Модели адаптивного поведения на базе эволюционных и нейросетевых методов

• Автор: Мосалов, Олег Петрович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 110 с. : ил.

Содержание
Введение.

Глава 1. Модели адаптивного поведения

1.1. Обзор направления исследований Адаптивное поведение.

1.2. Метод обучения с подкреплением. Метод БАИБА.

1.3. Искусственные нейронные сети. Метод обратного распространения

ошибки.

1.4. Основные нейросетевые парадигмы.

1.5. Эволюционное моделирование.

1.6. Нейроэволюционный подход.

1.7. Модели адаптивных автоматов МЛ. Цстлина.

1.8. Проект Животное М.М. Бонгарда.
1.9. Модели на основе теории функциональных систем
Глава 2. Исследование моделей нейросетевых адаптивных критиков.
2.1. Нейросетевые адаптивные критики
2.2. Процессы обучения в адаптивных критиках
2.2.1. Агент на основе критика.
2.2.2. Агент на основе Укритика
2.2.3. Сравнение процессов обучения для метода БАИБА и Укритика
2.3. Взаимодействие между обучением и эволюцией.
2.3.1. Сравнение различных режимов настройки нейронных сетей
2.3.2. Эффект Болдуина.
2.3.3. Специфика работы блока Модель в схеме Укритика.
2.4. Сопоставление с поведением живых организмов
2.5. Выводы по главе 2.
Глава 3. Приложения эволюционных и нейросетевых методов к задачам
медицинской диагностики
3.1. Особенности постановки задачи.
3.2. Метод построения классифицирующей системы.
3.3. Результаты моделирования
3.4. Выводы по главе 3.
Глава 4. Модели поискового поведения на основе спонтанной
активности.
4.1. О поисковом поведении.
4.2. Модель анимата, осуществляющего поисковое поведение.
4.3. Результаты моделирования
4.4. Выводы по главе 4
Заключение
Список использованных источников


Анализ возможностей применения нейроэволюциопных методов на примере задачи классификации типов инсультов. Разработана и исследована математическая модель многоагентной системы, в которой адаптация агентов происходит путем обучения и эволюционной настройки. Показано, что совместное применение обучения и эволюционной настройки обеспечивает более эффективную оптимизацию систем управления автономных агентов, нежели обучение или эволюционная настройка в отдельности. Продемонстрировано, что при совместном использовании обучения и эволюционной настройки происходит процесс генетической ассимиляции приобретенных навыков, так называемый эффект Болдуина. Предложена и исследована нейроэволюционная методика построения классифицирующей нейросетевой системы для случая, когда размер обучающей выборки мал и различные классы представлены в ней неравномерно. Показано, что с помощью этой методики может быть построена система классификации типов инсультов, обеспечивающая нулевую ошибку распознавания. Разработаны алгоритмы построения нейросетевых систем управления автономных агентов на основании взаимодействия эволюционной настройки и индивидуального обучения. Построена нейросетевая классифицирующая система для распознавания типов инсультов. В работе использовались методы математического моделирования, теории искусственных нейронных сетей, эволюционного моделирования, теории обучения с подкреплением. Результаты исследований процессов обучения в моделях систем управления агентов на основе нейросетсвых адаптивных критиков. Результаты исследования адаптивных свойств автономных агентов, сопоставление этих свойств с простыми адаптивными свойствами живых организмов. Математическая модель многоагентной системы, в которой адаптация агентов происходит путем эволюционной оптимизации и индивидуального обучения. Сопоставительный анализ эффективности трех вариантов настройки систем управления агентов посредством а) обучения, б) эволюционной настройки, в) одновременного использования обучения и эволюционной настройки. Комплекс программ, реализующий методику построения нейроэволюционной классифицирующей системы путем одновременного применения обучения и эволюционной настройки. Классифицирующая система распознавания типов инсульта для случая, когда обучающая выборка имеет малый объем и представители различных классов представлены в ней неравномерно. IEEE AIS’» (Геленджик, ), Всероссийская научная конференция «Методы и средства обработки информации» (Москва, , ), XLVI, XLVII научные конференции МФТИ «Современные проблемы фундаментальных и прикладных наук» (Долгопрудный, МФТИ, , ), Международная научно-техническая конференция «Искусственный интеллект. Интеллектуальные и многопроцессорные системы» (Кацивели, ), Девятая национальная конференция по искусственному интеллекту с международным участием (Тверь, ), Казанский городской семинар «Методы моделирования» (Казань, ). Red’ko V. G., Mosalov О. P., Prokhorov D. V. A Model of Evolution and Learning // Neural Networks - - Vol. N 5-6 - P. Мосолов О. П., Прохоров Д. В., Редъко В. Г. Самообучающиеся агенты на основе нейросетевых адаптивных критиков // Искусственный интеллект - - Т. С. 0-0. Mosalov О. P., Prokhorov D. V., Red'ко V. G. Influence of neural network structure on cooperation of learning and evolution // Optical Memory and Neural Networks - - Vol. N 4 - P. Mosalov O. P., Rebrova O. Yu. Red’ko KG. Neuroevolutionary methods of stroke diagnosis Optical memory and Neural networks - - Vol. P. -. Red’ko V. G., Mosalov O. P., Prokhorov D. V. Investigation of Evolving Populations of Adaptive Agents // Artificial Neural Networks: Biological Inspirations - ICANN , th International Conference, Warsaw, Poland, September -, Proceedings, Part I - - P. Red’ko V. G., Mosalov O. P., Prokhorov D. V. A model of Baldwin effect in populations of self-learning agents // International Joint Conference on Neural Networks, IJCNN , Proceedings, Montreal, Canada - - P. Red’ko V. G., Anokhin K. V., Burtsev M. S., Manolov A. I., Mosalov O. P Nepornnyashchikh V. A., Prokhorov D.