CODE-GURU.RU

• Вход в систему
• Создать новую учетную запись

Статьи по программированию
примеры программного кода

Delphi, Kylix, C, C++, SQL, Visual Basic, Bash, Assembler, 1С
Qt, KOL, MFC, Rx Library, Windows, Linux, Mac OS

Алгоритмы искусственного интеллекта

Опубликовано codeLocker в 08.08.2008 в 12:00.

По статье Jang Hin Lang (jang@ecf.toronto.edu)

Я не верю, что возможно обсудить все принципы и методы создания искусственного интеллекта ( AI ) или механизмов самообучения в компьютерных программах. Поэтому Вашему вниманию будут предложены
лишь их часть, а вернее всего два алгоритма создания AI в компьютерных программах.

Алгоритмы искусственного интеллекта:

Алгоритм нейрона

Это наименее сложный из алгоритмов. Рассмотрим вначале схематичное изображение нейрона:

Где O - synapse. Синапс служит для соединения контактов между собой и исполнительными механизмами.

Синапс - это не физическое соединение, а временное химическое соединение, которое может быть изменено. В нашем рассмотрении синапс - это коэффициент назначенный к каждому вводу. Большое значение
коэффициента ввода означает, что данное соединение более важное чем другое. Тело нейрона (ячейки) содержит в себе заранее предопределенное значение - порог срабатывания. Выходной сигнал сработает только тогда, когда на вход нейрона поступит значение большое, чем порог срабатывания.

Определим механизм работы с нейроном, который позволит нам моделировать AI ( самообучение ).

В биологических системах, процесс обучения происходит при изменении связей между отдельными нейронами. В нашем рассмотрении перейдем от связей к коеффициентам. Вот алгоритм работы:

- установите коэффициенты w и порог срабатывания t в нашем рассмотрении к неким произвольным значениям.

- установите на каждый ввод x(0), x(1), x(2),...., x(n-1)
( прим. перев. Я здесь не понял - видимо надо дать на каждый ввод либо 1 либо 0 :( )

- вычислите сработал ли вывод сравнив пороговое значение и сумму коээфициентов ввода

- измените коэффициеты,
для подтверждения правильных решений и устранения неверных.
( прим. перев. Я не понял как менять эти коэффициенты, на основании чего ? :( )

Алгоритм Кохенена, или алгоритм Сети

Этот алгоритм, назван в честь профессора T. Kohonen с факультета Информатики в Университете Helsinki, Финляндия. Вместо сравнения входных коэффициентов к порогу срабатывания, ( как в случае с алгоритмом нейрона ) Кохонен сравнил коэффициенты всех выходов, и выбрал набор выходов имеющих коэффициенты, которые близко соответствовали (согласовались) с коэффициентами входов.

Вот ссылка на его работу:
Kaelbling, Leslie Pack
Learning in Embedded Systems
The MIT Press, Cambridge, Massachusetts
(c) 1993
ISBN 0-262-11174-8

Самоообучающаяся сеть состоит из матрицы выходов j, которые все соединяются с каждым входом i.

Входа i O O

Алгоритм позволяет определить выход-"победитель" - j*, который точно подходит к ожидаемому выходу, как определенно входами i. Изменение коэффициента j* и его окружения будет создавать желаемые
результаты.

Кохенен успешно реализовал эту методику для системы распознования речи в середины восьмедисятых годов XX века. Вот его алгоритм:

1. Инициализация сети

- определите матрицу w(ij) (0 <= i <= n-1) которая определяет коэффициенты от входа i во выход j. Установите минимальные значения коэффициентов n входов. Установите радиус окружения вокруг выхода j, N(j), к некоторому большому значению.

2. Установите входа
- Установите входа x(0), x(1), x(2),...., x(n-1), где x(i) - ввод i.
3. Вычислите расстояние
- Вычислите расстояние d(j) между входами i и каждым выходом j по формуле:

4. Выберите минимальное расстояние и обозначите выход j с минимумом d(j) - j*.

5. Обновите веса
- обновите вес для узла j* и его окружения как определено размером границы N(j).
w(ij) = w(ij) + M * (x(i) - w(ij))
Коэффициент M используется чтобы управлять корректировкой коэффициентов выходов. Его значение должно устанавливаться в диапазоне [0.5, 1] и затем постепенно уменьшаться, по линейной функции от номера цикла обучения.

6. Если ожидаемое решение не было обнаружено, повторите обучающийся цикл ( шаги 2-5 ).

7. Решение устанавливает S-сеть, которую можно использовать компьютеру против игрока.

Например, сеть состоит из 16 выходов, 4 входов и размер окружения равен 4, алгоритм Кохенена может разработать стратегию действий
всего за 216 ходов ( 9 * 4! ), что очень хорошо.

Примечание
А вот алгоритм выдранный из переписки.
- cut -
Newsgroups: fido7.other.nice.sources
From: George Korablev
Date: Fri, 22 Nov 96 20:05:40 +0300
Subject: [News] Re: Самообучающиеся программы

Сердечно приветствую,дорогой Alexey!

Wednesday November 20 1996.В 03:58, Alexey Efimov изрек из своих недр в адрес
George Korablev следующее:
GK>> Да ты не рубишь разницу между обучающейся экспертной системой и
GK>> обучающейся программой. Хотя игра м.б. построена по принципу
GK>> экспертной системы и экспертная система по принципу игры. Могу
GK>> поделиться мыслями - как построить экспертную системы (плагиат из
GK>> одноименной книжки - валяется в библио-глобусе)
AE> Попpобуй... поделись.
Все-таки Sorry за плагиат, но раз уж просят...
Допустим есть система из двух объектов, имеющих по три свойства. Hапример птица и самолет. Пусть "1" - это присутствие признака, а "0" - наоборот.

Заводим внутри программы массивы 2х3 и 1х3, изначально прописанные нулями. Массив 1х3 будет вектором наших вопросов.

Режим обучения/отгадывания:
Мы говорим системе: што есть "крылья"+"шасси" (1,0,1). Система при отгадывании выполняет следующую манипуляцию:

1. умножает вектор наших вопросов на все строки в массиве признаков по очереди.
2. Получаем два результата.
3. Выбираем максимальный. (это и есть ответ на наш вопрос) Т.к. все были нули, программа говорит: "Птица?", вы отвечаете "Нет".
Далее происходит следующий алгоритм:
1. Если программа не угадала, то ваш вектор ответов вычитается из строке массива соответствующему овтету, а к остальным прибавляется.
2. Если программа угадала, то ничего не происходит. В нашем случае после первых наших вопросов имеем:

Птица -1 0 -1
Самолет 1 0 1

Задаем след. вопрос: што есть "крылья"+"перья" (1,1,0)?
Программа:
Птица : -1+0+0 = -1
Самолет : 1+0+0 = 1
ответ: Самолет
Вы: неверно
Программа:
Птица 0 1 -1
Самолет 0 -1 1

После второго нашего заданного вопроса программа обучилась полностью.
На вопрос "што есть "перья" будет получен ответ "птица"
На вопрос "што есть "шасси" - "самолет"
На вопрос "што есть "крылья","крылья"+"перья"+"шасси",
"перья"+"шасси" программа получит одинаковые результаты при сравнении макс. элементов.
На этот случай в алгоритм поиска максимальных элементов включается след. кусок, который проверяет есть ли дубликаты у найденного
максимального значения. Если такие имеются, то программа должна сказать "Похоже на..." и перечислить варианты ответов с одинаковыми
максимальными значениями.
P.S. При обучении программы следует завести счетчик максимального количества вопросов и по его достижению прекращать какое либо
обучение (два одинаковых заданных вопроса на результаты работы программы не влияют), в привед-й выше книге есть алгоритм по этому
поводу, но я его не помню.
P.P.S. Кстати можно использовать количественые значения признаков типа "ноги" при вариантах ответов 1 :), 2, 3 :), 4 и т.д. тоже будет работать и намного точнее.
P.P.P.S ;)

Приведенный пример экспертной системы - одноуровневый. о можно на ее основании построить N-мерную модель. Hапример каждый элемент плоского
массива - это результат по поискам максимальных элементов из других массивов.
- cut -

Примечания переводчика
Данный документ составлен Анисимовым С.Ю. 02/1997.
Переводчик не несет ответственность за неверную информацию, и за повреждения техники и тел при использовании этого документа.