Mesterséges intelligencia Szakértői rendszerek. Mesterséges intelligencia Szakértői rendszerek

Dr. Mikó Balázs Gépgyártástechnológia Tanszék

BME GTT

Mesterséges intelligencia Szakértői rendszerek Technológiai tervező rendszerek 2003/2004 I.

Mesterséges intelligencia, szakértői rendszerek

[email protected]

Dr. Mikó Balázs Gábor Dénes Főiskola

BME GTT

Mesterséges intelligencia Szakértői rendszerek Mesterséges intelligencia alapjai 2003/2004 I.


[email protected]

A MESTERSÉGES INTELLIGENCIA ALAPJAI Vezető tanár: Dr. Szalay Tibor adjunktus Budapesti Műszaki és Gazdaságtudományi Egyetem Gépgyártástechnológia Tanszék Tel: 463-1875, 463-2515 Fax: 463-3176 mobil: 30 2816218 e-mail: [email protected] http://manuf.bme.hu/gdf Mesterséges intelligencia, szakértői rendszerek

Tartalom Mesterséges intelligencia Intelligencia Szakértői rendszerek Szabály-alapú következtetés Eset-alapú következtetés Frame-ek Heurisztikák Mesterséges neurális hálók Keresési algoritmusok Mesterséges intelligencia, szakértői rendszerek

1. rész

John McCarthy

MESTERSÉGES INTELLIGENCIA



Kezdetek 1956 - Darthmouth College

John McCarthy

John McCarthy Marvin Minsky Nathaniel Rochester (IBM) Claude Shannon (Bell)

Cél: Az emberi gondolkodást modellezni képes gép megalkotása. Mesterséges intelligencia, szakértői rendszerek

A kutatások célja A mesterséges intelligencia olyan kutatási terület, amely arra törekszik, hogy a számítógépek intelligensnek tekinthető tevékenységeket tudjanak végezni A kutatásoknak két fő irányuk van, egy kognitív és egy számítástudományi irány.


Kognitív kutatások A kognitív pszichológiával kapcsolatos kutatások a számítógépet eszközként használják az emberi gondolkodás, probléma megoldás stb megértésére, modellezésére.


Számítástudományi kutatások Ez a megközelítés azt tűzte ki célul, hogy intelligensebbé tegye a számítógépek viselkedését.

Itt is megfigyelhetők biológiai analógiák, de a cél nem a biológiai rendszer modellezése, megértése, hanem más területeken felmerülő problémák hatékonyabb megoldása.


Az MI kutatások célja • meglévő intelligens rendszerek empirikus tanulmányozása és modellezése, • intelligens rendszerekben módszerek elméleti kutatása, • gyakorlati problémák módszerek segítségével.

alkalmazható

megoldása

ezen

(Mike Sharples) Mesterséges intelligencia, szakértői rendszerek

Intelligencia I. Az intelligencia az értelmi működés fokmérője, elsősorban új körülményekhez való alkalmazkodó képességben mutatkozik meg, amely szorosan összefügg az előzőleg szerzett tapasztalati anyag alkalmazásával, a helyzet mozzanatainak széleskörű figyelembevételével és a gondolkodóképességgel. (Új magyar lexikon)


Intelligencia II. “Egy rendszer intelligensen viselkedik, ha a rendelkezésre álló ismeretek alapján a lehető legjobb döntést hozza egy adott cél elérése érdekében.” (Russel)


Intelligencia III. Kulcs jellemzők • Céltudatosság • Rugalmasság • “Eredményes lustaság” (Mike Sharples)


Intelligencia IV. Turing teszt - Alan Turing A számítógép intelligensnek tekinthető, amennyiben egy terminálon keresztül kérdező nem tudja eldönteni, hogy vele szemben ember, vagy számítógép áll. Képességek: - természetes nyelvmegértés - tudásreprezentáció - automatikus következtetés - gépi tanulás Mesterséges intelligencia, szakértői rendszerek

Ágens definíció Az ágens olyan rendszer, amely a következő tulajdonságokkal rendelkezik: – Beágyazottság (környezetbe ágyazott) – Reaktivitás (érzékeli környezetét és reagál az abban bekövetkezett változásokra – Autonómia (önálló működés) – Helyzetfüggőség (csak helyzethez, szerephez kötötten léteznek)


Racionális ágens Célja és információi vannak, és ezeknek megfelelő legjobb akciót választja. (legjobbat cselekszi - ideális intelligencia) További ágens tulajdonságok: – Kezdeményezőkészség (nemcsak reagál, de a cél érdekében beavatkozik) – Célvezérelt viselkedés – Temporális kontinuitás (huzamosabb ideig létezik)


MI kutatási területei Mesterséges intelligencia Számítástudományi kutatások

Kognitív kutatások

MI módszerek

MI alkalmazások

Keresés

Szakértõi rendszerek

Tudásreprezentáció

Cselekvéstervezés

Szimbolikus következtetõ módszerek

Beszédfeldolgozás

Szubszimbolikus módszerek Tanulás és adaptáció ...


Képfeldolgozás ...

2. rész

SZAKÉRTŐI RENDSZEREK


Szakértői rendszer - definíció A szakértői rendszer olyan számítástechnikai hátterű probléma megoldó rendszer, amely • alapvetően különböző mesterséges intelligencia módszerekre épül, • egy szűkebb problématerület (domain) ismereteit tartalmazza , • segít nagy méretű, komplex problémák analizálásában illetve megoldásában • figyelembe véve a humán szakértők problémamegoldási folyamatát. Mesterséges intelligencia, szakértői rendszerek

Szakértői rendszer alkalmazása • a probléma megoldása gyakorlati tudást igényel, • a problématerület jól körülhatárolható, • a kiinduló adatok objektív módon leírhatók, • kevés az emberi szakértő, • fontos a probléma gyors megoldása.


Szakértői rendszer segítségével hatékonyan támogatható problématerületek jellegzetes tulajdonságai: A problématerület elég szűk ahhoz, hogy olyan tudást lehessen benne megragadni, amely nem mindenki számára kézenfekvő, ugyanakkor elég bonyolult ahhoz, hogy ilyen szakértelemre igény legyen.

2.

1.

Az adott területnek rendelkeznie kell emberi szakértőkkel, akiknek a tudásából ki lehet indulni a rendszer elkészítéséhez.


3.

A humán szakértők között a szakterület alapkérdéseiben nagyfokú egyetértésnek kell lennie.

Szükséges, hogy az adott szakterületen számos tanpélda, alapadat is rendelkezésre álljon, mert csak így lehet a szakértői rendszert megbízhatóan tesztelni és tudásának korlátait meghatározni.

5.

4.

Általában annál jobb szakértői rendszert lehet építeni egy adott területen, minél jobban felosztható az illető terület olyan részproblémákra, amelyek egymással csak nagyon kevéssé interferálnak Mesterséges intelligencia, szakértői rendszerek

SzR problématípusok Procedurális problémák Diagnosztizáló problémák Monitorozó / őrző problémák Objektum tervező problémák Tevékenység tervező / ütemező problémák Mesterséges intelligencia, szakértői rendszerek

Döntéstámogató szakértői rendszer

A döntéstámogató szakértői rendszerek emlékeztetik a humán szakértőt a megfontolandó következményekre, a felderítendő alternatívákra stb., amelyek felett a szakértő esetleg elsiklana a döntéshozatal során. Mesterséges intelligencia, szakértői rendszerek

Döntéshozó szakértői rendszer

A döntéshozó szakértői rendszerek a probléma megoldásának megtalálásában segítik a problématerületen járatlan vagy kevéssé jártas felhasználót.


Szakértői rendszerek hátrányai • nehéz új, vagy a szokásostól eltérő helyzetekre felkészíteni,

• nem kreatív,

• a fejlesztés drága és időigényes. Mesterséges intelligencia, szakértői rendszerek

Összehasonlítás Humán szakértő

Szakértői rendszer

A képességek és a tudás idővel változik

A tudása állandó

Felkészítése hosszú és költséges folyamat

Fejlesztése drága, de sokszorosítható

Érzelmi állapota befolyásolja a döntéshozatalt

Állandó és megismételhető eredményt biztosít

Ritka és drága

Használata és karbantartása viszonylag olcsó


Szakértői rendszer felépítése I. TUDÁSBÁZIS

Tudásg yûjtõ és karbantartó rendszer

Következtetõ m echanizm us

Tudásm érnök

Munka m em ória

Nyom követö rendszer

Felhasználói felület

Felhasználó


Szakértői rendszer felépítése II. A rendszer tudását a tudásbázis tartalmazza, amit a tudásmérnök állít össze és tart karban. A tudásmérnök a problématerület ismerője, aki átlátja a problématerülethez kapcsolódó ismereteket és képes azt rendszerezni.


Szakértői rendszer felépítése III. A felhasználó a felhasználói felületen keresztül tud kommunikálni a rendszerrel, itt tudja leírni a problémát és ezen keresztül kapja meg a megoldást is.


Szakértői rendszer felépítése IV. A felhasználó által leírt probléma a munka memóriába kerül, majd a megoldás során a következtető mechanizmus, felhasználva a tudásbázis adatait, megpróbál választ adni.


Szakértői rendszer felépítése V.

A következtetés folyamatát a nyomkövető rendszer segítségével tudjuk figyelemmel kísérni.


Szakértői keretrendszer I. Keretrendszer: szakértői rendszer váz, amely tartalmazza a tudásbázis illetve a felhasználói felület szerkesztésére alkalmas programozói eszközöket.


Szakértői keretrendszer II. Prog ram ozó

TUDÁSBÁZIS (üres)

Tudásg yûjtõ és karbantartó rendszer

Következtetõ m echanizm us

Munka m em ória

Nyom követö rendszer

Prog ram ozó

Tudásm érnök

Felhasználói felület

Felhasználói felület szerkesztõ Felhasználó Mesterséges intelligencia, szakértői rendszerek

Fejlesztési folyamat

A problém a m eg határozása, A szakértõi rendszer feladatainak kijelölése Tudás-, ism eretg yûjtés Ism eretanyag feldolg ozása Rendszerezés, Közös adatstruktúra kialakítása Bem enõ- és kim enõ adatok m eg határozása

Tervezési elv és fejlesztési környezet választás

stb.

Fejlesztés hagyományos környezetben

Fejlesztés keretrendszerben

Tesztelés Mesterséges intelligencia, szakértői rendszerek

3. rész

TUDÁSREPREZENTÁCIÓ ÉS KÖVETKEZTETÉS


Tudásreprezentáció Frame-ek Szabályok Esetek Heurisztikák


Frame

Marvin Minsky

FRAME - információ tárolási alapegység, összefoglalja mindazon tulajdonságokat, amelyek egy objektumra jellemzők, és azokat a relációkat, melyek ezt az objektumot más objektumokkal összekapcsolják.


Frame alapú tudásreprezentáció

Az emberi gondolkodás (emlékezet) általában tárgyakhoz, objektumokhoz kötődik. Az emberi gondolkodás összekapcsolja az objektumot annak jellemző tulajdonságaival, viselkedésével, környezetével.


Alapelemek Osztályok - Alosztályok - Példányok → hierarchikus felépítés Példa:

osztály - alosztály osztály

szerszámgép

alosztály

eszterga

marógép


Példa:

alosztály - példány

osztály

példány

marógép

M-21

M-21

M-23

Magukban hordozzák a tulajdonságokat és relációkat Alapvető kapcsolatuk az öröklődés (tulajdonságok relációk öröklődnek a hierarchiában “felettük” (előttük) levőtől Többszörös (több helyről való) öröklődés - több kapcsolat - több szint Mesterséges intelligencia, szakértői rendszerek

Technikai megvalósítás: frame egyedi azonosító slot: tulajdonság vagy reláció speciális relációk - osztály - alosztály (is-a) - osztály - példány (instance-of) érték - default: örökölt értékek Osztály X

Példány ...

Alosztály k

Példány 2

Alosztály l

Példány 1 Osztály X - Alosztály m

Alosztály m Tulajdonság 1

Tulajdonság 1

=

Érték 1

Tulajdonság 2

Tulajdonság 2

=

Érték 2

Tulajdonság 3

Tulajdonság 3

=

Érték 3


Példa (defframe macska Osztály (szín) tulajdonság (megeszi (egér madár))) reláció (defframe házimacska Alosztály (is-a macska) hierarchia (név) tulajdonság (megeszi (konzerv madár))) reláció (defframe Mirci Példány (instance-of házimacska) hierarchia (név Mirci) tulajdonság (megeszi (konzerv kanári))) reláció


A frame-alapú reprezentáció előnyei – hétköznapi gondolkodáshoz illő reprezentáció – hatékony következtetés az osztályok és az objektum példányok tulajdonságairól – implementáció: objektum-orientált programozás – Nincs szükség következtető eljárásra, az adatstruktúra hordozza a következtetést Szakértő rendszerekben gyakran alkalmazott reprezentációs módszer


Problémák - 1 Konfliktus öröklődéskor default értékek és több helyről való öröklődés Honnan vegyük az értéket? Példa: (1) A marógépek vezérelt tengelyeinek száma általában 3, és státusza szabad. (2) A körasztallal ellátott marógép is marógép. (3) A körasztallal ellátott marógép vezérelt tengelyeinek száma 4. 4) A karbantartott berendezések státusza foglalt. 5) M-33 egy karbantartás alatt álló, körasztallal ellátott marógép.


Reprezentáció Osztály

Frame-ek

Alosztály

Példány

Marógép vtengely: 3 státusz: sz.

Marógép körasztallal vtengely: 4

Karbantartott berendezés státusz: f.

TC 3 marógép vtengely: ? Státusz: ?

- konfliktus egy öröklődési út mentén - konfliktus több út mentén Mesterséges intelligencia, szakértői rendszerek

Problémák - 2

Nem-monoton következtetés monoton következtetés Új tény hozzáadásával egy korábbi konklúzió nem válik hamissá (az ismert állítások halmaza monoton nő). nem-monoton következtetés Bármit állítunk, megfordítható az igazsága. Default értékek esetén a monoton következtetés nem működik.


Példa

tudjuk, hogy ∀x madár(x)  repül(x) madár(Pipi) tehát: repül(Pipi)

újabb ismereteink: ∀x pingvin(x)  ¬repül(x) ∀x pingvin(x)  madár(x) pingvin(Pipi) mindebből az (is) következik: ¬repül(Pipi)

Ellentmondás!


Metódusok - Démonok A slot-okhoz nemcsak logikai értéket (tulajdonság, reláció), hanem számítási eljárások is rendelhetők.

Metódus

A metódus a frame manipulálásakor aktivizálódik: - if-needed ha a frame értékét vesszük át - when-changed ha egy slot értéke változik

A slot-okhoz hasonló öröklődési problémák Mesterséges intelligencia, szakértői rendszerek

Szabály-alapú következtetés Ha …, akkor…

Szabály Feltétel Akció

Tények


Következtetési ciklus Mintaillesztés

Adatbázis

Kiválasztás

Tüzelés


Szabály bázis

Következtetés I. Adatvezérelt következtetés Ha a következtető mechanizmus talál olyan szabályt, melynek feltételeit a tények kielégítik, akkor végrehajthatja a szabályt, aminek hatására a tények módosulnak.


Következtetés II. Célvezérelt következtetés Cél meghatározása Szabály kiválasztása Tények illeszkednek? Újabb cél kijelölése


A cél igazolva

Fejlesztés keretrendszerben Fejlesztés keretrendszerben Implementálás Elökészítés

Felhasználói felület m eg tervezése

Osztályok definiálása Osztályok leprog ram ozása Szabályok létrehozása Szabályok leprog ram ozása Eljárások létrehozása Eljárások leprog ram ozása

Help, User's Guide, Tutorial, Report Maker etc. Mesterséges intelligencia, szakértői rendszerek

Level5 Object Szabály-alapú szakértői keretrendszer


Level5 Object


Level5 Object


Level5 Object


Alkalmazási példák Szerszámgép választás Szerszám választás Megmunkálási sorrendtervezés Szerszám hibadiagnosztika


Előgyártmányválasztás

Előgyártmány

Alkatrész

Meghatározandó paraméterek: Anyag Technológia Alak Ráhagyások Méretpontosság

Cél: az előgyártmánygyártás és az alkatrészgyártás költsége legyen minimális.


Előgyártmányválasztás

Kizáró kritériumok Idő kritériumok Értékelő szabályok

Szabály-alapú szakértői rendszer Egyszerűsített geometria

Szabályok

Előgyártmány típus

Szabályok

Ráhagyási alakzat

Szabályok

Előgyártmány geometria

Technológiai lépések Ráhagyások

Felület összevonások Mesterséges intelligencia, szakértői rendszerek


Alkalmazási példa

Csoporttechnológia adaptálása


Költségbecslés

Alkalmazási példa


Alkatrész modell

§ Műveletelemek

Gyártási idő- és költség becslése

Szabályok

1.

§

Előzési mátrix

Szabályok

Mátrix elimináció Mesterséges intelligencia, szakértői rendszerek

2.

3.

Heurisztikus képletek

Becsült adatok



Alkalmazási példa

Robotmegfogó tervezés


Alkalmazási példa



Robotmegfogó tervezés Koncepcionális tervezés


Alkalmazási példa

Robotmegfogó tervezés Részletes tervezés



(Video) Mesterséges intelligencia, szakértői rendszerek

Alkalmazási példa Megmunkálás diagnosztika Bemutatás

Szerszámanyag választás Bemutatás Mesterséges intelligencia, szakértői rendszerek

Eset-alapú következtetés (CBR)

(A. Aamodt)

“Egy új probléma megoldása azálltal, hogy felidézünk egy korábbi már megoldott problémát, és felhasználjuk ennek megoldásából származó tudást és tapasztalatot.”


Eset-alapú következtetés (CBR)

“Az eset-alapú következtatés egy régi probléma megoldásának új helyzetben történő adaptálását jelenti.”

(Janet Kolodner) Mesterséges intelligencia, szakértői rendszerek

Következtetési folyamat

Új probléma Indexelés Visszakeresés

Esetbázis

Hasonló esetek Választás Javasolt megoldás

Tanulás

Adaptálás Ellenörzés

Megoldás Mesterséges intelligencia, szakértői rendszerek

Egy eset szerkezete Indexelt információ

16H7F76AC987...

Nem indexelt információ Mesterséges intelligencia, szakértői rendszerek

Indexelés Az indexelés célja: - az eset jellegzetességeinek leírása, - az információ rendszerezése, tömörítése.

Indexelés

Eset

Kód


Keresés - Választás Hasonlósági becslés: Mikor hasonló két eset?

Hatékony keresési algoritmus. Mesterséges intelligencia, szakértői rendszerek

Adaptálás Az adaptálás célja: A kiválasztott esethez tarozó megoldás módosítása az új körülmények figyelembevételével. Új eset Megoldás Adaptálás Eset Megoldás Mesterséges intelligencia, szakértői rendszerek

Alkalmazási példák Készüléktervezés

Műveleti sorrendtervezés Mesterséges intelligencia, szakértői rendszerek

Alkalmazási példák

Műveleti sorrendtervezés



Alkatrész modell


+ Paraméter lista

Eset bázis

Keresés

Hasonlóság megállapítása Választás Adaptálás

Becsült adatok Mesterséges intelligencia, szakértői rendszerek

Heurisztikák A heurisztika olyan algoritmizált feladatmegoldó módszer, mellyel ismert megoldási módszerekből kiindulva adott problémák újszerűen, automatikusan oldhatók meg.


Heurisztikák A heurisztikus módszerek bonyolult feladatok megoldására igyekeznek nem minden lehetséges utat kipróbálni, hanem hasonlósági alapon bizonyos feladatmegoldási típusok alapulvételével elindulnak egy-egy nem biztos, de valószínű megoldás felé.


4. rész

NEURÁLIS HÁLÓK


Neurális hálók Számítási feladatok megoldására létrehozott párhuzamos adatfeldolgozást végző adaptív eszközök, melyek eredete az emberi agy működésének modellezésére vezethető vissza

Felépítésüket tekintve egyszerű, általában adaptív elemek sűrűn összekapcsolt hálózata illetve hierarchikus szervezete.


Biológiai analógia I.


Biológiai analógia II.


Történeti áttekintés 1943 McCulloch és Pitts 1958 Rosenblatt 1960 Widrow és Hoff 1962 Rosenblatt többszintű perceptron 1969 Minsky és Papert 1982 Hopfield 1986 Rummelhat, Hinton és Williams 1989 Kohonen 1991 Carpenter és Grossberg adaptive resonance theory ART


Fontosabb típusok Neurális Hálók Binális bemenet Felügyelt tanítás

Hopfield Hanning háló háló

Nem felügyelt tanítás Carpenter/ Grossberg háló

Folytonos és bináris bemenet Felügyelt tanítás

egy rétegû perceptron

Nem felügyelt tanítás

több rétegû Kohenen háló perceptron


Perceptron X1 X2

S =  xi wi

w1

n

w2 S

Xn

f(.)

Y

Y = f(S) wn


Nemlinearitások s>1 +1 ° Y = ® S −1 ≤ S ≤ + 1 ° −1 s<1 ¯

+1 s > 0 Y=® ¯ −1 s ≤ 0

Lépcsőfüggvény

Telítéses lineáris függvény

Y= Y=

1 − e − K ⋅S 1 + e − K ⋅S

Tangens hiperbolikusz függvény

1 1 + e − K ⋅S

Szigmoid függvény


Perceptron háló Közbenső réteg Kimeneti réteg

Bemeneti réteg

...


Back-propagation Új változtatás

Hiba

∆wi , j ( n) = −η *

∂E ( w) + α * ∆wi , j ( n − 1) ∂wi , j

Tanulási ráta

Hiba:

E ( w) =

Előző változtatás

Momentum

2 1 *  (t − o( w)) 2 k


Alkalmazási példák Megmunkálási igények felmérése Forgácsolási paraméterek meghatározása Folyamatfelügyelet, hibadiagnosztika


Alkalmazás Feladattípusok • osztályozás • az információmennyiség erős csökkentése

•

transzformáció egyik adatstruktúrából egy másikba való átalakítás pl. írott szöveg → beszéd

•

optimalizálás


Példa

Szerszámkopás felügyelet


Szerszámok állapotbesorolása Állandó forgácsolási paraméterek

Jel jellemzôk

éles

Osztályozási eredmény

kopott

Hálóstruktúra


Szerszámkopás becslése Állandó forgácsolási paraméterek

Jel jellemzôk

hátkopás



Alkatrészmodell

Paraméter lista Tanítási minta ANN W1 W2 Becsült adatok

Σ

S

f(S)

W3


Költségbecslés

Műanyag fröccsöntő szerszám

?


Rendszerterv

Gyártandó termék

Gyártandó termék

Szerszámtervezés

ECoTEst/Mold Alkatrész és szerszámparaméterek

Mesterséges neurális háló

Utókalkulációs adatok

Gyártáselőkészítés

Tanító algoritmus

Szerszámgyártás

Becsült idő- és költségadatok

Szerszám Mesterséges intelligencia, szakértői rendszerek

5. rész

KERESÉSI ALGORITMUSOK


Keresési algoritmusok Vak kereső eljárások:

Heurisztikus kereső eljárások:

• Szélességben először keresés • Mélységben először keresés • Korlátozott mélységű keresés • Iteratív mélyítés

• Legjobbat először • A* • IDA*

Iteratív javító algoritmusok: • Csúcsra mászás • Tabu keresés • Szimulált hűtés


Alkalmazási példák t est = C ⋅ B X B ⋅ H X H ⋅ LX L

Gyártási idő becslés Heurisztikus összefüggések

test = C ⋅ D X D ⋅ LX L

Legkisebb négyzetek módszere n

(

S =  t i − C ⋅ Li i =1

XL

⋅ Bi

XB

⋅ Hi

)

XH 2

MIN

(

∂S =0 ∂C ∂S =0 ∂X B

∂S =0 ∂X L ∂S =0 ∂X H

)

n ∂S X X X 2⋅ X 2⋅ X 2⋅ X = 2 ⋅  − t i ⋅ Li L ⋅ Bi B ⋅ H i H + C ⋅ Li L ⋅ Bi B ⋅ H i H = 0 ∂C i =1 n ∂S X X X 2⋅ X 2⋅ X 2⋅ X = 2 ⋅  − t i ⋅ C ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln Li + C 2 ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln Li = 0 ∂X L i =1 n ∂S X X X 2⋅ X 2⋅ X 2⋅ X = 2 ⋅  − t i ⋅ C ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln Bi + C 2 ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln Bi = 0 ∂X B i =1 n ∂S X X X 2⋅ X 2⋅ X 2⋅ X = 2 ⋅  − t i ⋅ C ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln H i + C 2 ⋅ Li L ⋅ Bi B ⋅ H i H ⋅ ln H i = 0 ∂X H i =1

(

)

(

)

(

)


Numerikus kereső algoritmus

C, B, H, L

C1, B, H, L

C1, B, H, L

C2, B, H, L

C2, B, H, L

C, B1, H, L

C, B1, H, L

C, B2, H, L

C, B2, H, L

C, B, H1, L

C, B, H1, L

C, B, H2, L

C, B, H2, L

C, B, H, L1

C, B, H, L1

C, B, H, L2

C, B, H, L2

Változás Hiba

∆ = 0.01 +

Di =


Eredmények


...

Random (100) 100 ⋅ m

 t −t j

j

i, j

Genetikus algoritmus Charles Darwin

Evolúciós párhuzamra épülő numerikus optimálási eljárás.

John Holland Mesterséges intelligencia, szakértői rendszerek

Egyed: egy lehetséges megoldás. Populáció: egy lehetséges megoldások halmaza. Életképes: a keresési tartományon belüli. Rátermettség: célfüggvény érték.


P aram éterek b eállítása

Működés

K ez deti pop uláció g enerálása

K iértékelés, S orbarendez és

K iválasz tás

Mutáció

K eresz tez és

K iértékelés, S orbarendez és

Leállási feltétel

S TOP Mesterséges intelligencia, szakértői rendszerek

Keresztezés 011011000101101 100111101100100

Keresztezési pont 01101100

0101101

10011110

1100100

Szegmensek cseréje 01101100

1100100

10011110

0101101


Mutáció Mutációs pont 011011000101101

011011010101101

Érték megváltoztatása


Működési paraméterek A működést befolyásoló paraméterek: Populáció nagysága Keresztezési ráta Mutációs ráta Keresztezési pontok száma Mutációs pontok száma Leállási feltétel Mesterséges intelligencia, szakértői rendszerek

Alkalmazási példák Sorrendtervezés Forgácsolási paraméterek meghatározása Ütemezés


Irodalom Fekete István – Gregorics Tibor – Nagy Sára: Bevezetés a mesterséges intelligenciába, LSI 1990. Stuart Russel – Peter Norvig: Mesterséges intelligencia, Panem 2000. Futó Iván: Mesterséges intelligencia, Aula Kiadó, 1999. Sántáné – Tóth Edit: Tudásalapú technológia, szakértői rendszerek; Miskolci Egyetem Dunaújvárosi Főiskolai Kar Kiadóhivatal, 1998.


Web lapok AI.lap.hu Agent portál

http://ai.lap.hu http://agent.aitia.ai/

manuf.bme.hu/gdf


Írásos anyag letölthető http://drmikobalazs.ingyenweb.hu Oktatás

[email protected] [email protected] Mesterséges intelligencia, szakértői rendszerek

Összefoglalás Mesterséges intelligencia Intelligencia Szakértői rendszerek Szabály-alapú következtetés Eset-alapú következtetés Frame-ek Heurisztikák Mesterséges neurális hálók Keresési algoritmusok Mesterséges intelligencia, szakértői rendszerek

Mesterséges intelligencia Szakértői rendszerek. Mesterséges intelligencia Szakértői rendszerek

Recommend Documents