Задания для разработки экспертных систем

Целью лабораторной работы является создание студентом экспертной системы. Для реализации ЭС рекомендуется использование языков и сред программирования: Турбо-Пролога, C ++, Delphi.

Ниже излагаются варианты тем для разработки экспертных систем. Выбор варианта производится в соответствии с желанием студента, на основании его знаний о предметной области.

Варианты заданий

1. ЭС, рекомендующая распределение времени при подготовке к экзаменам.

2. ЭС по выбору темы для бакалаврской работы.

3. ЭС по диагностике состояния здоровья пациента.

4. ЭС по выбору вуза и специальности для абитуриента.

5. ЭС, определяющая тип темперамента человека.

6. ЭС по выбору маршрута и способа передвижения из одного населенного пункта в другой.

7. ЭС по принятию финансовых решений в области малого предпринимательства.

8. ЭС по выбору места работы после окончания ТПУ.

9. ЭС, определяющая неисправность автомобиля и дающая рекомендации по ее устранению.

10. ЭС по выбору автомобиля.

11. ЭС для принятия решения о приеме на работу в компьютерную фирму нового сотрудника.

12. ЭС поиска неисправностей в компьютере.

13. ЭС по выбору стиральной машины.

14. ЭС, рекомендующая конфигурацию персонального компьютера.

15. ЭС, прогнозирующая исход футбольного матча.

16. ЭС по выбору системы защиты информации.

17. ЭС оценки качества программного обеспечения.

18. ЭС, принимающая решения о формировании бюджета семьи.

19. ЭС по определению оптимального маршрута движения автомобиля “Скорой помощи” по вызовам.

20. ЭС по определению типа геологической породы.

21. ЭС, рекомендующая конфигурацию сервера локальной вычислительной сети.

22. ЭС по выбору инструментальных средств при создании web-сайтов.

Отчет по лабораторной работе должен содержать:

· цель работы;

· постановку задачи;

· метод решения задачи;

· структурную схему алгоритма;

· листинг программы;

· результаты работы экспертной системы;

· выводы;

· список использованной литературы.

Глава 5
ГенетическиЙ алгоритм

Данная глава посвящена генетическим алгоритмам (ГА), используемым для решения задач оптимизации и моделирования. В разделе 5.1 описаны предпосылки к возникновению эволюционных вычислений и перечислены основные задачи, решаемые с использованием ГА. Общая схема и краткое описание работы ГА представлены в разделе 5.2. Раздел 5.3 посвящен описанию основных этапов и параметров ГА, а в разделе 5.4 приводятся общие рекомендации по настройке значений параметров генетического алгоритма. В разделе 5.5 описан ставший классическим канонический ГА. Раздел 5.6 содержит пример применения и анализа ГА для решения задачи численной оптимизации. Общие замечания по программной реализации генетического алгоритма представлены в разделе 5.7 [20]. В разделе 5.8 содержатся варианты заданий для лабораторных работ.

Предисловие

Развитие природных систем на протяжении многих веков привлекало внимание ученых. Неоднократно совершались попытки выделить и осмыслить основополагающие принципы и механизмы, лежащие в основе изменений, происходящих в живой природе. Предлагалось множество различных концепций, пока в 1858 году Чарльз Дарвин не опубликовал свою знаменитую работу «Происхождение видов», в которой были провозглашены принципы наследственности, изменчивости и естественного отбора. Однако, на протяжении почти 100 последующих лет оставались неясными механизмы, отвечающие за наследственность и изменчивость организмов. В 1944 году Эйвери, Маклеод и Маккарти опубликовали результаты своих исследований, доказывавших, что за наследственные процессы ответственна «кислота дезоксирибозного типа». Это открытие послужило толчком к многочисленным исследованиям во всем мире, и 27 апреля 1953 года в журнале «Nature» вышла статья Уотсона и Крика, где была описана модель двухцепочечной спирали ДНК.

Знание эволюционных принципов и генетических основ наследственности позволило разработать как модели молекулярной эволюции [21], описывающие динамику изменения молекулярных последовательностей, так и макроэволюционные модели, используемые в экологии, истории и социологии для исследования экосистем и сообществ организмов [21, 22].

Эволюционные принципы используются не только для моделирования, но и для решения прикладных задач оптимизации. Множество алгоритмов и методов, использующие для поиска решения эволюционный подход, объединяют под общим названием эволюционные вычисления (ЭВ)или эволюционные алгоритмы (ЭА) [23]. Существуют следующие основные виды ЭА:

– генетический алгоритм [24, 25];

– эволюционное программирование [26];

– эволюционные стратегии [27, 28];

– генетическое программирование [29].

В данной главе будет рассмотрен генетический алгоритм (ГА) как один из самых распространенных эволюционных алгоритмов. Краткое описание видов ЭА приведено в [30].

Круг задач, решаемых с помощью ГА, очень широк. Ниже перечислены некоторые задачи, для решения которых используются ГА [31, 25, 34]:

– задачи численной оптимизации;

– задачи о кратчайшем пути;

– задачи компоновки;

– составление расписаний;

– аппроксимация функций;

– отбор (фильтрация) данных;

– настройка и обучение искусственной нейронной сети;

– искусственная жизнь;

– биоинформатика;

– игровые стратегии;

– нелинейная фильтрация;

– развивающиеся агенты/машины.

Сама идея применения эволюционных принципов для машинного обучения присутствует также и в известном труде А. Тьюринга, посвященном проблемам создания «мыслящих» машин [35].