81.Застосування нейромереж в сппр.

Нейронна мережа (Neural Network) або просто нейромережа є програмно (інколи апаратно) реалізованою системою, в основу якої покладена математична модель процесу передавання і оброблення імпульсів мозку людини, що імітує механізм взаємодії нейронів (neuron) з метою опрацювання інформації, що надходить, і навчання досвіду. Інакше кажучи, проводиться комп’ютеризована імітація інтелектуального режиму поведінки людини. Ключовим аспектом штучних нейромереж є їх здатність навчатися в процесі розв’язання задач, наприклад, розпізнавання образів. Нейромережі (нейрокомп’ютери) забезпечують користувачів надзвичайно гнучким і в певному розумінні універсальним аналітичним інструментарієм. Вони дають змогу розв’язувати досить різні типи задач. Класифікація образів. Кластеризація/категоризація. Апроксимація функцій. Передбачення/ прогнозування. Оптимізація. Контекстно-адресована пам’ять. Управління Банки і страхові компанії: Адміністративне обслуговування: Нафтова і хімічна промисловість: Служба безпеки: Біомедична промисловість: Телебачення і зв’язок: Є такі мережі:

1) такі, що конструюються(задається: число та тип нейронів, граф зв’язків та ваги)

2) такі, що навчаються(граф зв’язків, і ваги змінюються в ході навчання)

існує декілька типів архітектур нейромереж. Найчастіше використовується 3х шаровий персептрон. Вхідний шар – певна кількість нейронів; Середній шар – невидимі нейрони; Вивідний шар – включає лише один вихід. Навчання та використання нейромереж

Якщо НМ сконструйована для вирішення певної задачі, або класу задач, то нею користуватися досить просто. Якщо НМ навчається то потрібно мати 3 набори даних: 1) набір даних для навчання. 2) набір даних для тестування. 3) набір даних, що досліджується. Нейронні мережі нині знаходять величезну кількість різноманітних застосувань. Дійсно, в будь-якій галузі людської діяльності є задачі, що погано алгоритмізуються, для розв’язання яких необхідна або постійна робота групи кваліфікованих експертів, або адаптивні системи автоматизації розрахунків, якими є нейронні мережі. Різні компанії вибирають неоднакові варіанти — одні вважають за краще витрачати гроші на оплату кращих фахівців і їх навчання, інші купують повністю готові спеціалізовані нейромережеві системи, а треті комбінують ці підходи, створюючи власні системи з нуля або на основі готових комерційних пакетів. Кожний з варіантів упровадження нових технологій має свої переваги й недоліки.

82.Використання генетичних алгоритмів в сппр.

У загальному значенні генетичні алгоритми (Genetic Algorithms) — це тип алгоритмів, інспірованих механізмами еволюції живої природи, які застосовуються, головно, до задач глобальної оптимізації (зокрема, задач комбінаторної оптимізації) і деякою мірою для дейтамайнінгу, зокрема, для комбінування шаблонів з правил індукції, які були відкриті до цього, навчання нейромереж, пошуку зразків у даних, відкриття шаблонів у тексті тощо. Генетичні алгоритми належать нині до стандартного інструментарію методів дейтамайнінгу. Ідея генетичних алгоритмів запозичена з живої природи і полягає в машинній організації еволюційного процесу створення, модифікації і відбору кращих розв’язків, виходячи з того, що в процесі відтворення і модифікації розв’язків кращі з них (подібно до процесу селекції в рослинництві й тваринництві) можуть дати ще ліпших «нащадків», тобто нові, прийнятніші варіанти розв’язання задачі. Загальна схема генетичних алгоритмів. У загальному вигляді стратегію отримання рішень за допомогою генетичних алгоритмів можна реалізувати такими кроками:

0. ініціалізуйте популяцію;

1. виберіть батьків для репродукції і оператори мутації і кросовера;

2. виконайте операції, щоб згенерувати проміжну популяцію індивідуумів і оцінити їхні придатності;

3. виберіть членів популяції для отримання нової генерації (версії);

4. повторюйте кроки 1—3, поки не буде досягнуте деяке правило зупинки.

Критерієм зупинки процесу здійснення генетичного алгоритму може бути одна з трьох подій:

• сформовано задану користувачем кількість поколінь;

• популяція досягла заданої користувачем якості (наприклад, значення якості всіх особин перевищило задану порогову величину);

• досягнутий деякий рівень збіжності. Тобто особини в популяції стали настільки подібними, що дальше їх поліпшення відбувається надзвичайно повільно, і тому продовження здійснення ітерацій генетичного алгоритму стає недоцільним. Після завершення роботи генетичного алгоритму з кінцевої популяції вибирається та особина, яка дає максимальне (або мінімальне) значення цільової функції і, отже, є результатом здійснення генетичного алгоритму.