Меню
Главная
Авторизация/Регистрация
 
Главная arrow Экономика arrow Введение в теорию развития

3.3. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ЭВОЛЮЦИОННОЕ МОДЕЛИРОВАНИЕ

Впервые имитационная модель эволюции применительно к задаче искусственного интеллекта, по-видимому, была предложена в книге Л. Фогеля, А. Оуэнса, М. Уолша «Искусственный интеллект и эволюционное моделирование» [102]. Рассмотрим кратко технологию моделирования эволюции, предложенную в названной работе[1].

Говоря об искусственном интеллекте, необходимо, прежде всего, попытаться дать его определение, а если это невозможно, хотя бы указать признаки его присутствия. Первые попытки измерения интеллекта возникли из практической потребности выявления индивидов, которые заслуживают специального обучения, прежде всего, талантливых детей. Были разработаны различные тесты интеллектуальных способностей, например, получивший широкое распространение тест «умственной одаренности» (I.Q. — Intelligence Quotient). Этот тест нс во всех отношениях является удовлетворительным. В частности, он обычно отдает предпочтение лицам, связанным с городской культурой, и тем, у кого более развита способность к словесному выражению мыслей.

Названные выше и подобные ему тесты не могут претендовать на то, чтобы раскрыть природу интеллекта. На это нс могут претендовать и разнообразные биофизические исследования интеллекта. Они позволили установить лишь грубую локализацию функций в различных отделах коры головного мозга. В целом же вопрос о природе интеллекта в значительной мере остается открытым.

Со стороны психологов предпринимались попытки разложить интеллектуальное поведение на компоненты, такие как вербальное понимание, беглость речи, перцепция, психомоторная координация, способность к счету, память, рассуждение и другие, что, однако, не дает возможности выявить причины, порождающие интеллект.

Следует отметить, что некоторые признаки интеллекта, например, разумное (в некотором смысле) поведение проявляется живыми существами, стоящими даже на самых низких уровнях в филогенетическом ряду. Разумное поведение само по себе требует уточнений. По-видимому, разумным можно считать такое поведение, которое направлено на достижение определенной цели. Наличие способности стремиться к некоторой цели можно считать одним из проявлений интеллекта как в живых, так и в неживых системах.

А. Эндрю считает, что в первом приближении интеллект принимающего решения устройства можно определить как его способность достигать определенной степени успеха при поиске широкого многообразия целей в обширном диапазоне сред [118]. При этом на передний план выходит проблема количественного выражения степени успеха [4].

Принимающее решения существо (или устройство), которое может достигнуть конкретной цели только в определенной среде или при определенных условиях, не обнаруживает значительного интеллекта. Универсальность, гибкость, способность приспосабливаться к различным условиям является одним из важных свойств интеллекта.

Исследования логической структуры интеллекта, начавшись с чисто философских спекуляций, сегодня достигли уровня, позволяющего автоматизировать доказательство справедливости различных гипотез.

Еще одним направлением исследования интеллекта являются попытки воспроизвести интеллект человека. Такие работы иногда называют «бионикой». В частности, к области бионики относятся разработки «нейронных сетей» с некоторыми простейшими свойствами нервной системы, например способностью к обучению и распознаванию образов. В 1943 г. Г. Маккалок и О. Питтс доказали, что любое поведение, которое может быть логически строго и однозначно определено с помощью конечного числа слов, может быть реализовано и сетью «формальных нейронов». Другая классическая работа, выполненная теми же авторами в 1959 г., продемонстрировала избирательные свойства сетчатки глаза лягушки. На основе этих работ фон Фсрстср дал описание фильтров, состоящих из связанных между собой формальных нейронов.

Независимо от указанных выше работ была предложена модель мозга, в которой ячейки связаны в случайно организованную сеть. Предполагается, что эти связи существовали еще до принятия любого успешного решения. После принятия решения связи становятся более устойчивыми, создавая тем самым «следы памяти». И. Фэрли и Дж. Кларк промоделировали такую систему, используя «...случайно связанную сеть нелинейных элементов, причем каждый из них имеет порог для входного возбуждения, ниже которого возбуждения элемента нс происходит, а выше которого элемент «срабатывает». Когда элемент срабатывает, его порог немедленно возрастает до бесконечности, а затем, после непродолжительного рефрактерного периода, экспоненциально уменьшается до своего значения в состоянии покоя. Кроме того, через короткое время после срабатывания элемент передает возбуждение всем другим элементам, с которыми он связан. Эффективность возбуждения, передаваемого таким образом к соседнему элементу, определяется некоторым свойством данной связи, известным под названием «веса» связи. В общем случае каждый элемент имеет несколько входных связей, из которых каждая имеет свой вес... В момент передачи возбуждения соответствующий вес добавляется к любому возбуждению, уже присутствующему на входе данной ячейки. После этого возбуждение экспоненциально убывает до нуля. Таким образом, модель реализует как пространственное, так и временное суммирование. Если в какой- то момент это возбуждение превышает порог соответствующего элемента, последний совершает свой собственный цикл срабатывания и передает свои собственные возбуждения... Следовательно, система сама организуется так, чтобы различать два различных входных образа» 1102, с. 69—70].

В последние годы интерес к искусственным нейронным сетям необычайно высок. В Интернете можно найти достаточно много сведений о них. Это и различные РАО (часто задаваемые вопросы) из конференций, и анонсы книг, и статьи[2].

Источником информации является среда, далее она рассматривается как последовательный источник сигналов, выбранных из конечного алфавита. Способность предсказывать среду с разумной степенью успеха является одним из проявлений «разумного» поведения. Конкретно задача состоит в том, чтобы найти алгоритм, который, оперируя над наблюдавшейся последовательностью входных символов, научился бы выдавать в каждый момент времени выходной символ, с наибольшей вероятностью совпадающий с очередным символом среды. Эволюционное программирование предлагает путь для достижения этой цели.

По существу, эволюционная программа реализует ускоренное моделирование некоторых фундаментальных процессов естественной эволюции. Рассматривается «организм», который задается в виде алгоритма, описывающего определенную логику преобразования последовательности входных символов в последовательность выходных. Алгоритм, в свою очередь, в наиболее удобном виде представляется как конечный автомат. «Родительский» организм (автомат) оценивается в зависимоети от способности принимать требуемое решение на основе имеющихся данных. Этот организм подвергается мутации и производит на свет «потомка», которому ставится такая же задача и который оценивается таким же образом. Тот организм, который демонстрирует наилучшую способность выполнять требуемые функции, сохраняется и служит «родителем» для нового поколения. Таким образом, эволюция производит автоматы, все лучше и лучше решающие поставленную задачу. Примером может служить автомат с тремя состояниями (рис. 3.1,а).

Ориентированный граф конечного автомата прототипа организма, подверженного мутациям

Рис. 3.1. Ориентированный граф конечного автомата прототипа организма, подверженного мутациям

Алфавит входных символов состоит из 0 и 1, тогда как алфавит выходных символов — из а, (3 и у (входные символы указаны слева от наклонной черточки, а выходные — справа от нее). Как показано на рис. 3.1,а, входной символ 1, поданный на автомат, находившийся в состоянии В, изменяет внутреннее состояние автомата на С, причем на его выходе появляется символ а. Таким образом, последовательность входных символов преобразуется в последовательность выходных, как показано в табл. 3.1, где предполагается, что начальным состоянием является С.

Если бы начальное состояние было иным, то и выходная последовательность в общем случае была бы другой. Поэтому конечный автомат полностью определяется своей диаграммой

Таблица 3.1

Последовательность входов, выходов и состояний

Текущее состояние

С

в

с

А

А

В

Входной символ

0

1

1

1

0

1

Следующее состояние

В

с

А

А

В

с

Выходной символ

р

а

У

Р

Р

а

состояний и указанием начального состояния. Предполагается, что автомат действует только при поступлении входных символов и все операции оканчиваются до поступления очередного символа.

Предположим теперь, что желательно, чтобы предсказывался каждый следующий символ входной последовательности (а не в некоторые выбранные моменты времени). При этом задача состоит в отыскании алгоритма, который оперировал бы над последовательностью входных символов так, чтобы полученный выходной символ с наибольшей вероятностью совпадал с очередным символом среды. Для достижения этой цели произвольному конечному автомату М0 предъявляют последовательность входных символов из внешней среды (рис. 3.1,6). Каждый выходной символ автомата сравнивается со следующим входным символом, поступающим от среды. Процент правильных предсказаний есть мера способности автомата предсказывать поведение среды на основе предшествовавших символов (табл. 3.2). В первой строке этой таблицы указана последовательность текущих состояний автомата в процессе ее реагирования на последовательность входных символов, представленную во второй строке таблицы. Состояние В было произвольно выбрано в качестве начального состояния. Самый последний по времени входной символ находится непосредственно слева от вертикальной черты, в то время как справа от нее указан символ, который должен быть предсказан. В третьей строке приведена последовательность выходных символов. Отметим, что выходные символы сдвинуты на одну позицию вправо для облегчения сравнения.

Таблица 3.2

Последовательность входов, состояний н предсказаний

Текущее

состояние

В

А

С

С

с

с

в

с

с

в

А

в

Входной символ

2

2

1

0

1

3

3

0

3

0

1

2

Выходной символ

1

2

1

0

1

1

0

0

1

1

1

Стоимость

ошибки

1

1

1

1

1

1

0

1

1

0

Последняя строка образована путем сопоставления входа с предсказанием при учете «матрицы стоимостей» (или «матрицы штрафов») А=[а.у]. В данном примере а^ = 0, если предсказание правильно (/ = у), и ау = 1, если предсказание не верно (/ * у). Иначе говоря, стоимость каждого преобразования входа в выход находится по матрице стоимостей, где индекс / относится к предсказанному символу (выходу машины), а у — к очередному символу входной последовательности. Мера Р] предсказательной способности машины определяется как отношение суммы стоимостей всех ошибок к числу членов последовательности. Так, средняя стоимость ошибок машины Л/0 находится по формуле

«Потомок», этого автомата производится путем мутаций, т.е. однократного изменения родительского автомата в соответствии с некоторым распределением «мутационного шума». Режим мутаций определяется интервалом, в котором лежит некоторое число, выбираемое из таблицы случайных чисел. Интервалы выбираются в соответствии с распределением вероятностей допустимых режимов мутаций. Для определения конкретных деталей режима мутаций выбираются добавочные числа. Таким образом, «потомок» может отличаться от «родителя» выходным символом, таблицей переходов, числом состояний или начальным состоянием.

  • [1] Далее по тексту в этом разделе некоторые ссылки на данную работу опускаются.
  • [2] В качестве типичного примера можно привести вопросник по нейронным сетям, оригинал которого находится по адресу ftp://ftp.sas.com/риЬ/псига1/РА0.1пт1.
 
Посмотреть оригинал
< Пред   СОДЕРЖАНИЕ ОРИГИНАЛ   След >
 

Популярные страницы