Статья

Название статьи СПОСОБ ПЕРЕНОСА ДАННЫХ МЕЖДУ КОНТЕКСТНО СВЯЗАННЫМИ ЗАДАЧАМИ НА ОСНОВЕ PSO-МЕТОДА
Автор Ю. О. Чернышев, Н. Н. Венцов, А. А. Долматов
Рубрика РАЗДЕЛ III. МОДЕЛИРОВАНИЕ СЛОЖНЫХ СИСТЕМ
Месяц, год 07, 2017
Индекс УДК 681.3
DOI
Аннотация Во многих случаях получение априорно определенных обучающих данных затруднительно или вообще невозможно. В этой связи перспективным представляется адаптивный перенос имеющихся знаний (transfer learning) из доступных моделей, контекстно связанных областей, в проектируемую систему. В работе рассматривается способ переноса нечетких данных из исходной задачи в целевую. Под исходной понимается задача с большим количеством известных (формализованных) составляющих таких, как целевая функция, система ограничений, входные данные и т.д. Целевой является задача с трудно формализуемыми параметрами. Подразумевается, что фрагменты исходной и целевой задачи находятся в некоторой контекстной взаимосвязи. Например, исходная задача может состоять в проектировании интегральной схемы на кристалле заданного размера. При несущественном изменении геометрии кристалла, возникает контекстно связанная задача доводки спроектированного изделия. Использование знаний об исходной задаче при решении целевой, будет способствовать сокращению времени поиска. Известно, что для одних и тех же оптимизационных задач в одних случаях необходимо получать точные решения, а в других достаточно получения приближенных решений. Под приближенным решением можно понимать некоторую область точек, каждая из которых описывает некоторые свойства исследуемого объекта (процесса), и может быть решением задачи, в некоторой трудно формализуемой ситуации. Поэтому, целесообразно рассматривать процедуры нечеткого переноса информации из одной предметной области в другую. В работе показано, что для случая, если область определения носит нечеткий характер, процедура функционирования алгоритма должна быть модифицирована, например, за счет выполнения известных операций над нечеткими числами с треугольным представлением. На практике перенос нечетких переменных может носить нелинейный, трудно формализуемый характер. По этой причине актуальной становится проблема поиска наиболее адекватного переноса данных одной целевой задачи в другую. В качестве примера переносимых параметров задачи приведены функции принадлежности нечетких чисел. Преимуществом предложенного подхода, по сравнению с подходом Shell J. и Coupland S., является независимость процесса конвертации от наличия знаний о размерах областей определений исходной и целевой задач. Недостатком является его зависимость от определенности функции F, описывающей адекватность переноса нечеткой переменной из одного контекста в другой.

Скачать в PDF

Ключевые слова Нечеткие системы; адаптация; интеллектуальные методы; контекст.
Библиографический список 1. Литвиненко В.А. Адаптивные алгоритмы проектных операций САПР ЭВА // IS-IT`14: Тр. Междунар. конгр. по интеллект. системам и информ. технологиям, п. Дивноморское, 2-9 сент. ЮФУ. – М.: Физматлит, 2014. – Т. 1. – С. 113-119.
2. Dey A. Understanding and Using Context // Personal and ubiquitous computing. – 2001.
– No. 5. – P. 4-7.
3. Dourish P. What we talk about when we talk about context // Personal Ubiquitous Comput.
– 2004. – No. 8. – P. 19-30.
4. Bettini C., Brdiczka O., Henricksen K., Indulska J., Nicklas D., Ranganathan A., Riboni D.
A survey of context modelling and reasoning techniques // Pervasive and Mobile Computing.
– 2010. – No. 6. – P. 161-180.
5. Shell J, Coupland S. Fuzzy Transfer Learning: Methodology and Application // Preprint submitted to Information Sciences May 23, 2014. – 27 p.
6. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: Примеры использования. – Рига: Зинатне, 1990. – 184 с.
7. Лебедев Б.К., Лебедев О.Б., Чернышев Ю.О. Основные задачи синтеза топологии СБИС: монография. – Ростов-на-Дону: РГАСХМ, 2006. – 92 с.
8. Глушань В.М., Лаврик П.В. Распределенные САПР. Архитектура и возможности. – Ста-рый Оскол: ТНТ, 2104. – 188 с.
9. Полковникова Н.А., Курейчик В.М. Разработка модели экспертной системы на основе нечёткой логики // Известия ЮФУ. Технические науки. – 2014. – № 1 (150). – С. 83-92.
10. Zade L.A. Fuzzy sets // Information and Control. – 1965. – Vol. 8. – P. 338.
11. Курейчик В.М. Особенности построения систем поддержки принятия решений // Известия ЮФУ. Технические науки. – 2012. – № 7 (132). – С. 92-98.
12. Берштейн Л.С., Боженюк А.В. Анализ использования оператора импликации в нечетком правиле вывода по аналогии // Известия ТРТУ. – 2004. – № 3 (38). – С. 5-10.
13. Малышев Н.Г., Берштейн Л.С., Боженюк А.В. Нечеткие модели для экспертных систем в САПР. – М.: Энергоатомиздат, 1991. – 136 с.
14. Чернышев Ю.О., Венцов Н.Н., Мухтаров С.А. К вопросу об интеллектуальной поддержке процесса доводки СБИС // Известия ЮФУ. Технические науки. – 2012. – № 7 (132).
– С. 63-69.
15. Чернышев Ю.О., Венцов Н.Н., Мухтаров С.А. Разработка алгоритма интеллектуальной поддержки улучшения промежуточных решений оптимизационных задач // Вестник ДГТУ. – 2012. – № 5 (56). – С. 68-76.
16. Нечеткие множества в моделях управления и искусственного интеллекта / под ред.
Д.А. Поспелова. – М.: Наука. Гл. ред. Физ.-мат. лит. 1986. – 321 с.
17. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. – М.: Мир, 1976. – 165 с.
18. Прикладные нечеткие системы: пер. с япон. К. Асаи, Д. Ватада, С. Иваи и др. / под ред. Т. Тэрано, К. Асаи, М. Сугэно. – М.: Мир, 1993. – 386 с.
19. Кофман А. Введение в теорию нечетких множеств: пер. с франц. – М.: Радио и связь, 1982. – 432 с.
20. Engelbrecht A. Computational intelligence: an introduction – John Wiley and Sons Ltd., 2007. – 597 p.
21. Венцов Н.Н. Эволюционный подход к моделированию распределительных процессов // Инженерный вестник Дона. – 2013. – Режим доступа: http://www.ivdon.ru/magazine/ archive/n4y2013/1886. – Загл. с экрана.

Comments are closed.