Cтраница 4
Для решения задачи оптимизации КИМ использован ПГА. Основу имитационной модели составляет алгоритм, реализующий укладку блоков. Каждый блок имеет в портфеле заказов свой идентификационный номер, который точно его определяет. Для реализации процесса укладки блоков на поверхность плиты пресса необходимо определить номера блоков, которые нужно выбрать из портфеля заказов, и найти очередность их укладки на пресс. Каждому блоку в портфеле заказов ставится в соответствие его порядковый номер, который принимает значения от 0 до количества блоков в портфеле заказов. Именно с порядковыми номерами и работает оптимизационный алгоритм, причем один набор порядковых номеров представляет собой отдельное решение, которое реализуется имитационной моделью и для которого определяется КИМ. [46]
С другой стороны, СППР, основанные на знаниях преимущественно использовались для решения задач, которые или слишком сложны для математической формализации или трудны для решения с использованием оптимизационных моделей. Системы, основанные на знаниях, используются таким способом, чтобы заменялся эксперт, а не оптимизационные модели. Выделяют два класса таких СППР, различающихся по механизму комплексирования знаний и моделей решения задач, - независимые и взаимодействующие. Независимые системы используют только данные и ограничения задачи и решают ее, используя модели подобно тому, как их использует эксперт. Они не используют оптимизационный подход, при котором привлекается моделирование задачи и решается модельная задача с использованием оптимизационных алгоритмов. [47]
Генетические алгоритмы имитируют эволюцию. Генетические алгоритмы могут тестировать правила и находить множество правил, которые оптимизируют конкретную целевую функцию посредством конкуренции. Не только достигается преобладание сильных правил над слабыми, - генетические алгоритмы могут формировать другие правила посредством кроссовера и мутации. Это означает, что части правил могут изменяться случайным образом и складываться с целью получения смеси потенциальных правил. Два успешных правила могут быть объединены в новое правило. Если эти новые правила выживают, они могут преобладать над родительскими правилами. Кроссовер и мутация предохраняют процесс оптимизации от попадания в локальный максимум. Когда мы оптимизируем функцию, мы проверяем, действительно тти мы находимся на вершине горы. Однажды достигнув пика, большинство оптимизационных алгоритмов останавливаются, что должно говорить о достижении максимального уровня. [48]
Генетические алгоритмы имитируют эволюцию. Генетические алгоритмы могут тестировать правила и находить множество правил, которые оптимизируют конкретную целевую функцию посредством конкуренции. Не только достигается преобладание сильных правил над слабыми, - генетические алгоритмы могут формировать другие правила посредством кроссовера и мутации. Это означает, что части правил могут изменяться случайным образом и складываться с целью получения смеси потенциальных правил. Два успешных правила могут быть объединены в новое правило. Если эти новые правила выживают, они могут преобладать над родительскими правилами. Кроссовер и мутация предохраняют процесс оптимизации от попадания в локальный максимум. Когда мы оптимизируем функцию, мы проверяем, действительно тти мы находимся на вершине горы. Однажды достигнув пика, большинство оптимизационных алгоритмов останавливаются, что должно говорить о достижении максимального уровня. Только один из них является предельным пиком, или глобальным максимумом. Однако большинство оптимизационных алгоритмов останавливаются при достижении пика, даже если он всего лишь локальный максимум. Мы не можем быть уверены в том, что это наивысший пик. Если же это глобальный максимум, алгоритм просто поддерживается на вершине. [49]