функционирования с учетом необходимости
сохранения части знаний и умения выполнять определенные функции при
переходе на новый иерархический уровень, с потерей не нужных на сле-
дующем уровне свойств и способностей (технологических интерфейсных
функций), которые ранее использовались для приобретения знаний и уме-
ния выполнять определенные функции, с приобретением новых свойств,
способностей (технологических функций) и исходных данных, позволяю-
щих оперировать с новыми навыками в новой среде.
Эволюционное обучение искусственных систем
Системні дослідження та інформаційні технології, 2014, № 1 107
ИТЕРАЦИОННО-ИЕРАРХИЧЕСКАЯ СТРУКТУРИЗАЦИЯ ПРОЦЕССА
ОБУЧЕНИЯ
Исходя из выше сказанного, проведем упрощение сложности процесса обу-
чения. Процесс эволюционного обучения системы (рис. 3) разделяем на не-
которые иерархические итерационные процессы (этапы), в рамках которых
будет проходить ограниченный процесс обучения, привязанный к конкрет-
ным физическим параметрам среды и ограниченным задачам обучения, что
и будет обуславливать конечность жизненного цикла системы на данном
итерационно-иерархическом уровне.
МЕХАНИЗМ «ПЕРЕЗАГРУЗКА»
Вводим понятие механизма «перезагрузка» [15], который после окончания
текущего жизненного цикла системы обеспечивает подготовку и переход
системы на следующий этап эволюционного обучения. При этом проводят-
ся: сохранение результата обучения, агрегация полученных знаний; оптими-
зация структуры и объема сохраняемых знаний; анализ результатов обуче-
ния на предмет соответствия поставленным целям; принятие решения
о переходе на следующий уровень обучения с возможностью интерактивно-
го моделирования этого уровня, постановкой новых задач на обучение
и формированием текущих технологий адаптации к новой физической среде.
ЖИЗНЕННЫЙ ЦИКЛ ИСКУССТВЕННОЙ СИСТЕМЫ
За жизненный цикл системы принимаем цепочку: инициализация (создание) —
обучение – завершение (деструкция) — перезагрузка.
Во время первой процедуры инициализации (рис. 3), проводиться мо-
делирование первого эволюционного этапа, определяются задачи обучения,
формируются текущие технологий адаптации к физической среде. Далее
запускается процесс обучения, т.е. в общем случае выполняется i-й эволю-
ционный этапа обучения (Ei). На этой стадии вполне применимы технологии
обучения с подтверждением [12].
После окончания текущего i-ого эволюционного этапа обучения (Ei)
предусматривается выполнение трех основных процедур механизма «пере-
загрузка»:
Завершение
обучения
Инициализация
Pi
Ei
Pi+1 = F (Si, Ti, Ai)
Рис. 3. i-й этап эволюционного обучения
И.Б. Трегубенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 1 108
• Сохранение результатов (Si) обучения ИС, т.е. оптимизация и со-
хранность полученных в результате обучения знаний в независимой (от сре-
ды и физической платформы) форме.
• Отбрасывания ненужных технических данных и служебных функций
(Ti) с помощью которых происходила адаптация системы под конкретную
физическую реализацию и конкретные задачи конкретного этапа обучения.
• Анализ (Ai), т.е. оценка соответствия результатов обучения постав-
ленным целям, принятие решения о переходе на следующий уровень обуче-
ния с возможностью интерактивного моделирования этого уровня, поста-
новкой новых задач обучения и формированием текущих технологий
адаптации к новой физической среде.
Следует обратить внимание, что следующим уровнем может быть вы-
бран, как новый (i+1)-й эволюционный этап, так и текущий i-ый этап, что
будет соответствовать повторному обучению. В общем случае следующим
уровнем, на котором будет проводиться обучение искусственной системы,
может быть выбран любой иерархический уровень.
МОДУЛЬНОСТЬ СИСТЕМЫ
Построим модель ИС с учетом рас-
смотренных выше технологий эво-
люционного обучения. Разделим ИС
на две составляющие. Одна состав-
ляющая должна нести в себе интел-
лектуальные функции и сохраняться
как угодно долго, другая — доста-
точно гибкой и обеспечивать при-
способляемость системы к изме-
няющейся окружающей среде. Эта
составляющая не обязательно долж-
на быть постоянной и вполне может
быть сменной, заменяемой, с корот-
ким периодом существования. Мо-
дель эволюционно обучающейся
системы представлена в виде двух
принципиально различных модулей:
интеллектуальный модуль и модуль адаптации к окружающей среде (рис. 4).
Интеллектуальный модуль (ИМ) рассматривается как постоянная со-
ставляющая и является сутью системы и собственно, самой системой в на-
шем понимании, время существования которой в принципе неограниченно.
Модуль адаптации (МА) является изменяемой частью и обеспечивает функ-
ционирование интеллектуального модуля в текущих физических реалиях.
Этот модуль должен обеспечивать адаптацию интеллектуальной состав-
ляющей к текущим свойствам окружающей среды, к текущим задачам обу-
чения и этапам приобретения знаний ИС. Фактически этот модуль является
интерфейсом между интеллектом и средой, и обеспечивает функционирова-
ние интеллектуального модуля в конкретных физических реалиях. При про-
ИМ
МА
С
Рис. 4. Модульная структура искусствен-
ной системы
Эволюционное обучение искусственных систем
Системні дослідження та інформаційні технології, 2014, № 1 109
хождении эволюционных этапов сохранения второго адаптационного моду-
ля не предусматривается.
Время существования и модификации модуля адаптации определяется
физическими свойствами окружающей среды и/или выполнением задач
обучения на конкретном эволюционном этапе. Двухмодульное представле-
ние об ИС, которые называем B-System (БИ-системы) [14], соответствует
эволюционному пониманию процесса обучения. Ниже представлен меха-
низм приспособляемости таких систем к новым физическим параметрам
среды при переходе на новый итерационный эволюционный этап обучения
(рис. 5).
Такое понимание ИС обеспечивает приспособляемость систем к новым
физическим параметрам среды (рис. 6). На этом рисунке представлено
8 возможных состояний ИС. При переходе на новый итерационный эволю-
ционный этап с сохранением интеллектуальной составляющей, и как след-
Переход на
следующий
эволюционный
этап
Переход на
следующий
эволюционный
этап
Интеллектуальный
модуль
Модуль адаптации.
i-я физическая
реализация
Среда.
i-е состояние
B-System
Интеллектуальный
модуль
Модуль адаптации.
i+1-я физическая
реализация
Среда.
i+1-е состояние
B-System
Интеллектуальный
модуль
Модуль адаптации.
I–1-я физическая
реализация
Среда.
i–1-е состояние
B-System
Рис. 5. Механизм приспособляемости B-System к новым физическим параметрам
среды
Рис. 6. B-System в процессе приспособляемости к новым параметрам среды с уче-
том нелинейности процессов эволюции
i+2
i+1
i–1
i ИМ
ИМ
МА
i+2
i+1
i–1
i ИМ
i+2
i+1
i–1
i
ИМ
МА
i+2
i+1
i–1
i
i+2
i+1
i–1
i ИМ
ИМ
МА
i+2
i+1
i–1
i ИМ
i+2
i+1
i–1
i ИМ
МА
i+2
i+1
i–1
i
И.Б. Трегубенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 1 110
ствие дает возможность провести дискретизацию процессов эволюции
начиная с самых элементарных уровней и обеспечить непрерывность нако-
пления знаний. Очевидным есть факт, что при таком представлении о сис-
теме легко реализуется нелинейный процесс эволюции.
ФОРМАЛИЗАЦИЯ ЗАДАЧИ ОБУЧЕНИЯ. РЕСУРСНЫЙ ПОДХОД
Выполним формализацию задачи обучения ИС на i-м эволюционном этапе
итерационно-иерархического процесса обучения.
Во время процедуры инициализации на i-м эволюционном этапе вы-
полняется дискретизация задач обучения, определяется конечный набор
функций, которые должна освоить ИС. Таким образом, на i-м эволюцион-
ном этапе ИС должна выполнить M процессов обучения. ИС выделяется со-
ответствующе множество ресурсов iR для выполнения каждого процесса на
i-м эволюционном этапе обучения:
∑
=
=
M
k
i
k
i rR
1
. (1)
Для выполнения одного k-го процесса обучения необходимо освоить
ограниченное количество i
kN ресурсов. Условие выполненного процесса
обучения, можно определить через условие полного освоения выделенного
ресурса Ri на i-м эволюционном этапе обучения:
,
1 1
i
M
k
N
j
i
k
i
kj RNr
i
k
=∑∑
= =
(2)
где, i
jkr — количество j-го ресурса переработанного k-м процессом обучения.
Целевая функция обучения на i-м эволюционном этапе обучения может
быть представлена в виде:
,),(
11 1
∑∑∑
== =
′+=
M
k
i
k
i
kik
M
k
N
j
i
k
i
kj
i NNNzF
i
k
ϕ (3)
где i
kjz — затраты j-го ресурса на k-м процессе i-го эволюционного этапа
обучения искусственной системе.
Понятно, что i
kN всегда меньше чем i
kN ′ — максимально возможное
количество реализованных процессов обучения искусственной системы, т.е.
освоенных ресурсов на i-м эволюционном этапе.
i
kϕ — штрафная функция при отклонении количества выполненных
процессов обучения от максимально возможного количества выполненных
процессов обучения на i-м эволюционном этапе.
Таким образом, задача обучения искусственной системы на i-м эволю-
ционном этапе может быть сформулирована следующим образом: миними-
зировать целевую функцию (3) при выполнении ограничения (2).
Эволюционное обучение искусственных систем
Системні дослідження та інформаційні технології, 2014, № 1 111
ВЫВОДЫ
Организация процессов обучения искусственных систем на базе эволюцион-
ных методов может повысить эффективность обучения. Разработана идея
и технология эволюционного обучения искусственных систем. Сформули-
ровано новое понимание дискретности процесса обучения с учетом принци-
па ограниченности жизненного цикла искусственной системы. Предложена
двухмодульная концепция моделирования искусственных систем, состоя-
щих из двух взаимосвязанных модулей, имеющих различные свойства
и жизненный цикл. Введено новое понятие БИ-система (B-System). Прове-
дена формализация задачи эволюционного обучения искусственных систем
на базе ресурсного подхода. Сформулированные принципы позволяют тех-
нологически упростить процесс обучения ИС, понизить сложность взаимо-
связей и действующих факторов взаимодействия пары «искусственная сис-
тема — среда обучения», что позволяет в дальнейшем развивать методы
построения и организации процессов эволюционного обучения искусствен-
ных интеллектуальных систем.
ЛИТЕРАТУРА
1. Редько В.Г. Перспективы моделирования когнитивной эволюции // Третья ме-
ждународная конференция по когнитивной науке: тезисы докладов. В 2-х т.,
Т. 2. — М.: Художественно-издательский центр, 2008. — С. 576–577.
2. Редько В.Г. Модели адаптивного поведения — подход к исследованию когни-
тивной эволюции // Труды Международных научно-технических конферен-
ций «Интеллектуальные системы» (AIS’07) и «Интеллектуальные САПР»
(CAD–2007). — М.: Физматлит, 2007. — Т. 1. — С. 71–78.
3. Трегубенко І.Б. Адаптивна поведінка інтелектуальних агентів захисту на базі
теорії когнітивної еволюції // 17 міжнародна конференція з автоматич-ного
управління «Автоматика — 2010». Тези доповідей. Т. 2. — Харків: ХНУРЕ,
2010. — С. 202–203.
4. Курейчик В.М. Генетические алгоритмы и их применение. — Таганрог: Изд-во
ТРТУ. Издание второе, дополненное, 2002. — 242 c.
5. Батищев Д.И., Неймарк Е.А., Старостин Н.В. Применение генетических алго-
ритмов к решению задач дискретной оптимизации. Учебное пособие. —
Н. Новгород: изд-во ННГУ, 2006. — 136 с.
6. Скобцов Ю.О. Основи еволюційних обчислень: навчальний посібник. — До-
нецьк: ДонНТУ, 2009. — 316 с.
7. Зайченко Ю.П. Основи проектування інтеллектуальних систем. — К.: Вид. дім
«Слово», 2004. — 352 с.
8. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах.
Учебное пособие для студентов высших учебных заведений. — К.: Изд. дом
«Слово», 2008. — 344 с.
9. Red'ko V.G. The Natural Way to Artificial Intelligence // In B. Goertzel, C. Pen-
nachin (Eds.), Artificial General Intelligence. Springer. Berlin, Heidelberg, New
York. 2007. P. 327–351. — http://link.springer.com/chapter/10.1007%2F978-3-
540-68677-4_10.
10. Емельянов В.В., Курейчик В.М., Курейчик В.В. Теория и практика эволю-
ционного моделирования. — М.: Физматлит, 2003. — 432 с.
И.Б. Трегубенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 1 112
11. Трегубенко І.Б. Концепція інтелектуального управління в складних
розподілених системах // Матеріали IХ міжнародної наукової конференції
ім.Т.А.Таран «Інтелектуальний аналіз інформації ІАІ-2009» — К.:
ПРОСВІТА, 2009. — С. 391– 393.
12. Tregubenko I.B. Reinforcement learning intellectual agent of protection for adapting
to surrounding environment // SIN,10: Proceedings of the 3rd international con-
ference on Security of information and networks. — NY, 2010 — Р. 110–112.
http://dl.acm.org/citation.cfm?id=1854099.1854122&coll=
DL&dl=GUIDE&CFID=87567568&CFTOKEN=25740824.
13. Richard S. Sutton, Andrew G. Barto. Introduction to Reinforcement Learning,1st edi-
tion, Cambridge: MIT Press, 1998. — P. 342. — http://dl.acm.org/citation.cfm?
id=551283&CFID=87567568&CFTOKEN=25740824.
14. Трегубенко И.Б. Концептуальная модель системы в теории эволюционного
обучения. // Тези доповідей Міжнародної науково-практичної конференції
«Інформаційні технології в освіті, науці і техніці» (ІТОНТ–2012). Черкаси,
25–27 квітня 2012. — У 2 т., Т. 1. — Черкаси: ЧДТУ, 2012. — С. 54–55.
15. Трегубенко И.Б. Концепция эволюционного обучения искусственных систем //
Системный анализ и информационные технологии: материалы 14-й Меж-
дународной научно-технической конференции SAIT 2012, Киев, 24 апреля
2012 / УНК «ИПСА» НТУУ «КПИ». — К.: УНК «ИПСА» НТУУ «КПИ»,
2012. — 443 с.
Надійшла 24.05.2012
|
| id | nasplib_isofts_kiev_ua-123456789-85464 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1681–6048 |
| language | Russian |
| last_indexed | 2025-12-02T14:10:52Z |
| publishDate | 2014 |
| publisher | Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України |
| record_format | dspace |
| spelling | Трегубенко, И.Б. 2015-08-06T15:53:13Z 2015-08-06T15:53:13Z 2014 Эволюционное обучение искусственных систем / И.Б. Трегубенко // Системні дослідження та інформаційні технології. — 2014. — № 1. — С. 102-112. — Бібліогр.: 15 назв. — рос. 1681–6048 https://nasplib.isofts.kiev.ua/handle/123456789/85464 004.048:004:85 Предложена концепция эволюционного обучения искусственных систем. Сформулировано новое понимание дискретности процесса обучения с учетом принципа ограниченности жизненного цикла искусственной системы. Предложена двухмодульная концепция моделирования искусственных систем, состоящих из двух взаимосвязанных модулей, имеющих различные свойства и жизненный цикл. Введено новое понятие B-System. Проведена формализация процесса эволюционного обучения на базе ресурсного подхода. Сформулированы принципы, позволяющие технологически упростить процесс обучения искусственных систем, понизить сложность взаимосвязей и действующих факторов взаимодействия пары "искусственная система — среда обучения". Запропоновано концепцію еволюційного навчання штучних систем. Сформульовано нове розуміння дискретності процесу навчання з урахуванням принципу обмеженості життєвого циклу штучної системи. Запропоновано двох-модульну концепцію моделювання штучних систем, що складаються з двох взаємоповязаних модулів, які мають різні властивості та життєвий цикл. Введено нове поняття B‑System. Проведено формалізацію процесу еволюційного навчання на базі ресурсного підходу. Сформульовано принципи, що дозволяють технологічно спростити процес навчання штучних систем, знизити складність взаємозв’язків і діючих факторів взаємодії пари "штучна система – середовище навчання". The concept of evolutionary learning artificial systems is proposed. A new understanding of the discreteness of the learning process taking into account the principle of limited life cycle artificial systems is formulated. The two-module concept of artificial system modelling, consisted of two interconnecting modules that have different properties and life cycle, is proposed. New concept of B-System is introduced. The artificial systems evolutionary learning task formalization on the base of resource approach is executed. The principles, which allow to technologically simplify the artificial systems learning processes, to decrease the “artificial system – learning environment” pair connections and interaction factors complexity, are formulated. ru Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України Системні дослідження та інформаційні технології Евристичні методи та алгоритми в системному аналізі та управлінні Эволюционное обучение искусственных систем Еволюційне навчання штучних систем Evolutionary learning of artificial systems Article published earlier |
| spellingShingle | Эволюционное обучение искусственных систем Трегубенко, И.Б. Евристичні методи та алгоритми в системному аналізі та управлінні |
| title | Эволюционное обучение искусственных систем |
| title_alt | Еволюційне навчання штучних систем Evolutionary learning of artificial systems |
| title_full | Эволюционное обучение искусственных систем |
| title_fullStr | Эволюционное обучение искусственных систем |
| title_full_unstemmed | Эволюционное обучение искусственных систем |
| title_short | Эволюционное обучение искусственных систем |
| title_sort | эволюционное обучение искусственных систем |
| topic | Евристичні методи та алгоритми в системному аналізі та управлінні |
| topic_facet | Евристичні методи та алгоритми в системному аналізі та управлінні |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/85464 |
| work_keys_str_mv | AT tregubenkoib évolûcionnoeobučenieiskusstvennyhsistem AT tregubenkoib evolûcíinenavčannâštučnihsistem AT tregubenkoib evolutionarylearningofartificialsystems |