WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 24 | 25 || 27 | 28 |   ...   | 58 |

формирования в графе G -формирования пространства поиска, непересекающихся внутренне - устойчивых -формирования количественного состава подмножеств вершин. роя агентов разведчиков и роя агентов Кликой графа G называется фуражиров, максимальное по включению множество X0 - поиска агентами разведчиками вершин графа, любые две из которых перспективных позиций, являются смежными. Пусть Gп=(X,Uп) - выбора базовых позиций среди полный граф, построенный на множестве перспективных для исследования их вершин X. Граф Gk=(X,Uk) является окрестностей, дополнением графа G=(X,U), если Uk = - выбора агентами фуражирами базовых позиций, Uп\U, т.е. Uп=UkU. Нетрудно видеть, что - формирования окрестностей базовых при переходе от графа G к его дополнению позиций, Gк каждая клика в G переходит в - выбора агентами фуражирами позиций независимое множество в Gк. Отсюда в окрестностях базовых позиций, следует, что задача выделения клики в - общей структуры оптимизационного графе G сводится к задаче выделения процесса.

независимого множества вершин в графе Первая задача при разработке алгоритма Gк, являющегося дополнением графа G.

на основе парадигмы пчелиной колонии заключается в формировании пространства Представления решений на основе поиска. Позиция as пространства поиска пчелиной колонии представляется в виде упорядоченного списка Es={esi |i=1,2,…,n} номеров вершин Основная идея парадигмы пчелиной графа G, где n – количество вершин графа.

колонии заключается в использовании Список Es фактически является кодом двухуровневой стратегии поиска. На решения. Формирование соответствующего первом уровне с помощью пчел списку Es решения - внутренне разведчиков формируется множество устойчивого множества Xs осуществляется перспективных областей (источников), на пошагово путем последовательного втором уровне с помощью пчел фуражиров просмотра элементов списка Es, начиная с осуществляется исследования окрестностей первого. На каждом шаге i просмотра данных областей (источников). Цель рассматривается очередная вершина esi, пчелиной колонии найти источник, есть список вершин, уже включенных в содержащий максимальное количество нектара. В алгоритмах рассматриваемых формируемое множество Xs(i), Xs(1)=.

задач каждое решение представляется в Если среди вершин множества Xs(i) нет ни виде точки (позиции) в пространстве одной вершины смежной вершине esi, то esi поиска. Найденное количество нектара включается в Xs(i). В результате представляет собой значение целевой выполнения этой процедуры формируются 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» внутренне - устойчивое множества Xs и остатком Eоs, и вычисляется значение список оставшихся вершин Eоs, целевой функции Fs. Выбирается nб сформированный путем удаления из Es базовых (лучших) решений Xб={X1s}.

вершин множества Xs. Назовем Формируется множество базовых (лучших) упорядоченный список Eоs остатком. позиций Aб={aбs|s=1,2,…,nб}, Оценкой позиции as является оценка соответствующих множеству базовых множества Xs. Будем называть тройку (лучших) решений Xб.

параметров Es, Xs, Eоs параметрами позиции Предлагаются три подхода к as. определению числа агентов фуражиров, Ключевой операцией пчелиного направляемых в окрестности каждой алгоритма является исследование базовой позиции. При первом подходе перспективных позиций и их окрестностей агенты фуражиры распределяются по в пространстве поиска. В работе базовым позициям равномерно. При втором предлагается метод формирования подходе агенты фуражиры распределяются окрестностей решений с регулируемой по базовым позициям пропорционально степенью подобия и близости между ними. значению целевой функции позиции. При Рассмотрим принципы формирования третьем подходе реализуется позиции az, расположенной в окрестности вероятностный выбор. Вероятность P(aбs) базовой позиции aбs. Случайным образом выбора агентом фуражиром базовой из сформированного множества Xs позиции aбsAб пропорциональна удаляется элементов. Образуется значению целевой функции Fбs в этой множество Xs(). Затем с помощью позиции и определяется как вышеописанной процедуры формирования P(aбs)= Fбs /s (Fбs).

множества Xs предпринимается попытка После выбора агентом фуражиром bz дополнить множество Xs() вершинами из базовой позиции aбsAб, реализуется остатка Eоs. В результате этих действий вероятностный выбор позиции az, будет сформировано внутренне расположенной в окрестности базовой устойчивое множество Xs() очень близкое позиции aбs. Вероятностный выбор позиции по своему содержанию внутренне az и формирование соответствующего ей устойчивому множеству Xs. Степень решения осуществляется в соответствии с различия регулируется управляющим процедурой, изложенной выше. При этом параметром - пороговое значение размера предварительно случайным образом окрестности. Удаленные из Xs вершины определяется число удаляемых вершин z, заносятся в конец остатка Eоs.

лежащее в границах 1 z.

Обозначим множество позиций, Организация поисковых процедур на выбранных агентами фуражирами в основе моделировании адаптивного окрестности позиции aбs как Oбs. Назовем поведения пчелиной колонии множество позиций Oбs aбs областью Dбs.

В каждой области Dбs выбирается лучшая В начале процесса поиска все агенты позиция a*s с лучшей оценкой F*s. Назовем расположены в улье, т.е. вне пространства F*s оценкой области Dбs. Среди F*s поиска.

выбирается лучшая оценка F* и На первой итерации (l=1) агентысоответствующее ей решение, найденное на разведчики в количестве nr случайным данной итерации совместно роем образом размещаются в пространстве разведчиков и роем фуражиров. Лучшее поиска. Эта операция заключается в решение с оценкой F*сохраняется, а затем генерации случайным образом множества происходит переход к следующей отличающихся друг от друга списков итерации.

E={Es| s=1,2,…,nr}, которым соответствует На второй и последующих итерациях множество позиций A = {as| s=1,2,…,nr} множество базовых позиций Aб(l) Для каждого списка Es формируется (l=2,3,…,L), формируется из двух частей внутренне - устойчивое множество Xs с Aб1(l) и Aб2(l), Aб1(l)Aб2(l)= Aб(l). В первую Материалы XVI Международной конференции по нейрокибернетике часть Aб1(l) включаются nб1 лучших формирования соответствующих позиций a*s, найденных агентами в каждой представлений решений рассматриваемых из областей, сформированных на задач. Предложен метод формирования предыдущей итерации. Вторая часть Aб2(l) окрестностей решений с регулируемой формируется пчелами разведчиками также степенью подобия и близости между ними.

как и на первой итерации. Отличие По сравнению с существующими заключается в числе nr1 агентов алгоритмами достигнуто улучшение разведчиков, выбирающих случайным результатов. Рассматриваемая парадигма способом новые позиции. nr1

Рассчитывается число агентов фуражиров, Список литературы направляемых в окрестности каждой 1.Андерсон Д. Дискретная математика и базовой позиции. Каждым агентом комбинаторика. М.: Вильямс, 2003.

фуражиром bz выбирается базовая позиция 2.Курейчик В.В., Курейчик В.М. Генетический as(l) и позиция az(l), расположенная в алгоритм определения паросочетаний графа//Труды окрестности этой базовой позиции. В 10-ой международной конференции “Knowledgedialogue-solution”, Варна, Болгария, 2003, с.246-251.

каждой области Dбs(l) выбирается лучшая 3.A.P.Engelbrecht. Fundamentals of Computational позиция a*s(l) с лучшей оценкой решения Swarm Intelligence. John Wiley & Sons, Chichester, F*s(l). Среди оценок F*s(l) выбирается UK, 2005.

лучшая F*(l). Если F*(l) лучше F*(l-1), то 4.Курейчик В.В., Курейчик В.М., Гладков Л.А., сохраняется решение с этой оценкой, а Сороколетов П.В. Бионспирированные методы в оптимизации.- М.: Физмалит, 2009.

затем происходит переход к следующей 5.Лебедев Б.К., Лебедев О.Б. Эволюционный итерации.

алгоритм нахождения максимального паросочетания Временная сложность этого алгоритма //3-й Международный НТС “Интегрированные зависит от времени жизни колонии l (число модели и мягкие вычисления в искусственном итераций), количества позиций с и числа интеллекте”. М: Изд-во Физматлит, 2005. С.274-280.

6.Лебедев Б.K., Лебедев О.Б. Эволюционный агентов m, и определяется как O(l*c2*m).

алгоритм раскраски графов. //Известия ТРТУ.

Интеллектуальные САПР. Таганрог. Изд-во ТРТУ, Заключение 2005. - №3. - С.202-204.

7.Лебедев О.Б. Решения комбинаторных задач на Рассмотрена модифицированная графах на основе метода муравьиной колонии //Труды конгресса по интеллектуальным системам и парадигма пчелиной колонии для решения информационным технологиям «AIS– IT’09».

комбинаторных задач на графах: выделения Научное издание в 4-х томах. – М.: Физматлит, в графе независимого подмножества 2009, Т.1. – С. 51-58.

вершин, нахождения максимального 8.Курейчик В.М., Кажаров А.А. Применение паросочетания в графе, раскраски графа, пчелиного алгоритма для раскраски графов // Известия ЮФУ. Технические науки. – 2010. – № 12.

выделения клик в графе. На основе – С. 30-36.

анализа поведенческой модели самоорганизации колонии пчёл, разработаны методы и механизмы 4-Й МЕЖДУНАРОДНЫЙ СИМПОЗИУМ «НЕЙРОИНФОРМАТИКА И НЕЙРОКОМПЬЮТЕРЫ» О ВОЗМОЖНОЙ РОЛИ ЭФФЕКТОВ АНТИСИПАЦИИ В НЕЙРОФИЗИОЛОГИИ И МЫШЛЕНИИ (КОРОТКИЕ ТЕЗИСЫ) А.С. Макаренко Институт прикладного системного анализа Национального технического университета Украины «КПИ» makalex@i.com.ua It is considered the phenomena of strong anticipation in Свойство антисипации (предвидения) context of neuro - physiological processes. The в теории и природе definition of strong anticipatory systems by D. Dubois is described. On the base of numerical investigation of Существует много вариантов описания Hopfield model with strong anticipation some new aspects of consciousness phenomena had been антисипации. Пожалуй, для интуитивного proposed. The main peculiarity is presumable multiпонимания наиболее близко следующее:

valuedness of corresponding states of the system.

«Антиципация (от лат. anticipatio – предвосхищаю) — представление о Введение результате того или иного процесса, возникающее до его реального достижения В последнее время исследования и служащее средством обратной связи при процессов в мозгу и объясняющих их построении действия.» [1]. Это понятие концепций и моделей в силу различных встречалось, правда, без формализации и причин привлекают все большее внимание.

измерения, много раз в контексте При этом список достижений впечатляет:

философии, экономики, психологии, модели отдельного нейрона, теория медицины. Относительно недавно нейросетей, нейроинформатика, (вероятно в последние 30-40 лет) в когнитивные науки, мозг - компьютер исследовании антисипации появились как интерфейсе и много других.

экспериментальные исследования, так и Однако все еще далеки от новые теоретические представления. В окончательного решения (и даже от нейронауках самыми известными являются существования общепринятой парадигмы) исследования B.Libet [2] и многочисленные многие проблемы. Одной из ключевых последующие исследования (см. для является проблема объяснения обзора, например [3] и многие другие).

взаимосвязей таких сущностей как мозг – В теоретическом плане в области ум – сознание.

биологии и моделирования в явном виде Ввиду такой неопределенности системы и модели с антисипацией были представляется уместным рассмотрение описаны R. Rosen (см. [4] и др.).

различных факторов и явлений, в том Существенное развитие и формализация числе и пока еще не вполне распознанных.

понятия антисипации было введено в Естественно, существует большое число работах D. Dubois [5, 6,].

таких факторов. Однако одним из самых Начиная с начала 90--го в работах перспективных представляется учет D.Dubois – см. [5, 6], идея сильной проявления свойства предвидения (или антисипацией была введена: “Определение более узко антасипации в смысле дискретной системы с сильной указанном ниже).

антисипацией : это система, которая В связи с этим в предложенном вычисляет текущее состояние во время t, докладе описываются некоторые уже как функцию состояний в прошедшие установленные факты относительно времена,..., t - 3,t - 2,t - 1, настоящее антисипации, в живых системах, свойства время, t, и состояния в будущие моменты нейросетей с антисипацией и, особенно, времени t + 1,t + 2,t + 3,...

возможные следствия для рассмотрения проблемы сознания.

Материалы XVI Международной конференции по нейрокибернетике x(t + 1) = A(..., x(t - 2), x(t - 1), поведения решения модели (3) в различные (1) моменты времени.

x(t), x(t + 1), x(t + 2),..., p) где переменная x в будущие времена t + 1,t + 2,t + 3,... вычисляется непосредственно из уравнения.

Определение дискретной системы со слабой антисипацией: это дискретная система - система, которая вычисляет текущее состояние во время t, как функцию состояния в прошлые времена,...,t - 3,t - 2,t -1, настоящее время, t, и предсказанные (вычисленные) состояния в будущие моменты времени t + 1,t + 2,t + 3,...

x(t + 1) = A(..., x(t - 2), x(t - 1) (2), x(t), x*(t + 1), x*(t + 2),..., p) Поведение многозначного решения.

Номера в правой стороне фигуры соответствуют дискретным моментам времени. Сеть имела где переменная x* в будущие моменты элементов. Виден негомогенный характер решения.

времени t + 1,t + 2,t + 3,... вычислены с использованием предсказывающей модели К возможной роли сильной антисипации системы” [6], (Dubois, 2001, p. 447).

в процессах мышления Поэтому, дальнейшие исследования в рассмотренной сфере должны быть В предыдущем разделе были очень проведены в системе с сильной кратко проиллюстрированы результаты антисипацией.

исследования нейросетевых моделей с учетом сильной антисипации. Основной Особенности поведения решений новой особенностью такого поведения по систем с антисипацией сравнению с другими моделями есть многозначность решения в смысле Очень важный объект предложенного существования одновременно нескольких типа (с антисипацией и дискретным виртуальных состояний элементов.

Pages:     | 1 |   ...   | 24 | 25 || 27 | 28 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.