Методы искусственного интеллекта в инженерных задачах
Покупка
Основная коллекция
Тематика:
Кибернетика
Издательство:
Южный федеральный университет
Автор:
Медведев Михаил Юрьевич
Год издания: 2024
Кол-во страниц: 317
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
ВО - Магистратура
ISBN: 978-5-9275-4660-2
Артикул: 870111.01.99
Cодержит полное и систематическое изложение материала, входящего в учебную программу курса «Методы искусственного интеллекта в инженерных задачах», изучаемых магистрантами направлений «Мехатроника и робототехника», «Электротехника и электроэнергетика» Института радиотехнических систем и управления Южного федерального университета. Последовательно рассматриваются следующие темы: введение в нейросети и их применение, основы обучения нейросетей, эволюционные вычисления и генетические алгоритмы, методы роевого интеллекта, экспертные системы и методы нечеткой логики. Содержит теоретический материал, контрольные вопросы и задачи, практические задания для выполнения в среде Matlab или Python. Предназначен для магистрантов, которые обучаются по программам магистратуры в области мехатроники и робототехники.
Тематика:
ББК:
УДК:
ОКСО:
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное образовательное учреждение высшего образования «ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ» Инженерно-технологическая академия М. Ю. МЕДВЕДЕВ МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ИНЖЕНЕРНЫХ ЗАДАЧАХ Учебное пособие Ростов-на-Дону – Таганрог Издательство Южного федерального университета 2024
УДК 004.896 (075.8)
ББК 32.973я73
М42
Печатается по решению кафедры электротехники и мехатроники
Института радиотехнических систем и управления
Южного федерального университета
(протокол № 9 от 11 июня 2024 г.)
Рецензенты:
главный научный сотрудник ИПМ имени М. В. Келдыша РАН,
доктор физико-математических наук, профессор С. М. Соколов
ведущий инженер АО «Площадь», кандидат технических наук
Б. В. Гуренко
Медведев, М. Ю.
М42 Методы искусственного интеллекта в инженерных задачах : учебное пособие / М. Ю. Медведев ; Южный федеральный университет. –
Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2024. – 315 с.
ISBN 978-5-9275-4660-2
Cодержит полное и систематическое изложение материала, входящего в
учебную программу курса «Методы искусственного интеллекта в инженерных
задачах», изучаемых магистрантами направлений «Мехатроника и робототехника», «Электротехника и электроэнергетика» Института радиотехнических
систем и управления Южного федерального университета. Последовательно
рассматриваются следующие темы: введение в нейросети и их применение,
основы обучения нейросетей, эволюционные вычисления и генетические алгоритмы, методы роевого интеллекта, экспертные системы и методы нечеткой логики.
Содержит теоретический материал, контрольные вопросы и задачи,
практические задания для выполнения в среде Matlab или Python. Предназначен для магистрантов, которые обучаются по программам магистратуры
в области мехатроники и робототехники.
УДК 004.896 (075.8)
ББК 32.973я73
ISBN 978-5-9275-4660-2
© Южный федеральный университет, 2024
© Медведев М .Ю., 2024
© Оформление. Макет. Издательство
Южного федерального университета, 2024
ВВЕДЕНИЕ ……………………………………………………………… 9 1. ВВЕДЕНИЕ В НЕЙРОННЫЕ СЕТИ ……………………………… 11 1.1. Применение искусственного интеллекта в робототехнике …….. 11 1.2. Структура интеллектуальной системы управления мобильного робота …………………………………………………………………... 13 1.3. Классификация методов искусственного интеллекта …………... 15 1.4. Структура и математическая модель биологического нейрона … 16 1.5. Нейрон для реализации логического порогового элемента. Реализация линейно сепарабельных логических функций ……………… 17 1.6. Проблема линейно не сепарабельных функций. Простая нейронная сеть …………………………………………………………………. 19 1.7. Параметрическая адаптация нейронного порогового элемента. Правило адаптации персептрона ……………………………………… 23 1.8. Инкрементальный алгоритм адаптации Мэя …………………….. 25 1.9. Адаптивный линейный элемент ………………………………….. 26 1.10. Алгоритмы адаптации адалины с использованием среднеквадратической ошибки ……………………………………………………. 27 1.11. Адалина с сигмоидальной функцией активации ………………. 31 1.12. Контрольные вопросы к разделу 1 ……………………………… 33 2. ПРАКТИЧЕСКАЯ РАБОТА 1. ОБУЧЕНИЕ НЕЙРОНА ……………………………………………….. 34 2.1. Задание на практическую работу 1 ………………………………. 34 2.2. Пример выполнения практической работы в среде Matlab …….. 35 2.3. Пример выполнения практической работы на Python ………….. 37 2.4. Требования к результатам выполнения практической работы 1 … 39 2.5. Варианты к практической работе 1 ………………………………. 40 2.6. Вопросы и задачи к практической работе 1 ……………………… 40 3. ОСНОВЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ …………………... 42 3.1. Простая сеть из трех нейронов …………………………………… 42 3.2. Обучение методом обратного распространения ошибки ………. 43
3.3. Математическое описание двухслойной нейронной сети ………. 3.4. Обобщенное дельта-правило ……………………………………... 48 3.5. Сеть линейным выходом ………………………………………….. 50 3.6. Структура и математическое описание многослойной сети прямого распространения …………………………………………………. 50 3.7. Обобщенное дельта-правило для многослойной сети прямого распространения ……………………………………………………….. 52 3.8. Алгоритм обратного распространения ошибки с моментным коэффициентом ………………………………………………………... 53 3.9. Общее описание алгоритма обратного распространения ошибки 54 3.10. Особенности алгоритма обратного распространения ошибки ... 55 3.11. Проблема локальных минимумов ………………………………. 58 3.12. Вопросы и задачи к разделу 3 …………………………………… 58 4. ПРАКТИЧЕСКАЯ РАБОТА 2. ОБУЧЕНИЕ ПРОСТОЙ НЕЙРОННОЙ СЕТИ ……………………... 60 4.1. Задание на практическую работу 2 ………………………………. 60 4.2. Пример выполнения практической работы 2 в системе Matlab … 61 4.3. Пример выполнения практической работы 2 на языке Python ….. 66 4.4. Варианты заданий к практической работе 2 …………………….. 68 4.5. Требования к представлению результатов выполнения практической работы 2 ………………………………………………………... 69 4.6. Вопросы и задачи к практической работе 2 ……………………… 69 5. ПРОБЛЕМЫ И РАЗВИТИЕ МЕТОДОВ ОБУЧЕНИЯ И ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ………………………….. 71 5.1. Различные меры измерения ошибки обучения …………………. 71 5.2. Проблема регуляризации нейронных сетей ……………………... 73 5.3. Методы упрощения нейронных сетей ……………………………. 73 5.4. Проблема вычисления матрицы Гесса …………………………… 80 5.5. Алгоритмы обучения второго порядка …………………………... 82 5.6. Алгоритмы обучения методом рекурсивной оценки ……………. 84 5.7. Нейронные сети с элементами запаздывания – динамические нейронные сети ………………………………………………………… 87 5.8. Вопросы и задачи ………………………………………………….. 90
РАЗРАБОТКА НЕЙРОННОЙ СЕТИ ДЛЯ ДВИЖЕНИЯ В ЦЕЛЬ С ОБХОДОМ ПРЕПЯТСТВИЯ …………………………… 91 6.1. Задание для практической работы 3 ……………………………… 91 6.2. Пример выполнения практической работы 3 в системе Matlab … 93 6.3. Пример выполнения практической работы 3 на языке Python ….. 95 6.4. Требования к представлению результатов выполнения практической работы 3 ………………………………………………………... 96 6.5. Варианты к практической работе 3 ………………………………. 99 6.6. Вопросы и задачи к практической работе 3 ……………………… 101 7. ПРАКТИЧЕСКАЯ РАБОТА 4. СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ 2-СЛОЙНОЙ И 3-СЛОЙНОЙ НЕЙРОННОЙ СЕТИ ………………………………. 102 7.1. Задание для практической работы 4 ……………………………… 102 7.2. Пример выполнения практической работы 4 в системе Matlab … 103 7.3. Пример выполнения практической работы 4 на языке Python ….. 106 7.4. Требования к представлению результатов выполнения практической работы 4 ………………………………………………………... 106 7.5. Варианты заданий к практической работе 4 …………………….. 110 7.6. Вопросы и задачи к практической работе 4 ……………………… 111 8. ПРАКТИЧЕСКАЯ РАБОТА 5. ИССЛЕДОВАНИЕ МЕТОДОВ РЕГУЛЯРИЗАЦИИ НЕЙРОННЫХ СЕТЕЙ …………………………. 112 8.1. Задание для практической работы 5 ……………………………… 112 8.2. Пример выполнения практической работы 5 в системе Matlab … 113 8.3. Пример выполнения практической работы 5 на языке Python ….. 115 8.4. Требования к представлению результатов выполнения практической работы 5 ………………………………………………………... 115 8.5. Варианты заданий к практической работе 5 …………………….. 116 8.6. Вопросы и задачи к практической работе 5 ……………………… 117 9. ЭВОЛЮЦИОННЫЕ ВЫЧИСЛЕНИЯ И ГЕНЕТИЧЕСКИЕ АЛГОРИТМЫ В ИНЖЕНЕРНЫХ ЗАДАЧАХ ………………………………………... 119
9.1. Определение и методы эволюционного моделирования ……….. 119 9.2. Основные понятия генетических алгоритмов …………………… 120 9.3. Генетические операторы ………………………………………….. 122 9.4. Жадный оператор скрещивания ………………………………….. 124 9.5. Способы выбора решений для скрещивания ……………………. 126 9.6. Оператор мутации ………………………………………………… 127 9.7. Простой генетический алгоритм …………………………………. 128 9.8. Вопросы и задачи к разделу 9 ……………………………………. 128 10. ПРАКТИЧЕСКАЯ РАБОТА 6. ИССЛЕДОВАНИЕ ПРОСТОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА В ЗАДАЧЕ ПОИСКА ЭКСТРЕМУМА ……………. 130 10.1. Задание для практической работы 6 …………………………….. 130 10.2. Пример выполнения практической работы 6 в системе Matlab … 130 10.3. Пример выполнения практической работы 6 на языке Python ... 132 10.4. Требования к представлению результатов выполнения практической работы 6 ………………………………………………………... 133 10.5. Варианты заданий к практической работе 6 …………………… 134 10.6. Вопросы и задачи к практической работе 6 ……………………. 134 11. ЗАИМСТВОВАННЫЕ ИЗ ПОВЕДЕНИЯ ЖИВЫХ ОРГАНИЗМОВ АЛГОРИТМЫ ……………………………. 136 11.1. Классификация роевых алгоритмов поисковой оптимизации … 136 11.2. Глобальный роевой алгоритм …………………………………… 136 11.3. Локальный роевой алгоритм ……………………………………. 138 11.4. Настройки роевых алгоритмов ………………………………….. 139 11.5. Муравьиный алгоритм …………………………………………... 140 11.6. Муравьиный алгоритм в задаче коммивояжера ……………….. 142 11.7. Алгоритм искусственной пчелиной колонии …………………... 143 11.8. Контрольные вопросы к теме 11 ………………………………… 144 12. ПРАКТИЧЕСКАЯ РАБОТА 7. ИССЛЕДОВАНИЕ РОЕВОГО АЛГОРИТМА В ЗАДАЧЕ ПОИСКА ПУТИ …………………………………………. 146 12.1. Задание для практической работы 7 ……………………………. 146 12.2. Порядок выполнения практической работы 7 (Matlab) ……….. 146
12.3. Порядок выполнения практической работы 7 (Python) ……….. 148 12.4. Требования к представлению результатов выполнения практической работы 7 ………………………………………………………... 149 12.5. Варианты заданий к практической работе 7 …………………… 150 12.6. Вопросы и задачи к практической работе 7 …………………….. 151 13. ПРАКТИЧЕСКАЯ РАБОТА 8. ИССЛЕДОВАНИЕ МУРАВЬИНОГО АЛГОРИТМА В ЗАДАЧЕ ПОИСКА ПУТИ …………………………………………. 152 13.1. Задание для практической работы 8 ……………………………. 152 13.2. Порядок выполнения практической работы 8 (Matlab) ……….. 153 13.3. Порядок выполнения практической работы 8 (Python) ………... 155 13.4. Требования к представлению результатов выполнения практической работы 8 ………………………………………………………... 159 13.5. Варианты заданий к практической работе 8 …………………… 159 13.6. Вопросы и задачи к практической работе 8 ……………………. 160 14. ЭКСПЕРТНЫЕ И НЕЧЕТКИЕ СИСТЕМЫ …………………….. 161 14.1. Определение, классификация и состав экспертной системы …. 161 14.2. Виды моделей знаний. Таблицы решений ……………………… 162 14.3. Виды моделей знаний. Продукционные правила ……………… 164 14.4. Виды моделей знаний. Семантические сети ……………………. 165 14.5. Виды моделей знаний. Фреймы …………………………………. 165 14.6. Нечеткая логика ………………………………………………….. 166 14.7. Контрольные вопросы …………………………………………… 168 15. ПРАКТИЧЕСКАЯ РАБОТА 9. ИССЛЕДОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ ДВИЖЕНИЕМ С НЕЧЕТКОЙ ЛОГИКОЙ ………………………….. 169 15.1. Задание для практической работы 9 ……………………………. 169 15.2. Порядок выполнения практической работы 9 (Matlab) ……….. 172 15.3. Порядок выполнения практической работы 9 (Python) ……….. 175 15.4. Требования к представлению результатов выполнения практической работы 9 ………………………………………………………... 177 15.5. Варианты заданий к практической работе 9 ……………………. 177 15.6. Вопросы и задачи к практической работе 9 …………………….. 178
ЗАКЛЮЧЕНИЕ …………………………………………………………. 180 СПИСОК ЛИТЕРАТУРЫ ………………………………………………. 182 ПРИЛОЖЕНИЯ …………………………………………………………. 184
ВВЕДЕНИЕ Методы искусственного интеллекта широко применяются в робототехнических и мехатронных системах. Они используются в задачах распознавания изображений, навигации, картографирования, планирования. Изучение данной дисциплины требует знания таких разделов, как линейная алгебра, элементы дискретной математики, дифференциальные и разностные уравнения, теория устойчивости. Требуются навыки программирования в среде Matlab или на языке Python. Дисциплина дает базовые представления о статических многослойных нейронных сетях прямого распространения и алгоритмах их обучения. Также даются основные сведения о эволюционных и других заимствованных из живой природы алгоритмах, экспертных и нечетких подходах. Данный курс важен для изучения дисциплин, связанных с методами машинного обучения, технического зрения, навигации и интеллектуального управления в инженерных системах. Целью изучения данной дисциплины является получение знаний в области основных методов искусственного интеллекта, которые охватывают нейронные сети, эволюционные и генетические вычисления, заимствованные из живой природы алгоритмы коллективного поведения, экспертные и нечеткие подходы. В результате изучения теоретического материала дисциплины необходимо усвоить математическое описание и его алгоритмическую реализацию. Практическая часть нацелена на получение навыков в создании программного обеспечения, реализующего изучаемые подходы, а также на исследование влияния параметров алгоритмов на качество решаемых задач. В качестве приложений использованы популярные задачи планирования пути, которые представляют сложную оптимизационную проблему. Данное пособие ориентировано на базовый уровень освоения материалов, не требующий самостоятельного программирования задач. Углубленный уровень изучения дисциплины включает более сложные задания, требующие самостоятельного программирования алгоритмов. Разделы 1, 3, 5 настоящего пособия базируются на материалах учебника [3]. Практические работы 2, 4, 6–8 подготовлены для исследования в
Введение среде Matlab или на языке Python. Материалы разделов 9 и 10 базируются на учебнике [4]. При написании разделов 11–13 использованы материалы пособий [5, 6]. Разделы 14 и 15 базируются на матtриалах, представленных в учебных пособиях [7–9, 11]. Данное учебное пособие является переработанной и дополненной версией пособия [10].