Алгоритмы искусственного интеллекта


По статье Jang Hin Lang (jang@ecf.toronto.edu)



Я не верю, что возможно обсудить все принципы и методы создания искусственного интеллекта ( AI ) или 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
 
 

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.

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. Hапример 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 по очереди.
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 экспертной системы - одноуровневый. о можно на ее основании построить N-мерную модель. Hапример каждый элемент плоского
массива - это результат по поискам максимальных элементов из других массивов.
   - cut -

Примечания переводчика
   Данный документ составлен Анисимовым С.Ю. 02/1997.
   Переводчик не несет ответственность за неверную информацию, и за повреждения техники и тел при использовании этого документа.




Сайт "Искусственный интеллект" - программирование ИИ от разработчика: общение, статьи, ссылки.

Copyright "OBRAZEC.RU", 2002-2017. Последние изменения внесены October 31 2010 18:08:04.
С предложениями и замечаниями обращайтесь на форум.



         Дата предыдущего изменения 13 февраля 2007 года.