анський семінар "Нейроінформатика-90"). Не можна сказати, що в Росії зовсім вже не приділяли уваги нейронних мереж, але досліджень проводилося мало.
Із затримкою майже на п'ять років нейрокомп'ютерних бум докотився, нарешті, і до Росії. Почав видаватися досить великий обсяг літератури з нейрокомпьютинг, в тому числі і перекладної, випускаються періодичні журнали, проводяться конференції. У країні назріло "нейрокомп'ютерних вибух ".
Генетичні алгоритми
Нейронні мережі були створені в результаті спостереження за природними процесами, що відбуваються в нервовій системі живих істот, і спроб відтворення цих процесів. Термін нейрон, що позначає основний виконавчий елемент штучних нейронних мереж, був безпосередньо запозичений з теорії природних нервових систем.
Аналогічно, генетичні алгоритми виникли в результаті спостереження і спроб копіювання природних процесів, відбуваються в світі живих організмів, зокрема, еволюції і пов'язаної з нею селекції (природного відбору) популяцій живих істот. Звичайно, при подібному зіставленні нейронних мереж і генетичних алгоритмів слід звертати увагу на принципово різну тривалість протікання згадуваних природних процесів, тобто на надзвичайно швидку обробку інформації в нервовій системі і дуже повільний процес природної еволюції. Однак при комп'ютерному моделюванні ці відмінності виявляються несуттєвими.
Ідею генетичних алгоритмів висловив Дж. Холланд в кінці шістдесятих - початку сімдесятих років XX століття. Він зацікавився властивостями процесів природної еволюції (у тому числі фактом, що еволюціонують хромосоми, а не самі живі істоти). Холланд був упевнений у можливості скласти і реалізувати у вигляді комп'ютерної програми алгоритм, який буде вирішувати складні завдання так, як це робить природа - шляхом еволюції. Тому він почав трудитися над алгоритмами, оперували послідовностями двійкових цифр (одиниць і нулів), які отримали назву хромосом. Ці алгоритми імітували еволюційні процеси в поколіннях таких хромосом. У них були реалізовані механізми селекції та репродукції, аналогічні застосовуваним при природній еволюції. Так само, як і в природі, генетичні алгоритми здійснювали пошук "хороших" хромосом без використання якої інформації про характер розв'язуваної задачі. Була потрібна тільки якась оцінка кожної хромосоми, що відображає її пристосованість. Механізм селекції полягає у виборі хромосом з найвищою оцінкою (тобто найбільш пристосованих), які репродукують частіше, ніж особини з більш низькою оцінкою (Гірше пристосовані). Репродукція означає створення нових хромосом в результаті рекомбінації генів батьківських хромосом. Рекомбінація - це процес, в результаті якого виникають нові комбінації генів. Для цього використовуються дві операції: схрещування, що дозволяє створити дві абсолютно нові хромосоми нащадків шляхом комбінування генетичного матеріалу пари батьків, а також мутація, яка може викликати зміни в окремих хромосомах.
У генетичних алгоритмах застосовується ряд термінів, запозичених з генетики, насамперед гени і хромосоми, а також популяція, особина, аллель, генотип, фенотип.
Генетичні алгоритми застосовуються при розробці програмного забезпечення, в системах штучного інтелекту, оптимізації, штучних нейронних мережах і в інших галузях знань. Слід відзначити, що з їх допомогою вирішуються завдання, для яких раніше використовувалися тільки нейронні мережі. У цьому випадку генетичні алгоритми виступають просто в ролі незалежного від нейронних мереж альтернативного методу, призначеного для вирішення того ж самого завдання. Генетичні алгоритми часто використовуються спільно з нейронними мережами. Вони можуть підтримувати нейронні мережі або навпаки, або обидва методи взаємодіють у рамках гібридної системи, призначеної для вирішення конкретного завдання. Генетичні алгоритми також застосовуються спільно з нечіткими системами.
Генетичні Алгоритми - адаптивні методи пошуку, які останнім часом часто використовуються для вирішення завдань функціональної оптимізації. Вони засновані на генетичних процесах біологічних організмів: біологічні популяції розвиваються на протязі кількох поколінь, підкоряючись законам природного відбору і за принципом "виживає найбільш пристосований "відкритого Чарльзом Дарвіном. Наслідуючи цьому процесу генетичні алгоритми здатні "розвивати" вирішення реальних завдань, якщо ті відповідним чином закодовані. Наприклад, генетичні алгоритми можуть використовуватися, щоб проектувати структури моста, для пошуку максимального відношення міцності/ваги, або визначати найменш марнотратне розміщення для нарізки форм з тканини. Вони можуть також використовуватися для інтерактивного управління процесом, наприклад на хімічному заводі, або балансуванні завантажень многопроцессорном комп'ютері. Цілком реальний приклад: ізраїльська компанія Schema розробила програмний продукт Channeling для оптимізації роботи стільникового...
