Рассмотрены основные положения нового раздела искусственного интеллекта - принятие эвристических решений во время вычислительного процесса, связанного с математическими вычислениями над данными, представленными (в формате) с плавающей точкой. Предложена новая арифметическая архитектура компьютерных систем следующих поколений с аппаратно-программной поддержкой системы слежения вычислительного процесса, в т.ч. относительной точности начальных, промежуточных и конечных данных.

Доведено дві теореми, які дозволяють у класичній задачі Штейнера множину заданих точок на площині за певних умов розбивати на підмножини, на яких вихідна задача розв'язується незалежно. Це дозволило будувати кращі еврістичні алгоритми для розв'язання задачі.

Рeaлізовано евристичний алгоритм багатомірної класифікації за ознаками, що базується на поєднанні результатів одномірної класифікації з урахуванням значимості ознак, а також подано його нейромережеву інтерпретацію. Проведено експерименти з порівняння різноманітних модифікацій даного алгоритму на прикладі розв'язання практичних задач.

Доведено нерозв'язність проблеми еквівалентності нормалізованих недетермінованих скінченних перетворювачів, які мають два стани: один вхідний, два вихідні символи, і за один такт роботи можуть прочитати тільки один вхідний символ.

Розглянуто сучасні методи розв'язання задач штучного інтелекту, викладено засади теорії нейронних мереж і еволюційних обчислень. Описано структуру та властивості біологічного та штучного нейрона. Наведено генетичний алгоритм. Проаналізовано особливості застосування алгоритму зворотного поширення помилки для комп'ютерних ігор. Розкрито суть понять генетичних операторів, кодування інформації у генетичному алгоритма.

Рассмотрены современные методы решения задач искусственного интеллекта, изложены основы теории нейронных сетей и эволюционных вычислений. Описаны структура и свойства биологического и искусственного нейрона. Приведен генетический алгоритм. Проанализированы особенности применения алгоритма обратного распространения ошибки для компьютерных игр. Раскрыта сущность понятий генетических операторов, кодирования информации в генетическом алгоритме.

Раскрыты основные теоретические положения эволюционных вычисслений как нового научного направления в теории интеллектуальных систем. Показаны возможности применения эволюционных вычислений при решении различных технических задач. Изложены основы теории генетических алгоритмов (ГА), сформулированные Холландом и Д. Голдбергом. Описаны генетические операторы репродукции, кроссинговера и мутации, показано их влияние на "выживаемость" отдельных групп особей, которые обладают (или не обладают) некоторыми свойствами. Рассмотрены задачи комбинаторной оптимизации, а также основные виды представления потенциальной задачи коммивояжера и проблемно-ориентированные генетические операторы. Даны сведения о современных обобщениях и модификации ГА, параллельных и вероятностных ГА. Описаны основные виды параллелизации и способы их реализации. Раскрыты основы генетического программирования и машинного обучения, проведено сравнительное исследование эволюционной стратегии и генетических алгоритмов, показаны возможности применения эволюционного программирования в прогнозировании и задачах управления. Освещены вопросы программной и аппаратной реализации ГА.

Розглянуто питання побудови алгоритмів розв'язання наступних класів складних оптимізаційних задач: цілочислового програмування, комбінаторної та багатокритеріальної оптимізацій. Наведено порівняльний аналіз відомих і розроблених ученими Інституту кібернетики алгоритмів.

Рассмотрены вопросы построения алгоритмов решения следующих классов сложных оптимизационных задач: целочислового программирования, комбинаторной и многокритериальной оптимизации. Приведен сравнительный анализ известных и разработанных учеными Института кибернетики алгоритмов.

Розглянуто застосування методу евристичної самоорганізації, (методу групового врахування аргументів), для розв'язання задач дискретної оптимізації. Доведено збіжність за імовірністю цього процесу до точки глобального оптимуму. Наведено приклади обчислювальних експериментів.

Отмечено, что задачи с неполной начальной информацией возникают в различных областях прикладной математики и информатики и требуют создания специальных методов их решения. Проблемы интерполяции и экстраполяции функций, распознавания образов, выбора предпочтительных альтернатив и многие другие - типичные и важные примеры классов таких задач. Неполнота начальной информации в общем случае влечет некорректность задачи, необходимость определения понятия решения как некоторого множества (области неопределенности), внутри которого содержится точное решение соответствующей задачи с полной начальной информацией. Предложен достаточно общий подход к описанию задач с неполной информацией, направленный на автоматизированный синтез информационных интерактивных систем принятия и поддержки решений.

Запропоновано метод розв'язання задачі оцінки та ранжування альтернативних розв'язків під час інтервального задання значень їх характеристик. Проведено його експериметальну перевірку.

Рассмотрена методика оптимизации работы генетического алгоритма биссекции графа за счет сужения пространства поиска решений и выбора оптимального набора генетических операторов. Предложен метод параллельного расчета двух фитнесс-функций хромосомы. Приведено численное сравнение результатов работы простого и улучшенного генетических алгоритмов, подтвердившее эффективность применения предложенного подхода.

Представлено базований на концепції оптимізаційно-імітаційної інтеграції підхід до реалізації імітаційного інструментарію та відповідного програмного середовища на базі дискретно-подійної системи НЕДИС-Р, метаевристичного оптимізатора й уніфікованої схеми пошуку оптимальних рішень щодо задач аналізу, модернізації або проектування складних систем. Зазначений підхід забезпечує скорочення витрат часових і фінансових ресурсів на проведення експериментів. Розглянуто перспективи подальшого розвитку такого підходу.

Індекс рубрикатора НБУВ: З810.401

Рубрики:

Теорія розв'язання задач

Шифр НБУВ: Ж29409/А Пошук видання у каталогах НБУВ 

Сформульовано задачу побудови стохастично-ортонормованих систем. Запропоновано ігровий метод та розроблено алгоритм розв'язування задачі. Досліджено вплив параметрів задачі на збіжність ігрового методу.

Розроблено систему моделювання для дослідження ефективності ПДС-алгоритму (алгоритм із поліноміальною й експоненційною складовими) задачі мінімізації сумарного запізнення виконання завдань, яка відноситься до NP-складних; методику дослідження задачі, а також генератор довільних задач, які охоплюють усі підкласи задачі мінімізації сумарного запізнення. Побудовано таку схему дослідження ефективності ПДС-алгоритму, яка дозволяє одержати статистичні характеристикі розв'язку задачі поліноміальною та експоненційною складовими (оцінки трудомісткості, відсоток задач, що розв'язуються поліноміально, оцінка реального часу розв'язання, відсоток задач, що розв'язуються реальним повним перебором).

Одержано вирази залежності часу розв'язання задачі та оцінки його точності від параметра схеми. Розглянуто оптимізаційну задачу вибору параметра у розумінні критерію "часові витрати - точність розв'язку". Одержано парето-оптимальну множину розв'язків. Зроблено вибір оптимального значення параметра за допомогою методу ідеальної точки.

Розроблено генетичний алгоритм (ГА) та оператор схрещування (ОС). Запропоновано застосування ГА та ОС для розв'язання складних оптимізаційних задач та показано їх ефективність.

Предложена эффективная методология нахождения победителя среди большого количества альтернатив в методе анализа иерархий с применением оптимизационных моделей поиска весов объектов по эмпирическим матрицам парных сравнений. Рассмотрены две разные модели эмпирических матриц парных сравнений. Приведен демонстрационный пример.

Запропоновано новий метод та відповідний йому алгоритм розв'язання задачі про призначення, який при великій розмірності задачі є більш ефективним порівняно з алгоритмом угорського методу.

Розглянуто використання генетичного алгоритму для рішення задач оптимізації багатоекстремальних функцій і функцій з нелінійною не випуклою областю обмежень. Одержані результати показали, що застосування генетичного алгоритму не може гарантувати знаходження найкращого рішення, проте, він з великою ймовірністю дає одне з оптимальних рішень. Для покращання оптимізації необхідно робити детальний аналіз операторів кросенговера та мутації для генетичного алгоритму, адже збільшення розміру популяції чи кількості поколінь не завжди дозволяють одержати бажані результати.