Символьная модель простого генетического алгоритма и нейрокомпьютерные сети

Символьная модель простого генетического алгоритма и нейрокомпьютерные сети

Наряду с развитием научно-технического прогресса (НТП) и информатизацией общества, в  настоящее время значительно увеличилась потребность в разработке и формировании компьютеров нестандартного вида и, в первую очередь, нейрокомпьютеров. Они требуются для глобального моделирования процессов, происходящих в экосистемах, для решения задач нейрофизиологии, искусственного интеллекта, метеорологии, сейсмологии, а также для разрешения других, не менее важных вопросов различных областей наук.

Согласно современным представлениям, нейрокомпьютер – это система, которая специализированна для организации нейровычислений посредством воспроизведения информационных процессов, происходящих в нейронных сетях мозга. Структурной единицей нейрокомпьютера является особый микропроцессор – нейропроцессор, изображающий информационное функционирование нервных клеток – нейронов. Нейропроцессоры тесно соединяются друг с другом в нейроподобные структуры с целью имитации нейронной сети мозга.

Любой нейропроцессор – специальное процессорное приспособление, реализуемое программным, аппаратным либо совокупным программно-аппаратным методом. Нейропроцессор обладает особыми отличительными чертами:

– он отражает только биологически обусловленные операции, которые нужны с целью отображения действий обработки данных в нервных клетках;
          – при аппаратной реализации нейропроцессоров они переплетаются друг с другом, как нейроны мозга, индивидуальными линиями передач последовательных кодов. При большом количестве процессорных элементов подобная связь более эффективна, нежели связь нейропроцессоров по общей шине либо посредством индивидуальных параллельных шин.

Так же, как мозг человека, нейрокомпьютеры обладают глобальным параллелизмом, самооптимизацией, самопрограммированием, самообучением и иными полезными свойствами биологических систем. Предполагается, что нейрокомпьютеры смогут разрешить большинство многочисленных трудностей, ограничивающих развитие НТП.

Теоретические основы нейрокомпьютерных сетей

Нейрокомпьютинг или обрабатывание сведений посредством нейроподобных сетей, реализованных в компьютерах или отдельных программах, наиболее обширно применяется с целью решения многочисленных плохо формализуемых задач.

К плохо формализуемым, но в то же время практически важным задачам относятся: распознавание образов, систематизация, анализ многомерных сигналов, анализ поведения временных рядов, моделирование, многочисленные проблемы экономики.

Единым в разнообразных методах и способах решения подобного рода задач считается наличие итерационного процесса поиска характеристик той или иной функции, применяемой с целью решения определенных задач либо с целью доставления искомого решения. В качестве исходных сведений для организации повторных действий обычно применяют узкое количество комплектов заранее известных сведений.

Комплекты предварительно известных сведений в большинстве случаев называют обучающей последовательностью. Повторная процедура получения искомой функции называется процессом обучения. Известные результаты решения задачи, сопряженные с данными сведениями, называют в различных задачах неодинаково: функцией качества, оценкой важности, известными результатами мониторинга. В генетических алгоритмах генерируемые популяции также возможно назвать обучающими последовательностями.

Несмотря на это, данная схема способа решения задач является единой: формирование алгоритма, который на основе сравнения большого количества элементов обучающей последовательности и элементов большого количества известных результатов создаст алгоритм, позволяющий решать задачу для любых начальных сведений, ранее не принадлежащих обучающей последовательности.