ЗАКЛЮЧЕНИЕ
Впрочем, на самом деле ничего удивительного в этом нет, мы просто избалованы линейными классическими моделями. То, что они достоверно описывают реальный объект только в узком диапазоне рабочих условий, часто ставится им в вину при решении практических задач.
Но в самом моделировании, как в нашем случае, их поведение безупречно, и нейросетевым моделям трудно соревноваться с ними.
Возвращаясь к проблеме синтеза виртуального тракта, отметим следующее.
Вопервых, хотя обучение нейроконтроллера ведется по выходной координате эмулятора, необходимо ограничивать амплитуду управляющего сигнала, генерируемого контроллером, верхней границей допустимого диапазона входных воздействий эмулятора. В описываемых экспериментах эта граница составляла 1.
Вовторых, из двух возможных способов ограничения жесткого среза амплитуды выходного сигнала либо более мягкого штрафования за превышение разрешенного уровня более предпочтителен второй. Он дает возможность генетическому алгоритму ранжировать популяцию с учетом этого признака и постепенно избавляться от тех решений, которые генерируют слишком сильное управление.
Используя эти дополнения к методике, а также ограничив величину задания ur=0,5, мы и синтезировали три нейроконтроллера, о которых говорилось выше. Параметры одного из них представлены в Приложении 5, а его выход при входном задании ur=0,5 на рисунке 34.
Конечно, выполненные эксперименты не доказывают исключительных адаптивных свойств интеллектуальной системы. Каждый раз мы сами организовывали сбор информации об объекте, требующейся для синтеза эмулятора, действуя по предварительно выверенному плану. Для того, чтобы убедиться в способности системы сделать это самостоятельно, нужно распараллелить три задачи формирование библиотеки тренировочных шаблонов, тренировка эмулятора, тренировка контроллера, после чего суметь правильно распределить ресурсы вычислительной системы и организовать обмен данными между ними.
Современные операционные системы (Windows NT, Windows 95) обладают возможностями для решения таких проблем даже на однопроцессорных машинах, и мы намерены реализовать их в ближайшем будущем.
В завершение хотелось бы процитировать Р. Докинза, прочтение книги [38] которого оказало огромное влияние на ход наших мыслей на протяжении последних 2х лет. Он пишет: Эволюция способности к моделированию, очевидно, привела в конечном итоге к субъективному осознанию.
Почему это должно было произойти, представляется мне глубочайшей тайной, стоящей перед современной биологией. Нет оснований полагать, что электронные компьютеры действуют осознанно, когда они что нибудь моделируют, хотя нам приходится допускать, что в будущем они, возможно, будут осознавать свои действия.
Быть может, осознание возникает тогда, когда модель мира, создаваемая мозгом, достигает такой полноты, что ему приходится включать в нее модель самого себя.
Представляется, что человечество вплотную подошло к разрешению этой задачи.
ЗАКЛЮЧЕНИЕ
Прозрачность и доступность идей, составляющих методологический базис современных методов эволюционного моделирования, производят на нас поистине завораживающее впечатление. Нельзя сказать, что эти идеи заимствованы из обыденной жизни, ведь на самом деле они представляют собой революционные открытия в биологии не более чем полувековой давности, но сегодня о них знает каждый школьник и они уже лет 20 входят в перечень того, что должен знать среднестатистический обыватель, на каком бы континенте он ни жил.
Тем более удивительным представляется тот факт, что объединенные в одно целое, эти идеи приобретают реальную силу и дают нам в руки эффективный инструмент для решения сложных задач моделирования и синтеза.
ГА + ИНС охватывают только кусочек того, что называют эволюционным моделированием. Но как нам представляется и как мы пытались продемонстрировать , эти две вычислительные технологии обладают огромным созидательным потенциалом.
Подобно тому, как понятия передаточной функции и динамического звена составили инструментальный базис классических методов моделирования динамических объектов и проектирования систем их управления, нейронные сети являются эффективным инструментом эволюционного моделирования и синтеза. Они в такой же мере способны охватывать весь спектр проблем, связанных с построением систем управления начиная от синтеза модели объекта и заканчивая синтезом законов управления, и все это при помощи одних и тех же приемов, в рамках единого подхода.
Это выгодно отличает их от многих других современных техник, которые проявляют эффективность при решении только частичных задач (скажем, fuzzy logic находит применение только при синтезе контроллеров, но оказывается бессильной в моделировании самих объектов), и дает основания причислить их к классу доктрин, имеющих парадигмальное значение для современных технических наук.
Мы понимаем, что представленные нами иллюстративные примеры можно упрекнуть в некоторой простоте тестового динамического объекта. Но не будем забывать, сколько лет и какой численностью отрядов ученых шла классическая наука к простому описанию подобных объектов, к умению обращаться с ними.
Нейронные же сети начали добиваться признания совсем недавно, не более 10 лет назад (то же самое можно сказать и о генетических алгоритмах).
Можно также предположить, что вряд ли их продвижение в сторону real world applications будет быстрым или триумфальным. Та легкость, с которой ИНС утвердились в когнитивных науках, является скорее обманчивой и может быть объяснена простым отсутствием серьезных конкурентов. Существующие же техноценозы, взращенные в рамках классической научной парадигмы, и так неплохо удовлетворяют основные потребности общества.
И найти в этих джунглях свободную нишу очень трудно все ярусы давно заняты и борьба за место под солнцем не прекращается ни на минуту.
Впрочем, ситуация изменяется очень быстро, наши требования к технике непрерывно совершенствуются, и никто не возьмется предугадать, сколь долго классическая парадигма сможет сохранять свою монополию. Да это и не так важно.
Главный прогресс последних лет состоит в том, что то ощущение близости, общности решаемых инженерами и Природой задач, которое не так давно только витало в воздухе, сегодня переросло в уверенность, что мир органических репликантов и мир культурных репли-кантов, к каковым относятся и научные идеи, развиваются по одинаковым законам, а значит, нам есть чему учиться у Природы. Представленный материал доказывает, что первые результативные шаги в этом направлении уже сделаны.
ТЕРМИНОЛОГИЧЕСКИЙ СЛОВАРЬ
Аксон отросток нейрона, который передает импульсы другим нейронам.
Аппель каждый ген способен занимать только определенную область в хромосоме, так называемый локус. В популяции всегда найдутся особи, у которых в идентичных локусах представлены различные формы генов.
Эти альтернативные формы и называются аллельными состояниями гена или просто аллелями.
Гаметы (биол.) клетки, которые несут генетическую информацию о родительской особи. У животных и человека мужские гаметы называются сперматозоидами, а женские яйцеклетками.
Гаметы содержат гаплоидный (одиночный) набор хромосом. В эволюционном моделировании категория пол особи не применяется. Объектом моделирования являются панмиктические популяции бесполых организмов, то есть популяции, в которых отсутствует запрет на скрещивание любых двух особей.
Разнопо-ловость в природных популяциях как раз и играет роль естественного ограничения на скрещивание ни пара из двух самцов, ни пара из двух самок не могут дать потомства.
Ген основная единица наследственности, представляющая собой фрагмент ДНК, кодирующий один или несколько фенотипических признаков и занимающий фиксированный локус хромосомы. Ген представляет собой скорее феноменологическую категорию и понятийно противостоит фену единичному, доступному наблюдению признаку организма, позволяющему дифференцировать его от других особей того же биологического вида.
В эволюционном моделировании фрагмент хромосомы, кодирующий значение одного из искомых параметров.
Генетический алгоритм (репродуктивный план Холланда) раздел эволюционного моделирования, заимствующий методические приемы из теоретических положений популяционной генетики. Представляет собой своего рода модель машинного исследования поискового пространства, построенную на эволюционной метафоре.
Характерные особенности: использование строк фиксированной длины для представления генетической информации, работа с популяцией строк, использование генетических операторов для формирования будущих поколений.
Глобальная оптимизация процесс поиска экстремума или экстремумов функционала, который в эволюционном моделировании соответствует приспособленности особи, интерпретируемой как ее способность решать поставленную задачу.
Дарвинизм разработанная Ч. Дарвиным теория, объясняющая эволюцию как результат взаимодействия двух факторов случайных изменений характеристик особей в череде поколений и естественного отбора (выживание наиболее приспособленных).
Дендрит (биол.) сильно разветвленная часть нейрона, которая получает импульсы от рецепторов или других нейронов и передает их телу клетки.
Диплоидия способ хранения наследственной информации у высших организмов, когда в ядрах соматических клеток содержится двойной набор хромосом, одна половина которого досталась особи от отца, а другая от матери.
Изменчивость (биол.) разнообразие признаков и свойств у особей любой степени родства. Термин изменчивость применяется также для характеристики преобразования форм живых организмов в процессе их эволюции. Различают изменчивость наследственную (генотипическую) и ненаследственную (паратипическую).
Изменчивость, обусловленную возникновением мутаций, называют мутационной, а обусловленную перестановками генов в результате скрещивания рекомбинационной.
Инверсия рекомбинационный оператор, который воздействует на фрагмент хромосомы, изменяя в нем порядок следования генов на обратный.
Искусственные нейронные сети класс гибких нелинейных регрессионных или дискриминантных моделей, включающих большое число нейронов, соединенных произвольным образом, нередко организованных в слойные архитектуры.
Когнитивная теория теория обучения, в соответствии с которой человек и животные усваивают знания в виде когнитивных карт (что где расположено) или ожиданий (что к чему приводит). Это контрастирует с теорией инструментального обучения, которая предполагает, что обучение сводится к усилению или ослаблению специфических реакций.
Кроссовер, кроссинговер, (от англ. Crossover, crossingover перекресток) (биол.) одна из стадий процесса гаметогенеза, присущего только организмам, размножающимся половым путем. В фазе кроссовера хромосомы потенциального родителя, участвующие в выработке гамет, выстраиваются друг напротив друга, скрещиваются в некоторой средней точке и расходятся, обменявшись порциями генетического материала. При последующем оплодотворении мужская и женская гаметы (сперматозоид и яйцеклетка) сливаются в зиготу, диплоидную клетку, дающей начало новому организму.
В эволюционном моделировании под кроссовером понимают оператор, который формирует хромосому потомка, собирая ее из фрагментов родительских хромосом. Если речь идет о гаплоидной популяции, результирующая хромосома сразу интерпретируется как самостоятельная особь.
Ламаркизм эволюционная теория, предшествовавшая дарвинизму. Ламарк верил, что эволюционное развитие идет путем наследования потомками индивидуальных приспособлений, приобретенных родителями в течение жизни.
Хотя ламаркизм не нашел подтверждения, идея наследования результатов прижизненной адаптации успешно применяется в эволюционном моделировании.
Мутация оператор, вносящий изменения в структуру копии родительской хромосомы, модифицируя значения отдельных генов в рамках разрешенного аллельного алфавита.
Нейрон (биол.) нервная клетка. В эволюционном моделировании нейрон (нейрод, вычислительный узел, обрабатывающий элемент) простой линейный или нелинейный элемент, который имеет один или несколько входов, вычисляет функцию входных сигналов и передает результат одному или нескольким другим нейронам.
Обобщающая способность нейронной сети интерполирующие свойства.
Обучение, тренировка нейронной сети настройка параметров сети, параметрическая оптимизация сети с целью снижения функции ошибки между желаемыми и действительными значениями выходов сети.
Оптимизация итеративный процесс улучшения решения задачи, сформулированной в постановке поиска экстремума целевой функции.
Особь представитель определенного биологического вида, который характеризуется неразрывным единством генотипа и фенотипа. В эволюционном моделировании особь также обладает генотипом, однозначно определяющим приспособленность, и имеет смысл одного из возможных решений рассматриваемой задачи.
Парадигма самодостаточная совокупность основополагающих идей и принципов, позволяющая на собственной мировоззренческой основе формировать цельную по внутреннему единству картину объектного мира. Сегодня можно говорить о существовании в науке двух равноправных парадигм классической и эволюционной.
Популяция группа особей одного вида, то есть обладающих одинаковой структурой генотипа и поэтому способных взаимодействовать друг с другом, например, скрещиваться и давать потомство.
Приспособленность (биол.) интегральная характеристика реализованных организмом способностей противостоять окружающей среде. Часто оценивается как коэффициент размножения, то есть количество доживших до репродуктивного возраста потомков, оставленных данной особью.
В эволюционном моделировании количественная характеристика, показывающая, насколько успешно особь решает поставленную задачу, и позволяющая сопоставить ее в этом отношении с другими особями.
Селекция процесс, при помощи которого некоторые особи из популяции отбираются для получения от них потомства. Обыкновенно на базе предпочтения по величине индивидуальной приспособленности.
Хромосома (биол.) одна из цепочек ДНК, обнаруженных в клетках. Хромосомы присутствуют во всех клетках организма, хотя только небольшая их часть активна в какой-то конкретной клетке.
В эволюционном моделировании под хромосомой понимают фрагмент данных, содержащий искомые параметры. Он может быть представлен в виде бинарной строки или целочисленного массива.
Элитизм принцип формирования следующего поколения в популяции, при котором хромосомы наиболее приспособленных особей текущего поколения копируются в следующее поколение, не подвергаясь действию генетических операторов. Элитизм гарантирует сохранение в популяции сверхиндивидов, переходящих из поколения в поколение, но, как правило, ускоряет вырождение популяции, иногда преждевременное.
Эволюционное моделирование направление в математическом моделировании, объединяющее компьютерные методы моделирования эволюции, а также близкородственные по источнику заимствования идей (теоретическая биология, если таковая существует) другие направления в эвристическом программировании. Включает в себя как разделы генетические алгоритмы, эволюционные стратегии, эволюционное программирование, искусственные нейронные сети, нечеткую логику.
Эволюционная система система, динамика развития которой опирается на принципы воспроизводства, изменчивости, соревнования и отбора.
Эпоха одна итерация в вычислительном процессе
