Использование - эвристика
Cтраница 3
Рассмотренный нами пример показал, насколько может быть полезным использование знаний в процессе поиска. Во многих случаях оказывается эффективным сочетание поиска с выполнением логических операций. Часто дает положительные результаты использование эвристик. [31]
Как и Логик-теоретик Ньюэлла, Шоу и Саймона, геометрическая машина для достижения этой цели опирается на хорошо известный аналитический метод. Метод обратного просмотра гарантирует машине, что каждая рассматриваемая ею последовательность действительно оканчивается на требуемом утверждении. Однако само по себе это без использования дополнительных эвристик не представляет значительного улучшения по сравнению с полным перебором, ибо преимущества метода обратного просмотра покупаются дорогой ценой, так как нет никакой гарантии, что каждая вырабатываемая последовательность, оканчивающаяся нужным образом, вообще служит доказательством чего-либо. Действительно, большинство цепочек, полученных таким способом, будут ложными. Но именно в этом и состоит сила аналитического метода, так как, если бы оказалось возможным найти способ обнаружения ложных последовательностей, такие последовательности можно было бы немедленно отбрасывать, что позволило бы отсекать от богато разветвленного дерева решений сухие ветви. Набор последовательностей, вырабатываемых таким процессом, содержал бы на любой глубине поиска на несколько порядков меньше членов, и плотность возможных доказательств теоремы среди этих последовательностей была бы соответственно выше. [32]
Чаще всего эвристические правила используются в совокупности с учетом пх противоречивости и альтернативности. Даже порядок применения определенного набора эвристик является сам по себе эвристическим правилом, широко используемым в эволюционных методах синтеза. Исходя из этого алгоритм построен на использовании эвристик об эквимолярностн деления смеси и разделении близкокипящей смеси в отсутствие неключевых компонентов. [33]
В приведенном списке первое и третье требования в определенной мере противоречат друг другу. Для того чтобы корректное решение изначально присутствовало в пространстве гипотез, на стадии формирования гипотез поневоле приходится быть довольно расточительным, что при большом словаре может привести к комбинаторному взрыву элементов решений. Выход может быть найден только при использовании чрезвычайно остроумных эвристик. [34]
Эти методы основаны на анализе движений по дереву решений, пока это возможно. Отметим, что эти методы могут выполняться не только на основе случайного поиска, но и с использованием заданных эвристик. [35]
 |
Значения целевой функции для портфеля № 3. [36] |
Задачи составления производственных планов являются комбинаторными задачами большой размерности. От их решения зависит эффективность производства. Однако из-за их сложности ( задачи реальной размерности относятся к NP-полным) чаще всего задачи планирования решаются интуитивно человеком с использованием различных эвристик. В настоящем разделе представлены результаты применения гибридной системы ( рис. 5.1) для составления планов работы производственного участка. В гибридной системе поддержки принятия решений использован ПГА, который осуществляет оптимизацию применения некоторого множества эвристических правил с целью комплексного учета различных факторов производства на качество составленного плана работы. [37]
Такой подход наиболее успешно используют в ряде разделов математики. Он состоит в том, чтобы начать с элементарных идей или аксиом в теории, а затем искать пространство возможных предположений, которые могут быть получены на основе этих аксиом путем использования эвристик для их модификации или комбинации. Наиболее интересные концепции выбираются из этих полученных предположений с помощью эвристики анализ цели ( состояния) - выбор средства, а затем рассуждения продолжаются в направлениях, связанных с различными ЭП. [38]
Приведенная структурная схема принятия решения претерпевает существенные изменения в зависимости от характера деятельности. При алгоритмической деятельности этапы решения задачи сжимаются, но реализуются в строгой последовательности; процессы поиска информации, выдвижения и оценки гипотез осуществляются стандартизировано. При эвристической деятельности этапы решения задачи развертываются, но реализуются скачкообразно; процессы поиска информации, выдвижения ( конструирования) и оценки гипотез осуществляются на основе упреждающего планирования, условного снятия ограничений ( упрощения задачи путем дивергентных и конвергентных преобразований) и последующего их наращивания, а также использования других эвристик. [39]
Каждая из этих эвристик имеет прямое отношение к теории нечетких множеств. На самом деле мы увидим, что смешение нечетких функций принадлежности с вероятностью было преодолено Кахнеманом, Тверски и их последователями. Многие примеры иррационального поведения, найденные бихевиористами, демонстрируют различие между использованием теории вероятностей и теорией нечетких множеств. В последующих разделах показаны смещения, которые являются следствием использования эвристик в принятии решений. Мы обсудим их здесь в контексте нечетких множеств и рыночной неэффективности. [40]
Данный пример показывает возможности абстракций в уменьшении размеров поискового пространства. Остается определить, насколько часто подобные уменьшения будут иметь место. Хотя приведенная задача по сути своей не трудна и может быть легко решена методами поиска в пространстве состояний, представляет интерес способность стратегий доказательства теорем решать такие задачи. Заметим, что в более сложных примерах ( содержащих, скажем, 50 городов) уменьшение поискового пространства по сравнению с неограниченной лок-резолю-цией было бы еще более впечатляющим. При использовании подходящих эвристик SL-резолюция может довольно успешно справиться с этим примером. Однако более сложные примеры для работы SL-резолюции потребовали бы тщательного выбора эвристик, тогда, как абстракция, по-видимому, успешно работала бы независимо от выбираемой карты. Весьма интересной представляется комбинация SL-резолюции и абстракции. [41]
Появилась мысль попытаться научить догадкам-эвристикам и машины. При постановке этого вопроса учитывается следующее. Как было показано на примере персептро-на, используя догадку о том, как распознает образы человек, оказалось возможным на основании этой догадки построить машину, способную в оговоренных ранее простейших случаях тоже распознавать образы мгновенно, без длительной, трудоемкой обработки исходных данных. То, что так может получаться, является преимуществом эвристического подхода. Но в рассмотренном примере, а это относится и к любым другим возможным применениям эвристик, поставленная-цель достигается не наверняка, не со стопроцентной гарантией. В отличие от того, что дает алгоритмическое решение различных задач, в том числе и задач распознавания образов, при использовании эвристик нет уверенности в том, что задача обязательно во всех случаях будет решена. Обученный персептрон правильно распознавал простейшие образы почти всегда, но иногда он и ошибался; он распознавал образы правильно лишь с какой-то, пусть даже высокой, степенью вероятности, но не наверняка. При эвристическом подходе к решению пробуют применить сделанное предположение, и затем проверяют, не привелр ли это к ошибочному результату. По существу эвристический метод сводится к так называемому методу проб и ошибок. Применение эвристик оказывается нужным там, где у нас нет твердых знаний; по мере их появления, когда мы знаем, как нужно сделать то или иное, эвристики заменяются точными алгоритмами. Во многих случаях оказывается эффективным совместное применение алгоритмов и эвристик. Как могут вводиться эвристики в машину и использоваться ею, покажем в ходе этой нашей бесеДы на конкретном примере немного позднее. [42]
Страницы: 1 2 3