- •Лекция 1 Знания. Способы представления знаний
- •Понятие «знания»
- •Представление знаний
- •Способы представления знаний
- •Лекция 2 Управление знаниями
- •Корпоративная память
- •Корпоративный портал знаний
- •Семантический Веб
- •Лекция 3 Эволюционные методы вычислений. Синергетика
- •Достоинства и недостатки эволюционных вычислений
- •Генетические алгоритмы
- •Синергетика
- •Лекция 4 Направления развития элементной базы вычислительной техники. Наноэлектроника
- •Несколько фактов о технологиях, стоящих уже на пороге
- •Лекция 5 Направления развития микропроцессоров
- •5.1. Стратегия развития процессоров Intel
- •5.2. Особенности микроархитектуры Sandy Bridge
- •Усовершенствования вычислительного ядра
- •Лекция 6 Графический процессор
- •Кольцевая шина
- •Кэш-память последнего уровня
- •Системный агент
- •Тенденции развития суперкомпьютеров
- •Лекция 7 Энергосберегающие технологии, используемые в компьютерах
- •Ресурсосберегающие технологии, применяемые в серверах
- •Лекция 8 Ресурсосберегающие технологии, применяемые в цоДах
- •Управление неоднородной виртуально-физической ит-инфраструктурой
Лекция 3 Эволюционные методы вычислений. Синергетика
Эволюционные вычисления – термин, обычно используемый для общего описания алгоритмов поиска, оптимизации или обучения, основанных на формализованных принципах естественного эволюционного процесса.
Эволюционные методы предназначены для поиска предпочтительных решений и основаны на статистическом подходе к исследованию ситуаций и итерационном приближении к искомому состоянию систем. В отличие от точных методов математического программирования эволюционные методы позволяют находить решения, близкие к оптимальным, за приемлемое время, а в отличии от известных эвристических методов оптимизации характеризуются существенно меньшей зависимостью от особенностей приложения (т.е. более универсальны) и во многих случаях обеспечивают лучшую степень приближения к оптимальному решению. Основное преимущество эволюционных методов оптимизации заключается в возможности решения многомодальных (имеющих несколько локальных экстремумов) задач с большой размерностью за счет сочетания элементов случайности и детерминированности точно так же, как это происходит в природной среде. Детерминированность этих методов заключается в моделировании природных процессов отбора, размножения и наследования, происходящих по строго определенным правилам. В основу процесса отбора положен закон эволюции: «выживает сильнейший». Суть процессов размножения и наследования заключается в том, что рассматриваемые варианты решений могут по определенному правилу порождать новые решения, которые будут наследовать лучшие черты своих «предков».
В качестве случайного элемента в методах эволюционных вычислений используется моделирование процесса мутации. С ее помощью характеристики того или иного решения могут быть случайно изменены, что приведет к новому направлению в процессе эволюции решений и может ускорить процесс выработки лучшего решения.
Выделяют следующие направления эволюционных методов:
Эволюционные стратегии. Метод оптимизации, основанный на идеях адаптации и эволюции. Степень мутации в данном случае меняется со временем – это приводит к, так называемой, самоадаптации.
Генетическое программирование. Применение эволюционного подхода к популяции программ.
Эволюционное программирование. Процесс построения программ строится как эволюция в мире программ.
Генетические алгоритмы. Генетический алгоритм – это алгоритм, который позволяет найти удовлетворительное решение к аналитически неразрешимым или сложно решаемым проблемам через последовательный подбор и комбинирование искомых параметров с использованием механизмов, напоминающих биологическую эволюцию.
Теорию муравьиных колоний. Эти алгоритмы основаны на применении нескольких агентов и обладают специфическими свойствами, присущими муравьям, и используют их для ориентации в физическом пространстве. Алгоритмы поведения муравья используются для решения не только статичных, но и динамических проблем, например, в изменяющихся сетях.
Достоинства и недостатки эволюционных вычислений
Преимущества и недостатки эволюционных вычислений можно вкратце сформулировать следующим образом.
Достоинства эволюционных вычислений:
широкая область применения;
возможность проблемно-ориентированного кодирования решений, подбора начальной популяции, комбинирования эволюционных вычислений с неэволюционными алгоритмами, продолжения процесса эволюции до тех пор, пока имеются необходимые ресурсы;
пригодность для поиска в сложном пространстве решений большой размерности;
отсутствие ограничений на вид целевой функции;
ясность схемы и базовых принципов эволюционных вычислений;
интегрируемость эволюционных вычислений с другими неклассическими парадигмами искусственного интеллекта, такими как искусственные нейросети и нечеткая логика.
Недостатки эволюционных вычислений:
эвристический характер эволюционных вычислений не гарантирует оптимальности полученного решения;
относительно высокая вычислительная трудоемкость, которая однако преодолевается за счет распараллеливания на уровне организации эволюционных вычислений и на уровне их непосредственной реализации в вычислительной системе;
относительно невысокая эффективность на заключительных фазах моделирования эволюции.