SUBIECTE TIA

1. Motorul de inferene al unui sistem expert: definiie, mod de

funcionare i ciclul de baz.
DEFINITIE: Motorul de inferen (MI) este un program general care
implementeaz mecanismul prin care se construiesc raionamentele.
MOD DE FUNCTIONARE: Exist diverse procedee sau mecanisme de
inferen care traverseaz
acest arbore n sensuri diferite, conceptul de CUTARE fiind unul esenial n
programele de IA. Cele mai cunoscute metode de inferen sunt:
inducia sau nlnuirea nainte - este un proces de inferen condus de date;
inducia sau nlnuirea npoi - este un proces de inferen condus de scop
inducia sau nlnuirea hibrid - este un proces de inferen care combin
inducia nainte i inducia napoi.
CICLUL DE BAZA: MI este inima unui SE pentru c, folosind baza de
cunotine, construiete dinamic raionamentele alegnd regulile ce urmeaz a fi
declanate/aplicate i ordinea de nlnuire a acestora.
Indiferent de modul de raionament utilizat, ciclul de baz al unui motor de
inferene comport urmtoarele patru etape:
SELECIA: n aceast etap se extrag din baza de reguli i din baza de fapte
elementele care caracterizeaz subdomeniul de rezolvare a problemei. Aceast
etap este necesar atunci cnd baza de cunotine este mare, ncercnd s
acopere mai multe domenii ale cunoaterii.
FILTRAJUL (pattern matching) const n compararea premiselor regulilor
selecionate anterior cu faptele ce caracterizeaz problema de rezolvat, pentru a
determina submulimea regulilor declanabile.
n urma acestei etape pot rezulta una, mai multe sau nicio regul declanabil.
Dac nu rezult nicio regul aplicabil, atunci suntem ntr-o stare de eec pe care
SE o semnaleaz, iar utilizatorul trebuie s
rspund la o serie de ntrebri n scopul completrii datelor.
REZOLVAREA CONFLICTELOR este necesar atunci cnd din etapa de
filtraj au rezultat mai multe reguli declanabile i trebuie aleas una pentru a fi
executat. Dintre criteriile utilizabile n aceast etap se amintesc: prima regul
din list; regula cu cel mai mare numr de fapte n premis; regula cea mai des
utilizat. De aceast alegere depind performanele MI. Totui este dificil de
indicat unul sau altul dintre criterii, deoarece aceast alegere depinde de
contextul n care se gsete baza de cunotine n momentul respectiv.
EXECUIA REGULI SELECTATE const n adugarea uneia sau mai multor
fapte n baza de fapte ca o consecin a aplicrii regulii respective. Este
posibil, de asemenea, ca n aceast etap s se fac apel la proceduri externe
(acces la baze de date sau la procesoare de tabele) sau la ntrebri puse
utilizatorului.

2. Structura unei reele neuronale artificiale cu un strat ascuns. Regula delta

generalizat: modificarea ponderilor neuronilor de pe stratul de ieire.
RNA cu un singur strat. n acest caz stratul unic joac rol dublu intrareieire. Totodat, absena altor straturi impune ca aceste RNA s aib o topologie
buclat. n aceast categorie se nscriu reelele Hopfield, precum i variante ale
acestora, care se deosebesc n funcie de modul de conectare a neuronilor. Reele
cu un singur strat sunt folosite pentru completarea modelelor, filtrarea unor
semnale sau rezolvarea unor probleme de optimizare;
Regula delta generalizat
Perceptronii multistrat cu mai multe ieiri i funcii de transfer sigmoidale sau
liniare se mai numesc i reele backpropagation.
Denumirea provine de la algoritmul de nvare utilizat de aceste structuri i
anume algoritmul backpropagation BP sau algoritmul de propagare napoi a
erorii, respectiv algoritmul retropropagrii introdus de Rumelhart i membrii
grupului Parallel Distributed Processing PDP n 1986. El este primul algoritm
propus pentru antrenarea unei configuraii de tip MLP i a fost considerat un
mare succes care a contribuit la relansarea calculului neuronal n IA.
Algoritmul BP urmrete minimizarea funciei de performan (eroarea ptratic
parial sau total) printr-o metod de gradient. Din acest motiv funciile de
activare sau transfer ale neuronilor trebuie s fie continue i derivabile pe tot
domeniul de definiie, cerine satisfcute de funciile sigmoidale i funcia
liniar.
La fel ca i n cazul perceptronilor, generarea unei reele MLP cuprinde dou
etape:
etapa de nvare n care, pe baza mulimii de antrenare, se sintetizeaz
ponderile i valorile pragurilor de activare ale neuronilor;
etapa de testare, n care reeaua este utilizat pentru a clasifica mulimi
de forme necunoscute, dar similare celor din mulimea de antrenare.
Corecia ponderilor neuronilor de pe stratul de ieire
n metoda gradientului descendent, respectiv n algoritmul BP, procesul de
cutare a punctului de minim al funciei de performan a reelei MLP const n
deplasarea dup direcia antigradientului pe
o lungime proporional cu rata de nvare a crei valoare este selectat n
mod arbitrar de ctre utilizator.
Adaptarea metodei Newton la antrenarea reelelor MLP conducela urmtoarele
relaii de recuren pentru modificarea ponderilor:
Wt 1 Wt H Wt
Vt 1 Vt H Vt

E Wt

E Vt

4. Neuronul clasificator (perceptronul): structura, ecuaiile de evoluie i

regulile de modificare a ponderilor
Pornind de la modelul MCP, psihologul Rosenblatt a introdus, n anul 1958,
noiunea de perceptron sau neuron clasificator.
Perceptronul este asemntor neuronului MCP (fig. 2.5) i a fost dezvoltat din
dorina de a modela funcia de percepie vizual a retinei.
x1

xi
xn

n e t j- T

n+ 1

= T

yj

x n+ 1= -1

Ecuaiile de funcionare ale perceptronului sunt ecuaiile modelului MCP.

Deosebirea provine din faptul c de aceast data intrrile sunt valori reale i nu
valori binare de tipul 1 sau 0, funcia de activare fiind tot de tipul treapt.
Prin
urmare
evoluia
perceptronului
este
descris
de:
n

net WT X wi xi T
i 1

1, net 0
0, altfel

y f net

Problema care se pune const n gsirea unui algoritm de nvare care s

determine vectorul ponderilor W astfel nct frontiera s ajung s separe corect
elementele. Cu alte cuvinte, ieirea neuronului s fie y =1 sau y =0, dup cum
intrarea aparine clasei A sau clasei B.
Rspunsul la aceast problem a fost dat, ntr-o prim etap, de ctre
Rosenblatt. Algoritmul propus de acesta, cunoscut sub denumirea de algoritmul
standard de antrenare a perceptronuli, modific valorile ponderilor ori de cte ori
la intrarea reelei este prezentat o configuraie (form sau pattern) incorect
clasificat.

5. Cutri neinformate n spaiul strilor: caracterizare i algoritmul cutrii

pe nivel.

Se consider:
un graf definit implicit prin mulimea operatorilor asociai arcelor;
nodul sau mulimea de noduri ce definesc starea iniial Si , adic condiiile
iniiale ale problemei de rezolvat;
nodul sau mulimea de noduri ce definesc starea final S f , adic obiectivele sau
cerinele problemei.
Pentru rezolvarea este necesar s se gseasc o cale ntre starea initial i
starea final. Principiul care se afl la baza algoritmului generic de cutare
const n explorarea incremental a cilor ce pornesc din nodurile aferente strii
iniiale i folosete noiunea de frontier pentru a delimita nodurile explorate de
cele care nu au fost nc explorate.
n parcurgerea spaiului de cutare un nod poate fi:
necunoscut - nodul aparine prii neexplorate a spaiului de cutare,
evaluat - nodul este cunoscut dar fie nu se cunoate nici un succesor al lui, fie se
cunosc numai o parte dintre acetia;
expandat - nodul este cunoscut si, in plus, se cunosc toi succesorii lui
n procesul de cutare se vor folosi doua liste:
LF lista frontier care conine nodurile evaluate;
LT lista teritoriu care conine nodurilor expandate.
Deci LF reprezint frontiera spaiului de cutare parcurs (explicitat) spre
partea necunoscut a acestuia, iar LT partea cunoscut a spaiului de cutare.
Cutarea pe nivel, numit i cutarea n lime, este o strategie care
expandeaz strile urmtoare n ordinea apropierii fa de nodul stare iniial Si.
Aceast strategie trateaz lista frontier LF folosind o strategie de tipul FIFO.
Nodul din frontier care se elimin este primul din list, iar succesorii si sunt
adugai la sfritul listei.
Algoritm: Strategia cutrii pe nivel in spaiul strilor
1. Creeaz listele LF{Si} si LT{ }
2. DAC LF={ }
ATUNCI ntoarce INSUCCES /* nu exist soluie */
3. Elimin primul nod Sc din LF si-l insereaz n LT
4. Expandeaz nodul Sc
4.1 Genereaz toi succesorii direci S j ai nodului Sc
4.2 pentru fiecare succesor Sj (1 j m) al lui Sc executa
4.2.1 Stabilete legtura Sj S
4.2.2 daca Sj este stare final
atunci
i)
Soluia este (Sj,S,...,Si )
ii)
ntoarce SUCCES /* s-a gsit soluie */
4.2.3 Insereaza S j in LF, la sfrit
5. repeta de la 2
sfrit.

7. Clasificarea strategiilor de cutare dup cantitatea de informaie.

Costul computaional.
capacitatea mecanismului de rezolvare de a reveni ntr-o stare
intermediar anterioar;
dup cantitatea de informaie folosit la gsirea soluiei.
n funcie de cel de-al doilea criteriu, strategiile de cutare se
mpart n:
Strategii de cutare neinformate.
Considerarea strilor urmtoare de inspectat se face dup o
ordine arbitrar, anterior stabilit. Strategiile de cutare
neinformat inspecteaz sistematic toate strile spaiului de
cutare pn n momentul gsirii strii finale. Cele mai
importante strategii de acest fel sunt cutarea pe nivel sau
cutarea n lime si cutarea in adncime.
Strategii de cutare informate.
Considerarea strilor urmtoare de inspectat se face dup
criteria euristice. Strategia folosete o funcie de evaluare a
situaiei globale sau locale care indic starea urmtoare cea
mai promitoare din punct de vedere al avansului spre soluie.
Costul computaional total al unui program de rezolvare a
problemelor de IA depinde de locul unde se situeaz strategia
de control n spectrul neinformat/informat i are dou
componente:
costul aplicrii operatorilor, sau costul parcurgerii spaiului
de cutare ntre starea iniial si starea final;
costul controlului, sau costul evalurii si seleciei celei mai
promitoare stri urmtoare.

9. Cutri neinformate n spaiul strilor: caracterizare i algoritmul

cutrii n adncime.
Algoritmul cutrii n adncime
Cutarea n adncime este strategia cea mai frecvent
utilizat n aplicaiile practice. Ea expandeaz strile cel mai
recent generate, adic nodurile din lista LF cu adncimea cea
mai mare. Prin urmare, aceast strategie parcurge o cale de la
starea iniial pn la o stare ce poate fi starea final sau care
nu mai are nici un succesor. n acest ultim caz se aplic
mecanismul backtracking revenindu-se pe nivelurile anterioare
i se ncearc explorarea altor ci posibile. n cadrul acestei
strategii lista frontier LF este tratat ca o stiv folosind o
tehnic de tipul LIFO (Last In First Out).
Strategia cutrii n adncime nu garanteaz obinerea
unei soluii a problemei, chiar n cazul n care aceasta exist.
Algoritm: Strategia cutrii in adncime n spaiul
strilor
1. Creeaz listele LF {Si} si LT { }
2. DAC LF={ }
ATUNCI ntoarce INSUCCES /* nu exist soluie sau
soluia nu poate fi gsit pn la nivelul AdMax */
3. Elimin primul nod Sc din LF si-l insereaz n LT
3'. DAC Ad(Sc ) = AdMax
ATUNCI repet de la 2
4. Expandeaz nodul Sc
4.1 Genereaz toi succesorii direci S j ai nodului Sc
4.2 Pentru fiecare succesor S j (1 j m) al lui Sc execut
4.2.1 Stabilete legtura S j Sc
4.2.2 DAC S j este stare final
ATUNCI
i)
Soluia este (S j , Sc ,..., Si )
ii)
ntoarce SUCCES /* s-a gsit soluie */
4.2.3 Insereaz S j n LF, la nceput
5. repet de la 2 sfrit.

13. Structura general a unei proceduri de calcul evolutiv.

Tehnicile de calcul evolutiv TCE , numite i inteligen
computaional IC sau calcul uor - CU , sunt metode
stocastice de cutare multi-dimensional care simuleaz
evoluia biologic. n conformitate cu legile evoluiei naturale,
ele modeleaz adaptarea unei populaii de indivizi, fiecare
individ n parte reprezentnd o soluie posibil a problemei de
rezolvat, n sensul creterii performanelor n raport cu funcia
obiectiv.
Interesul pentru aceste tehnici a crescut foarte repede,
deoarece ele ofer un mecanism foarte robust de cutare a
soluiei optime. Cele mai cunoscute tehnici de calcul evolutiv
sunt:
algoritmii genetici AG;
strategiile evolutive SE;
programarea evolutiv PE;
programarea genetic PG;
sistemele de clasificare SE.
P1. Iniializeaz t = 0 ;
P2 Genereaz populaia iniial P(t) P(0)
P3 Evaluaeaz P(t) ;
P4 Repet atta timp ct (not COND_OPRIRE)
Stabilete t t +1;
Selecia : selecteaz populaia intermediar P1(t) din
populaia anterioar P(t 1) Recombinarea: aplic
procesul de recombinarea asupra lui P1(t) i rezult o nou
populaie intermediar P2 (t) ;
Mutaia: aplic procesul de mutaie asupra lui P2 (t) i
rezult noua populaie P(t) ;
Evaluare: evalueaz P(t) ;
Sfrit ciclu iterativ.

15. Algoritme genetice: operatorul de selecie.

Algoritmii genetici (AG) sunt procedee de cutare i
optimizare bazate pe mecanismele geneticii i seleciei
naturale. Ei combin supravieuirea artificial a celui mai bun
individ cu operatorii genetici care sunt abstractizri ale celor din
natur, n scopul formrii unui mecanism robust, aplicabil unei
largi game de probleme.
Selecia este cel mai important operator al algoritmilor
genetici i are rol hotrtor n dirijarea procesului de cutare din
spatial soluiilor. Scopul operatorului de selecie este de a
asigura mai multe anse de reproducere celor mai performani
indivizi din cadrul unei populaii date. Prin urmare, pentru a
implementa acest operator este necesar definirea unei msuri
a performanei indivizilor, adic definirea unei funcii de
evaluarea a performanei sau adecvrii fiecrui individ, numit
n continuare funcie de performan. Dac, pentru o problem
i
o
codificare
date,

este
mulimea
tuturor
indivizilor/cromozomilor posibili, atunci funcia de performan
este o funcie f : R care satisface cerinele:
f trebuie s fie pozitiv, adic f (X) 0 X
f trebuie s reflecte calitatea cromozomilor n sensul
optimizrii funciei obiectiv.
Prin urmare, performana unui individ Xi al populaiei
curente
P(t) = {X1,...Xi ,..., Xn}este:
Pi = f (Xi )
Deoarece prin selecie se urmrete maximizarea
performanei indivizilor, cutarea se concentreaz n regiunile
spaiului soluiilor ce corespund adecvrii maxime, realiznduse astfel exploatarea celor mai bune soluii.