Назад в раздел
Алгоритмы искуственного интеллекта ( AI ).
eManual.ru - электронная документация
A: (Sergey Anisimov anis@anis.kchepetsk.ru)
+--------------------------------------------+-------------------------------
| Алгоритмы искуственного интеллекта ( AI ) |
+============================================+
По статье Jang Hin Lang (jang@ecf.toronto.edu)
Я не верю, что возможно обсудить все принципы и методы создания AI (
механизмов самообучения ) в компьютерных программах. Поэтому Вашему
вниманию будут предложены лишь их часть, а вернее всего два алгоритма
создания AI в компьютерных программах.
+------------------+---------------------------------------------------------
| Алгоритм нейрона |
+==================+
Это наименее сложный из алгоритмов. Рассмотрим вначале схематичное
изображение нейрона:
Dendrite Дендрит | ------------ |
(Ввод) ----------------- O | | Аксон - один
. их может быть | Тело нейрона | O ---------------
. несколько | cell body | Axon (вывод)
(Ввод) ----------------- O | |
|--------------|
Где O - synapse. Синапс служит для соединения контактов между собой и
исполнительными механизмами.
Синапс - это не физическое соединение, а временное химическое
соединение, которое может быть изменено. В нашем рассмотрении синапс
- это коэффициент назначенный к каждому вводу. Большое значение
коэффициента ввода означает, что данное соединение более важное чем
другое. Тело нейрона (ячейки) содержит в себе заранее
предопределенное значение - порог срабатывания. Выходной сигнал
сработает только тогда, когда на вход нейрона поступит значение
большое, чем порог срабатывания.
Определим механизм работы с нейроном, который позволит нам
моделировать AI ( самообучение ).
В биологических системах, процесс обучения происходит при изменении
связей между отдельными нейронами. В нашем рассмотрении перейдем от
связей к коеффициентам. Вот алгоритм работы:
- установите коэффициенты w и порог срабатывания t в
нашем рассмотрении к неким произвольным значениям.
- установите на каждый ввод x(0), x(1), x(2),...., x(n-1)
( прим. перев. Я здесь не понял - видимо надо дать на каждый ввод
либо 1 либо 0 :( )
- вычислите сработал ли вывод сравнив пороговое значение и сумму
коээфициентов ввода
n - 1
-----
Сумма коэфф. = w (i) * x (i)
/
-----
i = 0
- измените коэффициеты, для подтверждения правильных решений и
устранения неверных.
( прим. перев. Я не понял как менять эти коэффициенты, на
основании чего ? :( )
+--------------------------------------+-------------------------------------
| Алгоритм Кохенена, или алгоритм Сети |
+======================================+
Этот алгоритм, назван в честь профессора T. Kohonen с факультета
Информатики в Университете Helsinki, Финляндия. Вместо сравнения
входных коэффициентов к порогу срабатывания, ( как в случае с
алгоритмом нейрона ) Кохонен сравнил коэффициенты всех выходов, и
выбрал набор выходов имеющих коэффициенты, которые близко
соответствовали (согласовались) с коэффициентами входов.
Вот ссылка на его работу:
Kaelbling, Leslie Pack
Learning in Embedded Systems
The MIT Press, Cambridge, Massachusetts
(c) 1993
ISBN 0-262-11174-8
Самоообучающаяся сеть состоит из матрицы выходов j, которые все
соединяются с каждым входом i.
----------------
O O O
выхода j O O O
O O O
----------------
Входа i O O
( прим. перев. Что обозначает данный рисунок я не понял :( )
Алгоритм позволяет определить выход-"победитель" - j*, который
точно подходит к ожидаемому выходу, как определенно входами i.
Изменение коэффициента j* и его окружения будет создавать желаемые
результаты.
( прим. перев. Вообще _ничего_ не понял :( )
Кохенен успешно реализовал эту методику для системы распознования
речи в середины восьмедисятых годов XX века. Вот его алгоритм:
1. Инициализация сети
- определите матрицу w(ij) (0 <= i <= n-1) которая определяет
коэффициенты от входа i во выход j. Установите
минимальные значения коэффициентов n входов. Установите радиус
окружения вокруг выхода j, N(j), к некоторому большому значению.
2. Установите входа
- Установите входа x(0), x(1), x(2),...., x(n-1), где x(i) - ввод i.
3. Вычислите расстояние
- Вычислите расстояние d(j) между входами i и каждым выходом j по
формуле:
n - 1
-----
d(j) = (x(i) - w(ij))^2
/
-----
i = 0
4. Выберите минимальное расстояние и обозначите выход j с
минимумом d(j) - j*.
5. Обновите веса
- обновите вес для узла j* и его окружения как определено
размером границы N(j).
w(ij) = w(ij) + M * (x(i) - w(ij))
Коэффициент M используется чтобы управлять корректировкой
коэффициентов выходов. Его значение должно устанавливаться в
диапазоне [0.5, 1] и затем постепенно уменьшаться, по линейной
функции от номера цикла обучения.
6. Если ожидаемое решение не было обнаружено, повторите
обучающийся цикл ( шаги 2-5 ).
7. Решение устанавливает S-сеть, которую можно использовать
компьютеру против игрока.
Например, сеть состоит из 16 выходов, 4 входов и размер окружения
равен 4, алгоритм Кохенена может разработать стратегию действий
всего за 216 ходов ( 9 * 4! ), что очень хорошо.
+-------------+-------------------------------------------------------------
| Примечание |
+=============+
А вот алгоритм выдранный из переписки.
- cut -
Newsgroups: fido7.other.nice.sources
From: George Korablev <George.Korablev@p72.f207.n5020.z2.fidonet.org>
Date: Fri, 22 Nov 96 20:05:40 +0300
Subject: [News] Re: Самообучающиеся программы
Сердечно приветствую,дорогой Alexey!
Wednesday November 20 1996.В 03:58, Alexey Efimov изрек из своих недр в адрес
George Korablev следующее:
GK>> Да ты не рубишь разницу между обучающейся экспертной системой и
GK>> обучающейся программой. Хотя игра м.б. построена по принципу
GK>> экспертной системы и экспертная система по принципу игры. Могу
GK>> поделиться мыслями - как построить экспертную системы (плагиат из
GK>> одноименной книжки - валяется в библио-глобусе)
AE> Попpобуй... поделись.
Все-таки Sorry за плагиат, но раз уж просят...
Допустим есть система из двух объектов, имеющих по три свойства.
Например птица и самолет. Пусть "1" - это присутствие признака, а "0"
- наоборот.
Крылья Оперение Шасси
Птица 1 1 0
Самолет 1 0 1
Заводим внутри программы массивы 2х3 и 1х3, изначально прописанные
нулями. Массив 1х3 будет вектором наших вопросов.
Режим обучения/отгадывания:
Мы говорим системе: што есть "крылья"+"шасси" (1,0,1). Система
при отгадывании выполняет следующую манипуляцию:
1. умножает вектор наших вопросов на все строки в массиве признаков
поочереди.
2. Получаем два результата.
3. Выбираем максимальный. (это и есть ответ на наш вопрос)
Т.к. все были нули, программа говорит: "Птица?", вы отвечаете "Нет".
Далее происходит следующий алгоритм:
1. Если программа не угадала, то ваш вектор ответов вычитается из
строке массива соответствующему овтету, а к остальным прибавляется.
2. Если программа угадала, то ничего не происходит.
В нашем случае после первых наших вопросов имеем:
Птица -1 0 -1
Самолет 1 0 1
Задаем след. вопрос: што есть "крылья"+"перья" (1,1,0)?
Программа:
Птица : -1+0+0 = -1
Самолет : 1+0+0 = 1
ответ: Самолет
Вы: неверно
Программа:
Птица 0 1 -1
Самолет 0 -1 1
После второго нашего заданного вопроса программа обучилась полностью.
На вопрос "што есть "перья" будет получен ответ "птица"
На вопрос "што есть "шасси" - "самолет"
На вопрос "што есть "крылья","крылья"+"перья"+"шасси",
"перья"+"шасси" программа получит одинаковые результаты при сравнении
макс. элементов.
На этот случай в алгоритм поиска максимальных элементов включается
след. кусок, который проверяет есть ли дубликаты у найденного
максимального значения. Если такие имеются, то программа должна
сказать "Похоже на..." и перечислить варианты ответов с одинаковыми
максимальными значениями.
P.S. При обучении программы следует завести счетчик максимального
количества вопросов и по его достижению прекращать какое либо
обучение (два одинаковых заданных вопроса на результаты работы
программы не влияют), в привед-й выше книге есть алгоритм по этому
поводу, но я его не помню.
P.P.S. Кстати можно использовать количественые значения признаков
типа "ноги" при вариантах ответов 1 :), 2, 3 :), 4 и т.д. тоже будет
работать и намного точнее.
P.P.P.S ;)
Приведенный пример экспуртной системы - одноуровневый. о можно на ее
основании построить N-мерную модель. Например каждый элемент плоского
массива - это результат по поискам максимальных элементов из других
массивов.
- cut -
( прим. перев. IMHO это понятней. ;)) )
+------------------------+---------------------------------------------------
| Примечания переводчика |
+========================+
Данный документ составлен Анисимовым С.Ю. 02/1997. г. К-Чепецк,
Кировской обл. Россия. root@anis.velcom.vyatka.su
Переводчик не несет ответственность за неверную информацию, и за
повреждения техники и тел при использовании этого документа.
С наилучшими пожеланиями, для всех любителей программировать игры !
Vale !
|
|
 |
|
