Professional Documents
Culture Documents
Екзамен В
Екзамен В
Зміст
ІНФОРМАЦІЙНІ СИСТЕМИ І ТЕХНОЛОГІЇ УПРАВЛІННЯ В
ІННОВАЦІЙНІЙ ЕКОНОМІЦІ 9
1. Базові завдання державної інноваційної політики 9
2. Види інновацій. Основні джерела інновацій 9
3. Економічний зміст інноваційного підприємництва і стану його розвитку
в економіці 10
4. Етапи й тенденції розвитку інформаційних систем 14
5. Етапи проектування інформаційної системи управління інноваційною
діяльністю 16
6. Зміст інноваційної діяльності 18
7. Зміст, основні різновиди державної інноваційної політики 19
8. Інноваційна політика в окремих галузях економіки 21
9. Інноваційні процеси в соціально-економічних системах 22
10. Інноваційні технології в процесі ухвалення управлінських рішень 24
11. Інформаційне забезпечення в системі управління інноваційною
діяльністю підприємства 25
12. Класифікація та життєвий цикл інновацій 27
13. Конкурентоспроможність інновацій і економіки 28
14. Критерії показників оцінки ефективності інноваційного бізнесу 30
15. Методи вимірювання рівня інноваційного розвитку підприємства 31
16. Механізми регулювання інноваційної діяльності в різних
господарських системах 34
17. Основні елементи сучасного інноваційного менеджменту і їх динаміка
37
18. Основні елементи сучасного інноваційного менеджменту і їх динаміка
38
19. Основні світові тенденції, пов'язані з переходом національних
економік на інноваційний тип 39
20. Основні цілі державної інноваційної політики 40
21. Основні чинники активізації інноваційної діяльності 41
22. Особливості інноваційних циклів 43
23. Показники результативності інноваційної діяльності. 46
24. Світові тенденції розвитку інноваційної діяльності 48
25. Склад та структура системи управління інноваційною діяльністю
підприємства 50
26. Сучасний світовий стан інноваційної діяльності. 52
27. Сучасні чинники інноваційного розвитку підприємства 54
28. Характеристика управління інноваційною діяльністю як бізнес-
процесу 56
29. Циклічність розвитку світової економіки у контексті інноваційної
діяльності 58
30. Шляхи підвищення ефективності використання результатів наукової і
науково-технічної діяльності 61
МУЛЬТИАГЕНТНІ СИСТЕМИ В ЕКОНОМІЦІ 62
1. Автономні агенти та їх класифікація 62
2. Агентно-орієнтоване моделювання (АОМ). Побудова агентних
моделей. Засоби розробки систем АОМ 63
3. Агентно-орієнтоване моделювання (АОМ). Суть агентно-орієнтованого
моделювання 65
4. Агентно-орієнтоване моделювання. Інструментальний засіб AnyLogic 68
5. Агентно-орієнтоване моделювання. Інструментальний засіб MASON 71
6. Агентно-орієнтоване моделювання. Інструментальний засіб NetLogo 72
7. Архітектура агентів на основі планування (реактивна архітектура) 78
8. Архітектура взаємодії системи агентів 82
9. Архітектури агентів, засновані на знаннях 83
10. Базові типи співробітництва і суперництва агентів в мультиагентних
системах 87
11. Взаємодія агентів в мультиагентних системах 89
12. Вимоги до інструментальних засобів для побудови мультиагентних
систем 91
13. Висхідний і низхідний підходи до проектування МАС 92
14. Еволюційне та коеволюційне проектування МАС 93
15. Елементи реалізації мультиагентних систем 98
16. Зв'язок в мультиагентних системах 102
17. Інструментальне середовище для побудови мультиагентних систем
INGENIAS Development Kit (IDK) 105
18. Інструментальне середовище для побудови мультиагентних систем
JADE (Java Agent Development Framework) 107
19. Інструментальне середовище для побудови мультиагентних систем
JASON 109
20. Інструментальне середовище для побудови мультиагентних систем
MadKit 111
21. Інструментальний програмний комплекс для побудови
мультиагентних систем AgentTool 112
22. Когерентність та координація в мультиагентних системах 114
23. Кооперація агентів в мультиагентних системах 115
24. Критерії і ситуації взаємодії агентів в мультиагентних системах 121
25. Методика низхідного проектування МАС 122
26. Мультиагентні системи в державному управлінні та соціальній сфері
124
27. Мультиагентні системи в електроенергетиці 126
28. Мультиагентні системи в електронній комерції 127
29. Мультиагентні системи для вирішення задач логістики 130
30. Мультиагентні системи для підтримки прийняття рішень на
фондовому ринку 135
31. Основи об’єктно-орієнтованої розробки МАС 139
32. Основи стандартної методології проектування МАС 141
33. Основні характеристики і види взаємодії агентів в мультиагентних
системах 144
34. Переваги мультиагентних систем 146
35. Поняття програмного агента. Властивості програмних агентів 147
36. Порівняльна характеристика мов програмування агентів. Мови Java
та KQML 151
37. Порівняльна характеристика мов програмування агентів. Мови AСL
та Penguin 155
38. Порівняльна характеристика мов програмування агентів. Мови
TeleScript, Agent-Tcl та Oz 156
39. Порівняльна характеристика мов програмування агентів. Мови KIF та
AgentSpeak 158
40. Порівняльна характеристика мов програмування агентів. Мови SKTP
та April 161
41. Приклади агентно-орієнтованого моделювання соціально-
економічних процесів та систем. 162
42. Приклади агентно-орієнтованого моделювання соціально-
економічних процесів та систем. 163
43. Приклади агентно-орієнтованого моделювання соціально-
економічних процесів та систем. 166
44. Причини взаємодії агентів в мультиагентних системах 166
45. Програмування агентів. Вимоги до мов програмування агентів 169
46. Програмування агентів. Класифікація мов програмування агентів 171
47. Суть мультиагентних систем та основні поняття 176
48. Таксономія програмних агентів. Мобільні та інформаційні/Internet
агенти 180
49. Таксономія програмних агентів. Партнерські та інтерфейсні агенти
185
50. Таксономія програмних агентів. Реактивні та гібридні агенти 191
РОЗПОДІЛЕНІ ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ В ЕКОНОМІЦІ 197
1. Варіанти клієнт-серверної архітектури інтелектуальної розподіленої
системи 197
2. Веб-орієнтована архітектура інтелектуальної розподіленої системи 198
3. Задачі функціонування розподілених інтелектуальних систем 199
4. Змішана архітектура розподілених інтелектуальних систем 200
5. Концепція мультипроцесорних апаратних рішень у розгортанні
розподілених інтелектуальних систем 201
6. Моделі представлення даних у розподілених інтелектуальних системах
201
7. Поняття архітектурного стилю розподілених інтелектуальних систем
202
8. Поняття і технології масштабування розподілених інтелектуальних
систем 203
9. Поняття та особливі риси інтелектуальної розподіленої системи 204
10. Приклади та сфери застосування інтелектуальних розподілених
систем в економіці 205
11. Проблема адаптивності в роботі розподілених інтелектуальних
систем: суть та шляхи вирішення 205
12. Проблема надійності в роботі розподілених інтелектуальних систем:
суть та шляхи вирішення 206
13. Проблема стійкості до відмов у роботі розподілених інтелектуальних
систем: суть та шляхи вирішення 206
14. Проблема стійкості до зовнішніх впливів у роботі розподілених
інтелектуальних систем: суть та шляхи вирішення 208
15. Проміжний рівень програмного забезпечення у розподілених
інтелектуальних системах 210
16. Реалізація віддаленого виклику процедур (RPC) у розподілених
інтелектуальних систем 211
17. Реалізація технології CORBA у розподілених інтелектуальних
системах 212
18. Розподілена інтелектуальна система – як діалогова система 213
19. Розподілена інтелектуальна система – як система просторово
розподілених компонентів 213
20. Розподілені бази даних, особливості архітектури 213
21. Розподілені інтелектуальні системи на основі агентів. 214
22. Сильні і слабкі сторони розподілених інтелектуальних систем. 215
23. Синхронізація доступу до даних в розподілених інтелектуальних
системах. 215
24. Стандартизація та основні стандарти розробки розподілених
інтелектуальних систем. 216
25. Характеристика вимог до функціонування розподілених
інтелектуальних систем: масштабованість. 216
26. Характеристика вимог до функціонування розподілених
інтелектуальних систем: гнучкість 216
27. Характеристика вимог до функціонування розподілених
інтелектуальних систем: стійкість 217
28. Характеристика вимог до функціонування розподілених
інтелектуальних систем: відкритість 219
29. Характеристика вимог до функціонування розподілених
інтелектуальних систем: прозорість. 220
СИСТЕМИ РОЗПІЗНАВАННЯ ОБРАЗІВ ТА ОБРОБКА ЗОБРАЖЕНЬ 221
1. Алгоритм внутрішньо групових середніх (к-means) 221
2. Алгоритм і мережа Кохонена 222
3. Алгоритм і мережа Хеммінга 223
4. Алгоритм ІСОМАД (ISODATA) 224
5. Алгоритм навчання за Байєсом 225
6. Алгоритм навчання персептрона 226
7. Алгоритм навчання Хебба 226
8. Алгоритм самонавчання на основі методу потенційних функцій 227
9. Архітектура нейронних мереж та математичні можливості нейронних
мереж 228
10. Генетичний алгоритм навчання нейронної мережі 228
11. Градієнтний алгоритм навчання нейронної мережі 229
12. Дайте визначення лінійної розділимості та лінійної вирішувальної
функції. 230
13. Знаходження дискримінантної функції по прецедентах методом
потенційних функцій 231
14. Класифікатор Неймана-Пірсона 231
15. Класифікація за допомогою вирішальних функцій 232
16. Класифікація моделей навчання. Формальна модель навчання 234
17. Класифікація у разі багатовимірного нормального розподілу ознак в
класах 235
18. Критерії класифікації у разі нормального одновимірного розподілу
ознак 236
19. Лінійні вирішальні функції (ЛВФ) 237
20. Математична постановка задачі розпізнавання образів 237
21. Метод опорних векторів (Лінійно роздільний випадок та лінійно
нероздільний випадок) 237
22. Метод найближчих сусідів 238
23. Метод потенційних функцій 239
24. Навчання багатошарової НМ методом зворотного розповсюдження
помилки 239
25. Нейронна мережа Хопфілда та її застосування . 240
26. Нечіткі нейронні мережі. Властивості. Алгоритми функціонування.
240
27. Опишіть алгоритм персептрона для побудови лінійної вирішувальної
функції. 241
28. Опишіть відомі Вам постановки задачі класифікації. 241
29. Опишіть типову схему розпізнавання в просторі ознак. 242
30. Основні задачі теорії розпізнавання образів 243
31. Охарактеризуйте байєсівські методи розпізнавання образів. 243
32. Охарактеризуйте гіпотезу компактності. 245
33. Охарактеризуйте етап навчання, який передує розпізнаванню в
робочому режимі. 246
34. Охарактеризуйте основні задачі, які вирішуються на етапі
попередньої обробки сигналів і зображень. 246
35. Перелічіть основні властивості класів. 246
36. Персептронний метод навчання 247
37. Поняття вирішальних функцій 247
38. Постановка задачі байесовської класифікації 248
39. Постановка задачі кластеризації 249
40. Приклади дихотомічних, номінальних та порядкових ознак 250
41. Простий байесовський класифікатор 251
42. Способи визначення відстані між вектором-образом і класом 251
43. Способи стандартизації ознак і векторів-образів 253
44. Структура та математична модель нейро мережі 254
45. Сформулюйте задачу розпізнавання як задачу віднесення об’єкта до
певного класу. 254
46. Сформулюйте метод найближчого сусіда. 254
47. Типи систем розпізнавання 255
48. Типи характеристик образів 257
49. Узагальнені вирішальні функції 258
50. Чому рукописні літери важче розпізнавати, ніж машинні? 259
51. Що таке зважені євклідові відстані? В якому випадку їх доцільно
використовувати? 260
52. Що таке ланцюговий код Фрімена? 261
53. Які Ви знаєте міри близькості між об’єктами, якщо ознаки є
кількісними? 261
ПРОЕКТУВАННЯ СИСТЕМ ШТУЧНОГО ІНТЕЛЕКТУ
1. Аналіз стабільно-ефективних компромісів в складних системах на основі
методу «загроз і контрзагроз»
2. Архітектура експертних систем
3. Архітектура рекомендаційних систем
4. Архітектура системи штучного інтелекту на основі нейромережевих
методів обчислювального інтелекту
5. Галузі застосування систем штучного інтелекту
6. Динамічні експертні системи в управлінні
7. Диференціально-модельна концепція систем штучного інтелекту
8. Еволюційний алгоритм оптимізації структури нейромережевої моделі
9. Еволюційні алгоритми вирішення задач багатокритеріальної безумовної
оптимізації
10. Еволюційні алгоритми вирішення задач умовної оптимізації
11. Еволюційні алгоритми вирішення нестаціонарних задач оптимізації
12. Етапи створення експертних систем
13. Загальна структура системи штучного інтелекту
14. Застосування еволюційних алгоритмів в задачах автоматизації
проектування
інтелектуальних інформаційних технологій
15. Інструментальна оболонка розробки експертних систем – CLIPS
16. Інструментальні засоби проектування експертних систем
17. Комбінування робастного й адаптивного управління за допомогою систем
штучного
інтелекту
18. Модифіковані еволюційні алгоритми моделювання й оптимізації
складних систем
19. Організація прийняття рішень в експертних системах. Типова структура
експертної
системи
20. Основи проектування еволюційних алгоритмів
21. Основні цілі досліджень щодо розробки систем штучного інтелекту
22. Підходи до проектування систем штучного інтелекту
23. Підходи до розробки систем штучного інтелекту
24. Побудова структурно-алгоритмічної моделі системи штучного інтелекту
та її
використання в задачах управління
25. Покоління розвитку технологій розробки інтелектуальних систем
26. Створення проекту онтології за допомогою Protégé
27. Сучасні напрями досліджень і розробок систем штучного інтелекту
28. Технологія проектування систем штучного інтелекту на основі нейронних
мереж
29. Технологія створення експертної системи
30. Типова структура експертної системи
ІНФОРМАЦІЙНІ СИСТЕМИ І ТЕХНОЛОГІЇ УПРАВЛІННЯ В
ІННОВАЦІЙНІЙ ЕКОНОМІЦІ
1. Базові завдання державної інноваційної політики
Державна інноваційна політика - складова частина соціально-економічної
державної політики, спрямована на розвиток і стимулювання інноваційної
діяльності, під якою розуміється створення нової або вдосконаленої
продукції, нового або удосконаленого технологічного процесу, що
реалізуються в економічному обороті з використанням наукових досліджень,
розробок, дослідно-конструкторських робіт або інших науково-технічних
досягнень.
Для досягнення поставлених цілей держава повинна вирішувати
наступні завдання інноваційної політики:
• визначення та реалізація пріоритетів державної інноваційної
політики;
• забезпечення прогресивних структурних перетворень в економіці;
• створення і розвиток інфраструктури інноваційної діяльності;
• здійснення заходів щодо підтримки вітчизняної інноваційної
продукції на міжнародному ринку і розвитку зовнішньоекономічної
інноваційної діяльності;
• забезпечення взаємодії науки, освіти, виробництва та фінансово-
кредитної сфери у розвитку інноваційної діяльності;
• забезпечення ефективного використання науково-технічного
потенціалу для стабілізації розвитку економіки на головних напрямах,
які визначають стратегію, темп і пропорції розвитку народного
господарства і його структурної збалансованості.
Примітка:
узагальнюючі показники відповідно рівня інноваційного
потенціалу, маркетингового забезпечення інноваційної продукції,
соціального розвитку підприємства;
часткові показники за напрямами інтегральної оцінки;
коефіцієнти вагомості часткових показників за напрямами інтегральної
оцінки, розраховані на основі методу експертного оцінювання.
Отже, оцінка інноваційних дій на підприємстві на період сьогодення
проводиться переважно з використанням розширених методів оцінювання
дисконтованих грошових потоків, методів оцінки техніко-економічних
показників інноваційного потенціалу підприємства на різних стадіях
впровадження нововведень, кількісних методів оцінювання
внутрішньогосподарської ефективності інноваційних проектів та методів
соціального оцінювання інноваційного розвитку підприємств.
Фундаментальні дослідження.
Це виявлення, вивчення і систематизація об'єктивних явищ і закономірностей
розвитку природи і суспільства. Особливість фундаментальних досліджень
як творчого процесу - неможливість заздалегідь визначити кінцевий
результат, витрати часу і коштів на його досягнення, індивідуальний,
неповторний характер дослідження.
Прикладні дослідження.
Ґрунтуються на результатах фундаментальних досліджень і включають
вивчення технічної можливості, соціально-економічної ефективності і шляхів
практичного використання результатів фундаментальних досліджень у
конкретній галузі (галузі). Їх продукцією є галузева інформація: створення
технологічних регламентів, ескізних проектів і аванпроектов, технічних
завдань та вимог, методик і стандартів, проектів підприємств і техніки
майбутнього, типових нормативів, а також інших наукових рекомендацій. На
цій стадії здійснюються і дослідно-експериментальні роботи, пов'язані з
лабораторними і полупроизводственными випробуваннями.
Розробка (проектування).
Це виготовлення на основі результатів прикладних досліджень та дослідно-
експериментальної перевірки науково-технічної документації для створення
нових або вдосконалених виробів, споруд, процесів і систем управління.
Розрізняються розробки за видами: конструкторські (створення нових
виробів), технологічні, проектно-вишукувальні (для будівництва або
реконструкції об'єктів), організаційні (створення нових систем організації
виробництва, праці і управління).
Виробництво.
Первинне (піонерний) освоєння нововведень - це впровадження результатів
розробок у виробництво, що передбачає наступний порядок дій:
− індивідуальне виробництво нових виробів, необхідних в одиничних
екземплярах, освоєння серійного випуску нових виробів, здачу в
експлуатацію нових споруд, технологічних процесів та систем
управління, практичне використання нових методів;
− досягнення проектної потужності і проектного обсягу використання
нововведення;
− досягнення проектної соціально-економічної ефективності
нововведення.
У першому випадку мова йде про технічному освоєнні, у другому - про
виробничому і в третьому - про економічному освоєнні, у процесі якого
досягаються кінцеві результати науково-технічного розвитку.
Споживання.
Ця фаза життєвого циклу нововведення характеризується поступовою
стабілізацією витрат і зростанням ефекту, в основному за рахунок
нарощування обсягів використання нововведення. Саме тут реалізується
основна частина фактичного ефекту від нововведення.
Старіння - завершує весь життєвий цикл нововведення. Воно починається з
моменту закінчення розробки наступного нововведення, економічна,
екологічна або соціальна ефективність якого робить раціональним його
освоєння.
Базова архітектура РА
3) Трансляційний зв'язок.
У тих ситуаціях, де повідомлення повинно бути передане всім агентам
в оточенні, або агент відправника не знає того, хто буде одержувати
повідомлення (подібно до того, коли він оголошує завдання і необхідно
вибрати з усіх можливих агентів тільки тих, які можуть виконати таке
завдання), мають місце дві альтернативи:
- або він може фізично передавати трансляційне повідомлення до всіх
агентів в системі,
- або він може підтримати індивідуальні зв'язки з усіма агентами в
системі і надіслати кожному з них пряме повідомлення (використовуючи,
наприклад, протокол TCP/IP ).
Коли довжина повідомлення значна і кількість агентів в системі велика,
ширина смуги пропускання в мережі, яка використовується для передачі
повідомлень, повинна бути досить суттєвою.
Підтримка індивідуальних зв'язків мається на увазі в тих випадках,
коли численні копії одного й того ж повідомлення необхідно послати до
кожного агента, що отримує повідомлення.
Трансляція, з другого боку, запобігає перевантажуванню мережі. Вона
допомагає в імплементації повністю автономної, масштабованої та гнучкої
мультиагентної системи, до якої агенти можуть приєднуватись або яку
можуть покидати без інформування будь-кого, при цьому забезпечується
завершення виконання агентами всіх завдань, в яких вони були зайняті, і це
не впливає на дії інших агентів.
Два головні популярні підходи в трансляційному зв'язку - це контрактно-
мережний підхід та підхід з розподілом специфікацій.
У контрактно-мережному підході до взаємодії агенти в разі потреби
розподіляють запити для пропозицій (передані повідомлення) до інших
агентів. Одержувач повідомлень оцінює такі запити і, якщо здатний,
представляє пропозиції ціни (пряме повідомлення) агентам, що ініціювали
запит. Ініціатори використовують ці пропозиції для того, щоб визначитись, з
яким агентом укладати контракт (пряме повідомлення).
В рамках підходу з розподілом специфікацій агенти передають свої
можливості та потреби і інші агенти використовують цю інформацію для
координації власних дій та потреб.
Трансляційний зв'язок через Internet прийнято називати Web-трансляцією.
Основна перевага Web-трансляції полягає в тому, що Internet може бути
використаний для передачі достатньо складних відео, аудіо та інших
мультимедійних сигналів для будь-якої кількості споживачів у
навколишньому середовищі.
4) Блекбоард-системи.
В теорії штучного інтелекту блекбоард - це модель розподіленої
пам'яті, що часто використовується. Фактично це репозитарії, в які агенти
записують повідомлення, надсилають часткові результати та з яких
отримують інформацію. Він зазвичай ділиться на кілька рівнів абстракції
відповідно до суті проблеми, і агенти, що працюють на конкретному рівні,
мають доступ до відповідного рівня блекбоарду разом з сусідніми рівнями. В
такому випадку дані, синтезовані на будь-якому рівні, можуть бути передані
на вищі рівні, з іншого боку цілі вищих рівнів можуть передаватись для
управління агентами нижчого рівня.
3.2. Питання взаємодії агентів в мультиагентних системах
Другим важливим моментом реалізації МАС є взаємодія. В загальному
випадку взаємодія визначається як тип колективної дії, в рамках якої один
агент проявляє дію або приймає рішення, на які впливають наявність або
знання іншого агента. Вона є суто розподіленим поняттям, оскільки
базується на координованій дії агентів-учасників. Оскільки будь-яка дія в
системі зазвичай орієнтована на досягнення цілі, то більшість взаємодій
продиктовані цілями. Це є важливим базовим поняттям в імплементації
мультиагентних систем, оскільки саме процес взаємодії робить можливим
об'єднання власних зусиль кількома розумними агентами.
3.3. Когерентність та координація в мультиагентних системах
Третім важливим елементом, який слід мати на увазі при створенні
MAС, є забезпечення повної когерентності та координації системи.
В загальному випадку різниця між поняттями "когерентність" та
"координація" визначаються так:
- про когерентність говорять тоді, коли мають на увазі те, як "добре"
поводить себе система в цілому, вирішуючи проблему, тобто досліджують
поведінку в цілому;
- що ж стосується координації, то під нею розуміють узгоджену
взаємодію набору агентів, що виконують деяку колективну дію.
Початкова версія aT3 була опублікована восени 2007 року як версія 1.0.5. aT3
— це плагін Eclipse , який надасть розробнику системи агентів
безпрецедентну гнучкість, але при цьому збереже можливості перевірки, які
були надані раніше. Зрештою, aT3 надасть прогнозні показники
продуктивності, щоб дозволити дизайнеру зробити розумні компроміси та
генеруватиме код для різних мультиагентних платформ.
1. Запуск програмного пакету agentTool
Програмний пакет agentTool дозволяє створити модель взаємодії агентів
для мультиагентної системи шляхом проектування ряду діаграм: цілей,
варіантів використання, послідовності, ролей, компонентів, станів та
розгортання. Після створення відповідної моделі програмний пакет agentTool
дозволяє згенерувати шаблон коду. Робота із програмними агентами дуже
схожа на моделювання системи в нотації UML, практично повністю
повторюючи її логіку.
На рис. 1 наведено командну послідовність для запуску пакету.
Рис. 1. Командна послідовність для запуску пакету agentTool
Agenttool –це графічний редактор для проектування мультиагентних
систем. Він підтримує реалізацію основних етапів проектування МАС:
створення агентів, зв'язків між ними, визначення цілей
ISSN2415-3486. Вісник машинобудування та транспорту No1(13), 2021 89і завдань
агентів. Тобто створюються агенти і їх архітектура, а також детально
описуються взаємозв'язки між ними. Для заданої в такий спосіб системи
конструктор генерує код агентної системи.
Розробка Agenttool базується на методах програмного моделювання, які
дозволяють описувати деякі аспекти, використовуючи абстрактні моделі.
Головна сутність такого підходу в тому, що розроблювач може
сконцентрувати увага на більш важливих речах, опускаючи деякі деталі.
Наприклад, при розробці мультиагентної системи необхідно враховувати
взаємодію агентів через мережу. Це може бути реалізовано за допомогою
певних методів, що знизить кількість помилок на даному рівні й дозволить
зосередиться на описі структури агентів.Незручність такого підходу –
необхідність мати «правильні» моделі й методи підсистем. Були
розроблені різні підходи до подолання цієї проблеми, але вона однаково
залишається відкритою й над її розв'язанням ведеться робота.
Мова Agent-Tcl
Agent-Tcl - це система мобільних агентів, у якій агенти написані на Tcl
7.4 і Tk 4.0. Agent-Tcl активно використовується в задачах інформаційного
пошуку і прикладних програм інформаційного керування. Agent-Tcl у цілому
аналогічний мові TeleScript, за винятком того, що Agent-Tcl є більш
полегшеним і в даний час забезпечує обмежений захист. Альфа - версія
доступна на Unix платформах.
Мова Oz
Oz - паралельна, об'єктно-орієнтована мова програмування, що була
розроблена у DFKI (Німеччина). Існує кілька проектів у DFKI, що
використовують Oz разом з архітектурою агшентів InteRRa (див. тему 3).
InteRRa представляє із себе багаторівневу архітектуру, що побудована для
моделі взаємодіючих автономних агентів. DFKI пропонує паралельну мову
програмування, пристосовану для прикладних програм, що вимагають
складних символьних обчислень, організації кооперації агентів і деяких
можливостей керування в реальному масштабі часу. Реалізація Oz є
закінченим середовищем програмування, що включає обєктно-орієнтований
інтерфейс до Tcl/Tk. Прикладні програми на Oz вже використовувалися для
моделювання мультиагентних систем, обробки природної мови, віртуальної
реальності, графічних користувацьких інтерфейсів, планування і створення
розкладів.
• ієрархічна;
• мережева;
• реляційна;
• об'єктно-орієнтована.
Опис алгоритму
Маємо масив спостережень (об'єктів), кожен з яких має певні значення по
ряду ознак. Відповідно до цих значень об'єкт розташовується у
багатовимірному просторі.
1) Дослідник визначає кількість кластерів, що необхідно утворити
2) Випадковим чином обирається k спостережень, які на цьому кроці
вважаються центрами кластерів
3) Кожне спостереження «приписується» до одного з n кластерів — того,
відстань до якого найкоротша
4) Розраховується новий центр кожного кластера як елемент, ознаки якого
розраховуються як середнє арифметичне ознак об'єктів, що входять у
цей кластер
5) Відбувається така кількість ітерацій (повторюються кроки 3-4), поки
кластерні центри стануть стійкими (тобто при кожній ітерації в
кожному кластері опинятимуться одні й ті самі об'єкти), дисперсія
всередині кластера буде мінімізована, а між кластерами —
максимізована
Вибір кількості кластерів відбувається на основі дослідницької гіпотези.
Якщо її немає, то рекомендують створити 2 кластери, далі 3,4,5, порівнюючи
отримані результати.
Головні переваги методу k-середніх — його простота та швидкість
виконання. Метод k-середніх більш зручний для кластеризації великої
кількості спостережень, ніж метод ієрархічного кластерного аналізу (у якому
дендограми стають перевантаженими і втрачають наочність).
2. Алгоритм і мережа Кохонена
Мережа Кохонена з’явилася у 1982 р., як спеціальний вид нейронних мереж
для обробки зображень і звука. Основною метою мереж Кохонена є
перетворення складних багатомірних даних в більш просту структуру малої
розмірності. Але виявилось, що вони гарно пристосовані для кластерного
аналізу, коли треба виявити приховані закономірності у великих масивах
даних.
Мережа Кохонена складається з вузлів, які об’єднуються в кластери.
Найбільш близькі вузли відповідають схожим об’єктам, а віддалені – не
схожим. В основі побудови мережі лежить конкурентне навчання, коли
вихідні вузли (нейрони) конкурують між собою за «перемогу». У ході
змагань в процесі навчання нейрони вибірково налагоджуються для різних
вхідних прикладів
Мережа Хемінга має три прошарки: вхідний шар з кількістю вузлів, скільки є
окремих двійкових ознак; шар категорій (прошарок Хопфілда), з кількістю
вузлів, скільки є категорій або класів; вихідний шар, який відповідає числу
вузлів у прошарку категорій.
Штучний нейрон має єдиний вихід, який інколи називають аксоном. Штучні
нейрони об’єднують, утворюючи при цьому штучні нейронні мережі.
Де b - наступна позиція
a - поточне положення, гамма - функція очікування.
http://repo.ssau.ru/bitstream/Metodicheskie-ukazaniya/Baiesovskaya-
klassifikaciya-Elektronnyi-resurs-elektron-metod-ukazaniya-k-lab-rabote-2-
53546/1/%D0%9A%D0%BE%D0%BB%D0%BE%D0%BC
%D0%B8%D0%B5%D1%86%20%D0%AD.
%D0%98.%20%D0%91%D0%B0%D0%B9%D0%B5%D1%81%D0%BE
%D0%B2%D1%81%D0%BA%D0%B0%D1%8F%20%D0%BA%D0%BB
%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA
%D0%B0%D1%86%D0%B8%D1%8F.pdf
– постановку проблеми;
– побудову або вибір моделі;
– дослідження моделі;
– екстраполяцію результатів дослідження на оригінал.
Формальні моделі – це окремі типи моделей, подані у формальному,
описовому вигляді, до якого входять головні ознаки, за якими дана модель
істотно відрізняється від інших. В описі формальної моделі подані також
правила її побудови, складові частини моделі, зв'язки між частинами, вигляд
моделі в цілому.
http://repo.ssau.ru/bitstream/Metodicheskie-ukazaniya/Baiesovskaya-
klassifikaciya-Elektronnyi-resurs-elektron-metod-ukazaniya-k-lab-rabote-2-
53546/1/%D0%9A%D0%BE%D0%BB%D0%BE%D0%BC
%D0%B8%D0%B5%D1%86%20%D0%AD.
%D0%98.%20%D0%91%D0%B0%D0%B9%D0%B5%D1%81%D0%BE
%D0%B2%D1%81%D0%BA%D0%B0%D1%8F%20%D0%BA%D0%BB
%D0%B0%D1%81%D1%81%D0%B8%D1%84%D0%B8%D0%BA
%D0%B0%D1%86%D0%B8%D1%8F.pdf
19. Лінійні вирішальні функції (ЛВФ)
http://www.lepskiy.ucoz.com/lect_Lepskiy_Bronevich_pass.pdf
стр 14-16
21. Метод опорних векторів (Лінійно роздільний випадок та лінійно
нероздільний випадок)
Машина (метод) опорних векторів (SVM, Support Vector Machine) виник у
ряді робіт У. Вапника1 та інших. в 60-80-ті роки. Цей метод відноситься до
методів навчання з учителем і призначений для знаходження оптимальних у
певному сенсі вирішальних функцій. Найбільш ефективна машина опорних
векторів при розподілі двох класів. За швидкістю поділу двох класів SVM
вважається найкращим методом. C1 = х1
Переваги та недоліки SVM:
1) це найшвидший метод знаходження вирішальних функцій;
2) метод зводиться до вирішення завдання квадратичного програмування у
опуклій області, яка завжди має єдине рішення;
3) метод знаходить смугу максимальної ширини, що дозволяє в подальшому
здійснювати більш впевнену класифікацію;
4) метод чутливий до шумів та стандартизації даних;
5) немає загального підходи до автоматичного вибору ядра (і побудові
спрямляющего підпростору загалом) у разі лінійної неподільності класів.
http://www.lepskiy.ucoz.com/lect_Lepskiy_Bronevich_pass.pdf
стр 46-52
22. Метод найближчих сусідів
http://www.lepskiy.ucoz.com/lect_Lepskiy_Bronevich_pass.pdf
стр 117
23. Метод потенційних функцій
Цей підхід був розвинений у 1962-1965 роках у роботах радянських
математиків М.А. Айзермана, Е.М. Браверманна, Л.І. Розоноера та ін. І. Е.М.
У цьому методі для побудови безлічі прецедентів вирішальної функції d(x) ,
що розділяє точки двох класів, використовується наступна фізична аналогія.
Кожна точка навчальної вибірки ототожнюється з одиничним гравітаційним
зарядом. Багато таких зарядів створює гравітаційне поле. Якщо є кілька
множин точкових зарядів, що відповідають різним класам, то пробний заряд
«притягнеться» до того класу, який у цій точці простору створює більший
потенціал.
Оцінюючи в цілому метод потенційних функцій, можна сказати, що він є
деяким узагальнюючим підходом до знаходження дискримінантної функції -
багато інших методів вирішення цього завдання (наприклад, алгоритм
навчання персептрона) є ітераційною процедурою і відрізняються один від
одного вибором потенційної функції.
http://www.lepskiy.ucoz.com/lect_Lepskiy_Bronevich_pass.pdf
стр 53
28. Опишіть відомі Вам постановки задачі класифікації.
Задача класифіка́ції — формалізована задача, яка містить множину об'єктів
(ситуацій), поділених певним чином на класи. Задана скінченна множина
об'єктів, для яких відомо, до яких класів вони належать. Ця множина
називається вибіркою. До якого класу належать інші об'єкти невідомо.
Необхідно побудувати такий алгоритм, який буде здатний класифікувати
довільний об'єкт з вихідної множини.
Класифікувати об'єкт — означає, вказати номер (чи назву) класу, до якого
належить цей об'єкт.
Легко зрозуміти, що всі ці етапи тісно пов’язані між собою. Уже з цього
прикладу видно, що ідеальний класифікатор не потребує виділення ознак, і
навпаки, при ідеальному виділенні ознак робота класифікатора максимально
спрощується. Основну проблему можна сформулювати таким чином: реальні
методи отримання первинної інформації та доступні алгоритми виділення
ознак часто не дозволяють отримати саме ті ознаки, які насправді
відрізняють представників одного класу від представників іншого.
30. Основні задачі теорії розпізнавання образів
Задача розпізнавання образів — це задача віднесення вихідних даних до
певного класу за допомогою виділення істотних ознак, що характеризують ці
дані, із загальної маси несуттєвих даних.
(3.6)
де с – приріст корекції.
(3.7)
. (3.8)
http://www.lepskiy.ucoz.com/lect_Lepskiy_Bronevich_pass.pdf
стр 33
44. Структура та математична модель нейро мережі
https://habr.com/ru/company/skillfactory/blog/525260/
45. Сформулюйте задачу розпізнавання як задачу віднесення об’єкта до
певного класу.
Віднесення об’єкта до того чи іншого класу. Це може бути, наприклад, задача
розпізнавання літер або прийняття рішення про наявність дефекту у деякій
технічній деталі. Віднесення об’єкта до певного класу відображає
найтиповішу проблему класифікації, і, коли говорять про розпізнавання
образів, найчастіше мають на увазі саме цю проблему. Тому ми
розглядатимемо її першочергово.
Цим трьом частинам баз знань відповідають три етапи розв'язання задачі:
побудова абстрактної програми вирішення (включаючи виникнення задачі, її
постановку та специфікацію);
переклад завдання на підходящу машинну мову;
трансляція та виконання програми.
Побудова абстрактної програми пов'язана з представленням та обробкою
концептуального знання в ІС та за визначенням є надбанням штучного
інтелекту.
Штучний інтелект пов'язують з обробкою текстів, усних повідомлень
природною мовою, з аналізом та обробкою інформації (Розпізнавання всіх
видів зображень, доказ теорем, логічний висновок тощо).
Функціями ДЕС є також оцінка результатів розв'язання задачі, формування
параметрів майбутнього результату дії, прийняття рішення про управління,
вироблення управління та звірення параметрів бажаного та реального
результатів. Тут передбачається моделювання процесів для оцінки можливих
наслідків та коректності вирішення задачі.
Зазначимо, що у реальних випадках існує проблема опису досліджуваних
об'єктів. Такий опис неправомірно вважати частиною специфікації завдання,
оскільки щодо одного об'єкта ставиться, як правило, багато завдань, що,
природно, потрібно враховувати для формування бази знань. Крім того, може
виявитися, що завдання не вирішити до кінця автоматично, наприклад, через
неповноту специфікації або опису об'єкта. Тому в ІС доцільний на певних
стадіях інтерактивний режим роботи з ДЕС. Слід пам'ятати, що модель
предметної області визначає загальну обстановку (знання), а специфікація –
зміст завдання.
Дуже важливими проблемами є створення єдиного програмного середовища
та синтез алгоритмів безпосередньо по постановці задачі.
Залежно від мети, що стоїть перед ІС, база знань, алгоритми вирішення
задачі, прийняття рішення, вироблення управління можуть, природно, мати
різне уявлення, що залежить, у свою чергу, від характеру розв'язання задач.
Відповідно до цього можна бачити три типи ДЕС.
Структура ДЕС першого типу дано на рис. 9.
-кінетичного ,
-потенційного ,
-дисипативного ,
де А, В, С - відповідної назви коефіцієнти для лінійного варіанта законів.
Назви законів пов'язані з кінетичною і потенційною енергіями, що
визначаються ними, а також з дисипативною функцією Релея . Закони
представлені у нормальній формі запису, яка для кінетичного вигляду
відмінна від природної, загальноприйнятої форми. Для дисипативних законів
можливі нелінійні варіанти, для формування яких слід враховувати
незаперечення дисипативной функції .
Пропускаючи подальшу деталізацію, все представлене дозволяє заповнити
процедуру-алгоритм побудови диференціальних моделей систематизованим
міждисциплінарним звучанням з позицій диференціальної макрофізики в
цілому. Кожна макрофізична наука лише впорядковано конкретизує цей
алгоритм фізичним змістом змінних та законів природи. Причому з'являється
можливість дуже компактного представлення подібної конкретизації за
допомогою відповідних приватних діаграм, яка для зазначених вище трьох
законів має вигляд (див. рис. 1).
Вкрай важлива і цікава, з наукознавчої точки зору, можливість знаходження
способу співвіднесення приватних діаграм між собою. Адже це, з одного
боку, просто інша і конкретніша постановка завдання подолання
роз'єднаності макрофізичних наук, з другого - продовження більш високому
рівні систематики основи макрофізичних знань. Зрозуміло, що при такому
загальному розгляді співвідносити можна лише розмірності змінних та
коефіцієнтів. Перехід до приватних діаграм розмірності очевидний. Єдиною
проблемою є вибір підходящої для міждисциплінарних досліджень системи
розмірностей. За цією ознакою система СІ не підходить, оскільки відображає
багатомовність роз'єднаних фізичних наук. Повністю вільної від цього
недоліки є лише кінематична система розмірностей, що дозволяє
співвідносити змінні та коефіцієнти будь-якої фізичної природи, на що
звернув увагу Р. О. ді Бартіні.
У разі застосування кінематичної системи, приватні діаграми породжують
узагальнену діаграму розмірностей. Кожна з приватних діаграм пов'язана з
чотирма сусідніми правилами, що породжують (рис. 2).
Класифікація алгоритмів
Де:
– вектор стану;
– вектор управління;
– вектор виходу (вимірювання);
– задана вектор функція.
• – – вектор функція, що забезпечує існування та єдиність розв'язання
задачі Коші;
• – – Вектор параметрів об'єкта.
Причому:
Де:
– – задана вектор функція, безперервно диференційована з усіх
змінним (можливий загальний випадок, коли –– оператор, що діє з в
(9)
де – скалярна функція, позитивна за позитивних значень аргументу.
З урахуванням введених позначень визначимо величину видалення
довільного елемента від множини відповідно до міри близькості .