Статья

Название статьи ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ TRANSFER LEARNING ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО ФОРМИРОВАНИЯ СТАРТОВЫХ ПОПУЛЯЦИЙ ПРИ РЕШЕНИИ ЗАДАЧ ТРАНСПОРТНОГО ТИПА
Автор Ю. О. Чернышев, Н. Н. Венцов, И. С. Пшеничный
Рубрика РАЗДЕЛ II. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И НЕЧЕТКИЕ СИСТЕМЫ
Месяц, год 04, 2018
Индекс УДК 681.3
DOI
Аннотация Представлен способ формирования новых термов, описывающих нечеткие решения оптимизационных задач транспортного типа. Отличительной чертой предложенного способа является использование технологии Transfer Learning и параметрического подхода к построению функций принадлежности. Технология Transfer Learning позволяет переносить данные между контекстно связанными задачами. Решаемая в данный момент времени контекстно связанная задача является целевой, её особенностью является наличие неопределенностей, обусловленных неполным или противоречивым, описанием моделируемой предметной области. Под исходной понимается задача с большим количеством, по сравнению с целевой, известных (формализованных) составляющих таких, как целевая функция, система ограничений, входные данные и т.д. Подразумевается, что фрагменты исходной и целевой задачи находятся в некоторой контекстной взаимосвязи. Математические модели современных оптимизационных задач содержат как четкие, так и нечеткие составляющие, поэтому актуальной становится проблема переноса нечетких параметров. Существенным недостатком технологии Transfer Learning является использование однотипных преобразований при переносе данных исходной задачи в целевую. Использование параметрического подхода позволяет адаптировать перенесенные в промежуточное решение целевой задачи данные. Адаптация заключается в организации движения особей стартовой популяции в нечетком пространстве поиска. Особенность данного движения – возможность использования заимствованных, при помощи технологии Transfer Learning результатов, не только в качестве аргументов функции, при помощи которой определяется направление движения, но и для определения коэффициентов перехода, задающих особенности функций определения траекторий движения. Стратегию адаптации можно задать при помощи известных интеллектуальных подходов, например, алгоритмов случайного поиска. Чем в более сильной контекстной взаимосвязанности находятся целевая и решаемая задача, тем, как правило, более эффективным становится использование предложенного подхода.

Скачать в PDF

Ключевые слова Нечеткие системы; перенос знаний; адаптация; интеллектуальные методы; контекст.
Библиографический список 1. Бова В.В., Гладков Л.А., Кравченко Ю.А., Курейчик В.В., Курейчик В.М., Нужнов Е.В., Рогозов Ю.И., Свиридов А.С., Сороколетов П.В., Щеглов С.Н. Технологии интеллектуального анализа и извлечения данных на основе принципов эволюционного моделирования. – Таганрог: ТТИ ЮФУ, 2009. – 124 с.
2. Росс Д. Структурный анализ (SA): язык для передачи понимания. Требования и спецификации в разработке программ. – М.: Мир, 1984. – 344 с.
3. Свиридов А.С. Метод построения математической модели информационных потоков предприятия // Известия ТРТУ. – 2004. – № 3 (38). – C. 152-156.
4. Чернышев Ю.О., Басова А.В., Полуян А.Ю. Решение задач транспортного типа генетическими алгоритмами. – Ростов-на-Дону: Изд-во ЮФУ ГОУ, 2008. − 87 с.
5. Чернышев Ю.О., Басова А.В., Панасенко П.А., Поляков В.И. Использование методов моделирования эволюции для оптимизации документооборота на предприятии // Вестник информационных технологий, механики и оптики. – 2013. – № 1 (83), – C. 135-140.
6. Курейчик В.М., Лебедев Б.К., Лебедев О.Б. Поисковая адаптация: теория и практика: монография. – М.: Физматлит, 2006. – 272 c.
7. Лебедев Б.К., Лебедев О.Б., Чернышев Ю.О. Основные задачи синтеза топологии СБИС: монография. – Ростов-на-Дону: РГАСХМ, 2006. – 92 с.
8. Zade L.A. Fuzzy sets // Information and Control. – 1965. – Vol. 8. – 338 p.
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. 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 (2). – P. 161-180.
11. Shell J., Coupland S. Fuzzy Transfer Learning: Methodology and Application // Preprint submitted to Information Sciences. – May 23, 2014. – 27 p.
12. Венцов Н.Н., Долматов А.А., Чернышев Ю.О. Эволюционный алгоритм решения нечетко сформулированной транспортной задачи // IS-IT`17: Тр. Междунар. конгр. по интеллект. системам и информ. технологиям, п. Дивноморское, 2-9 сентября. – Тананрог: ЮФУ, 2017. – Т. 1. – C. 13-19.
13. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: Примеры использования. – Рига: Зинатне, 1990. – 184 с.
14. Mendel J.M. Fuzzy-logic systems for engineering // A. tutorial. Proceedings of IEEE. – 1995. – Vol. 83 (3). – P. 345-377.
15. Shell J., Coupland S. Fuzzy Transfer Learning: Methodology and Application // Preprint submitted to Information Sciences May 23, 2014. – 27 p.
16. Nazim M,. Hashim M., Xu J. Multi Objective Optimization of Production-Distribution Problem under Fuzzy Random Environment // Global J Technol Optim. – 2014. – No. 5: 161. – Doi: 10.4172/2229-8711.1000161.
17. Enrique López González, Miguel A. Rodríguez Fernández, Cristina Mendaña-Cuervo, Raquel Flórez López. The distribution problem in management accounting with genetic algorithm and fuzzy sets // Proceedings of the EUSFLAT-ESTYLF Joint Conference, Palmade Mallorca, Spain, September 22-25, 1999.
18. Cristina Mendaña-Cuervo, Enrique López-González, Begoña González-Pérez. A Model of Genetic Fuzzy System for the Design of New Products // Proceedings of the Joint 4th Conference of the European Society for Fuzzy Logic and Technology and the 11th Rencontres Francophones sur la LogiqueFloue et ses Applications, Barcelona, Spain, September 7-9, 2005.
19. Чернышев Ю.О., Венцов Н.Н., Долматов А.А. Способ переноса данных между контекстно связанными задачами на основе PSO-метода // Известия ЮФУ. Технические науки.
– 2017. – № 7 (192). – С. 154-162.
20. Нечеткие множества в моделях управления и искусственного интеллекта / под. ред. Д.А. Поспелова. – М.: Наука. 1986. – 321 с.
21. Курейчик В.М., Сафроненкова И.Б. Интеллектуальная классификация в условиях шума // Тр. конференции «Искусственный интеллект: проблемы и пути решения», 14-15 марта 2018. ФГАУ «Конгрессно-выставочный центр «Патриот». – С. 17-23.
22. Желтов С.Ю., Федунов Б.Е. Распределенный бортовой искусственный интеллект поддержки процесса решения тактических задач экипажами летательных аппаратов // Тр. конференции «Искусственный интеллект: проблемы и пути решения», 14-15 марта 2018. ФГАУ «Конгрессно-выставочный центр «Патриот». – С. 17-23.

Comments are closed.