Documente Academic
Documente Profesional
Documente Cultură
Dpdv al abordarii:
O reprezentare simplificata a unui sistem inteligent are patru functii esentiale: perception; learning;
reasoning; behaviour generation– interactiunea cu mediul prin senzorisi elem de exec (comunicare) -
procesare senzoriala a informatiilor (perceptie) – capacitatea de memorare (invatare) – planificare
(generare de comportamente) – gandire (rationament)
Sistem de conducere inteligent: Un sistem de conducere dezvoltat sau implementat utilizand tehnici
sau metode inteligente, sau care emuleaza functii specifice fiintelor umane sau altor sisteme biologice.
– Inferenta: o forma de rationament; se trece de la un enunt la altul in mod deductiv sau inductiv.
– Deductia: o forma de rationament in care concluzia decurge din premise.
– Inductia: o forma de rationament, de la particular la general, de la fapte la concepte. Inferenta
inductiva sta la baza majoritatii proceselor de invatare.
- O metoda de inferenta - procedura de obtinere a noi elemente din date, informatii sau cunostinte
anterioare. – Rationamentul - lant de judecati, al carui obiectiv este obtinerea de noi adevaruri. o
judecata numita premisa este legata de o alta, concluzia, prin inferenta
– Judecata - forma fundamentala de logica, exprimata prin propozitii care afirma sau neaga ceva si
care are o valoare de adevar (adevarat sau fals)
Curs 3 - Sisteme si complexitate
Sistem – o forma de model utiliz pt a descrie lumea – grup de elem care funct impreuna pt a crea
sistemul ca intreg – aparent: simplu si abstract – insa: versatil + format din elemente interconectate
Complexitate – intuitiv: o calitate a unui sistem; numar de elemente din sistem; gradul de
conectivitate al elementelor din sistem -proprietatile elementelor vs. relatiile dintre ele; adaptabilitate;
grad de diversitate
Liniaritate si determinism – cauza → efect = relatie liniara (usor de modelat, inteles, controlat)
Sistem complex = sisteme alc din elem heterogene interconect care indep, in ans, o funct sau form o
struct Ex: Internet
Complexitate: – concept care descr un ansamblu de multe elemente ce interact in mod divers Ex:
Google concept network
Systems thinking
→ Systems theory! Aplicab ridicata in multe domenii - Sisteme inchise vs. Sisteme deschise
(permit schimbul de energie); Intrari si iesiri; Incapsulare: sisteme de sisteme • Systems engineering
Model:
elemente + relatii
functionare i/o: intrari → procesare → iesiri
abordare black-box (sist = Ʃ elem acre sunt sist Ʃ elem etc)
eficienta: echilibru intre entropie si energie (ca iesiri)
frontiera sistemului: interfata dintre sistem si mediu
control: parti din sistem sunt controlabile
incapsulare si scalare (element = black-box = subsistem, stratif subsist pe baza complex lor, un
sist de sist e un sist) ex: Google maps
Curs 4 - AI - Arhitecturi de agenti
Agenti si sisteme multi-agentDef existente fac referire la propr pe care treb sa le aibă o entitate
pentru a fi consid agent[Wooldridge & Jennings]: sistem informatic situat într-un mediu, capabil să
realizeze acțiuni autonome în acel mediu cu scopul de a-și îndeplini obiectivele.
Agenții autonomi = sist computaționale care există într-un mediu dinamic și complex, percep și
acționează autonom în acest mediu în scopul de a-și îndeplini obiectivele pentru care au fost proiectați.
Arhitecturi
• Ag reactivi - răsp la schimb de mediu pe baza unui comport de tip stimul-răspuns, deloc
inteligenți
• Ag cognitivi - oarecum inteligenți; au o reprez simbolică a lumii și a cunoșt și obiective
explicite; sunt capabili să își planif comport, să își amint acțiunile realizate în trecut, să com
folosind un sist de com
• Ag intenționali sau BDI (BDI- belief, desire, intention) - inteligent, aplică modelul
inteligenței și perspect umane asupra lumii folosind concepte mentale, cunoștințe, credințe,
intenții, dorințe, alegeri
• Ag raționali - sunt capabili să acționeze într-o maniera care le permite să își atingă scopul cu
cel mai mare succes
• Ag adaptivi - se adapt la orice schimb care apare în mediu; f intel , capabil să își modif
obiectiv și cunoșt în fct de schimb apărute)
• Ag comunicativi - sunt capabili să comunice info cu tot ceea ce îi înconjoară
Multi-Agent Systems: MAS - mulţi agenţi, de dif tipuri, care conlucr pt a rez anumite cerinţe
sau pt a asig anumite perform; Cooperarea reprez capacitatea unui agent de a lucra în echipă cu altii
pentru a atinge un scop comun (poate duce la obținerea unui rezultat mai bun); Coordonarea este
capacit ag de a gestiona interdep între activ pe care le realiz; Negocierea este abilit ag de a ajunge la o
înțelegere cu privire la prob de interes comun.
Arhitecturi deliberative - reprezsimbolica unui sist fizic const un set de entități fizic realiz care se pot
combina pentru form struct, și care sunt capabile de rularea proc ce operează cu acele simboluri
potrivit instrucț; un ag deliberativ este un sist care are un model intern simbolic explicit al lumii și în
care deciziile sunt luate prin raționament logic bazat pe manipularea simbolică și potrivirea tiparelor.
– folos în sit în care penalit pentru realiz acț în mod incor este f ridicată, de ex în medii primejd
– permite transp într-un limbaj de prog a unei proced gen pt căutarea unei sol pt o clasă gen de
prob, soluție care poate fi optimă pentru sit în care se află
Limitari:
– lumea = model dinam => o actualiz a modelului lumii const și posibil în ac timp cu planif
– limb de reprez = suf de expr aî să fie folos în or dom dar limitpt a fi ușor de folos computațion
– costuri mari de calcul (uneori o reacție suboptimală, mai puțin costisitoare poate fi eficientă)
Arhitectura BDI= arhit bazpe rationarea practică (rationarea directă orientată către acțiuni);
Rationarea teoretică este direcționată direct către credințe (credința: viziunea ag despre mediu;
Dorința: efectul credinței - poate fi nerealizabilă și inconsistentă; obiectivul: un subset al dorințelor,
realistice și consistente; intențiile: un subset al obiectivelor – când un agdecide să il realizeze; planul:
o secvență de acțiuni necesare pentru a realiza intențiile, pe baza obiectivelor ag)
– intuitive, ușor de def din pdvformal, folos logica de convertit într-un limbaj de prog
– dif mare pt balansarea activit mentale (intențiilor necesit raționare - costisitoare dar necesară)
– rata de schimbare a mediului care duce la reluarea procesului de raționare
– cost computațional ridicat
Caracteristici ale agenților reactivi: simplitatea, proc de interacț simplu, interacț dinamice
au ca rezultat modele complexe de comport, comport glob al sist care nu este specificat, posibilit
descomp unui ag în module autonome (fiecare modul gestionează 1 sarcină), comunicația între module
minimală, de nivel jos, nu există un model global al lumii, nu există un ag de planificare sau control,
senzorii oferă date simple, nu există o gestionare simbolică, complexă a datelor
– simplitatea agenților
– flexibilitate, adaptabilitate (ideal în medii dinamice și nepredictibile)
– monitoriz computațională (evit planif complexe și a proced de rațion, actualiz cont a
modelului)
– robustețe împotriva eșecului (nu există o componentă centrală)
– ag nu au un model al lumii =>ei treb să aibă suf info valabile din mediul local
– deciz sunt luate pe baza datelor loc => nu se pot lua în consid datele nelocale (vedere de scurtă
dur)
– nu are capacitate de planificare pe termen lung
– aplicabilitate limitată (roboți de bază, jocuri, simulări)
– dificultate ridicată la învățare
Arhit de subsum (subsumption) arhit ierarh de comp orient pe realiz de sarcini, comp simple,
reguli S (starea med) → A (acț pe care ag este cap să o realiz), fiec comp concurcu restpt control ag
Ag hibrid: – două subsist: deliberativ (conț o reprez simb a lumii, care dezvoltă planuri și ia
decizii în modul prop de IA simbolică) + reactiv (capsă reacț rapid la even cu o complexde raț scăz)
Reguli – creeaza modelele interne ale agentilor; prin ele se iau decizii, tranzitia de la intrari si stari la
actiuni si comportamente. Baze de reguli: structuri incapsulate de tip if-then-else, Sist de decizie
multi-criteriale – Motoare de inferenta – Machine learning – Calcul evolutionist
Actiuni si comportamente: determinate de alti agenti, mediu, starile interne, reguli –> Agentii
efectueaza actiuni (uneori) ->Actiunile afecteaza: alti agenti/starea proprie/regulile proprii/mediul.
Comportament: totalitatea actiunilor observabile. Mediu: Universul in care traieste entitatea agent.
Pune la dispozitie info, are structura, tot ce nu e agent, dar e relevant, poate afecta agentii si vice-
versa. Timp: Discret, Ticks: esantionul uzual de timp in ABM. Intre doua tick-uri: executie paralela a
agentilor, simularea lumii reale
ABM: ag ca entitati decizionale autonome, mediu interactiv, interdependente ag-ag si ag-mediu, reguli
ce guverneaza secventierea actiunilor si fluxurile de informatii. ABM pentru sisteme complexe:
Ireductibilitate analitica, Traiectorii interdependente, Ierarhii incapsulate si interconectare verticala,
Emergenta. Starile de echilibru in ABM sunt rezultatul actiunilor comportamentelor locale ale
entitatilor participante. Un ABM “evolueaza”.
Conceptul generativ: abordare bottom-up, varianta holistica, set de reguli minimale ce genereaza
comportamente si lumi complexe, descrie fenomene utilizand retele interconectate de entitati (relativ)
simple ce sunt guvernate de seturi de reguli (de obicei) determinstice si finite, interactiunile dintre
entitati genereaza comportamente complexe
modele de tip “what if”, care predicteaza: o populatie de agenti bine definiti,
(quasi-)complet cunoscuti si intelesi, se genereaza o serie de conditii (initiale, de mediu, de
interactiune etc.), se observa care sunt comportamentele de care sunt capabili agentii in conditiile date
Caracteristici:
Incapsulare verticala – organizare ierarhica a sistemelor complexe, limitari ale interactiunilor intre
nivele produse de limitarea comportamentelor pe un nivel de catre cele superioare –> nivelele
superioare le constrang pe cele inferioare, cauzalitate descendenta. Elementele de nivel jos pot
produce toate comportamentele posibile ale sistemului ( nivele de abstractizare)
Adaptivitate =proces dinamic, se intampla in timp. La nivel de sistem: invatarea din mediu (mediul =
contextul care determina adaptarea, scari de timp diferite fata de cel al agentilor) Ex. Adaptarea culorii
la specii in functie de mediu. Evolutia = tip de adaptare
Intersistemic:
traiectoria unui sistem modifica starile altor sisteme, chiar si cand acestea din urma prezinta
comportamente ciclice (ex. traiectoriile fizice ale pamantului si a lunii),
in sisteme sociale: alinierea la perspective de grup care fac devierea de la starea curenta greu
de realizat (ex. tendintele sociale cunoscute drept “mainstream” si gandirea de grup),
in sisteme socio-tehnice: infrastructurile existente (ex. dependenta de combustibili fosili),
temporala: dependenta starilor curente si viitoare de starile trecute ale agentilor → memoria
(cand agentii au memorie: – starile trecute ale agentului influenteaza deciziile lui curente:
invatare)
temporala: starile trecute ale agentilor afecteaza proprietatile emergente ale sistemului multi-
agent ca intreg (cand agentii nu au memorie: sistemul are memorie prin emergenta, memoria
sistemului intreg se obtine din structura acestuia prin starile combinate ale agentilor si
interactiuni - ex. Modelul ecosistemului prada-pradator)
Spatiul starilor in ABM: contine toate starile posibile ale sistemului, dependenta puternica de starile
initiale, reprezentare multidimensionala: fiecare stare ca un punct in spatiul generat, evolutia acestor
puncte creeaza traiectorii care faciliteaza analiza comportamentelor inregistrate in sistem
Robustete si rezilienta
Haos – comportament complex intr-un sistem neliniar determinist dinamic, ce prezinta doua
proprietati: sensibilitate mare la conditiile initiale, structuri caracteristice. Comportament
determinist: exista si cauze, si efecte –> cunoscand complet conditiile, s-ar putea prezice evolutia
sistemului (in realitate, nu).
Terminologie:
retelelor,retea = graf)
Topologii elementare
Retele complexe
Distributie exponentiala inversa (de tip power law) intre noduri si gradul lor
Diametru mic si o medie mica a drumurilor: teoria lumii mici (small world)
Coeficient mare de conectivitate: tranzitivitate
Small World – S. Milgram 1967 “The small-world problem” - experimentul social cu scrisorile -un
numar mic de pasi = o “lume” mai mica. Model de distributie a informatiei; la baza diversilor
algoritmi pentru diseminarea de informatie intr-o retea (de ex. rumor/gossiping algorithms). Concept
util pentru modelarea dinamicilor din interiorul retelei
Clustering – daca un nod este conectat cu doua alte noduri, care este probabilitatea ca cele doua
noduri sa fie la randul lor conectate? Se formeaza tringhiuri (clustere elementare). Gradul de
conectivitate al retelei. Arata formarea comunitatilor ?
Rezilienta in retele – Retelele prezinta rezilienta la eliminarea de noduri. Concept util in: reducerea
dimensionala a retelelor, analiza robustetii, tolerantei la defecte. Eliminarea unui nod poate duce la
cresterea drumului dintre noduri, eventual la pierderea unor conexiuni (pierdere de informatie etc.).
Curs 8 - IA - Viata Artificiala
Masina Turing(Alonzo Church + Alan Turing): “orice procedură algoritmică poate fi executată de
către o maşină Turing” – i.e. o maşină poate să memoreze şi să recreeze sistemele neliniare întâlnite în
natură = inceputurile modelarii & simularii
John von Neumann + Stanislaw Ulam – “un calculator se poate utiliza la completarea proceselor
experimentale”
Automate Celulare = un algoritm numeric definit pe o retea ce contine un numar finit de celule ce
pot avea un numar finit de stari, determinate in functie de o lege locala aleasa si de starea celulelor
din vecinatate, o retea regulata de automate finite simple identice
Automatele celulare sunt sist cu structura spatiala discreta (celule), si evolutie discreta (automat)
Caracteristici :
Vecinatatea unei celule: multimea celulelor (de obicei apropiate fizic de aceasta) a caror stare
influenteaza direct tranzitia acesteia.
Fct de tranzitie a automatului se numeste lege de tranzitie si fct de tranzitie comuna tuturor celulelor
se numeste legea automatului celular. Haos: schimbari mici in conditiile initiale produc diferente
mari la rezultate. Trasaturi de nivel superior: emergenta, atractori, comportamente complexe.
• Orice celulă vie cu mai puţin de doi vecini vii moare, cauză a subpopulării
• Orice celulă vie cu doi sau trei vecini vii supravieţuieşte până la următoarea generaţie
• Orice celulă vie cu exact trei vecini vii moare, datorită suprapopulării
• Orice celulă moartă cu exact trei vecini vii devine o celulă vie, ca urmare a
reproducerii
Curs 9 - IA – Evolutie
– Are rol de optimizare numai la nivel local, nu si global • Supravietuieste elementul cel mai
potrivit la conditiile de mediu curente
Co-evolutia – Interactiuni dintre doua sau mai multe sisteme interdependente care influenteaza
reciproc dezvoltarea acestora
– Scari de timp
– Proprietati emergente
Reprezentarea co-evolutiei – Supravietuiesc (i.e. trec sau transmit informatie “genetica” in si catre
urmatoarea generatie) sistemele care demonstreaza un grad ridicat de adaptabilitate si de potrivire
la mediu
– Fitness: grad de adaptabilitate si potrivire al unui individ (sistem, subsistem, element, agent etc.) la
mediu – Reprezentare: spatii de fitness cuplat
• Nu se pot reprezenta/analiza toate starile posibile ale sistemului determinate de fiecare decizie ce
ar putea fi luata vreodata in acest sistem.
– Utilizeaza o populatie de agenti de rezolvare a problemei, care este supusa unui proces de evolutie
caracterizat prin selectie, mutatie si incrucisare.
Algoritmi evolutionisti
• masoara gradul de adecvare (fitness) a fiecarui individ la mediul din care face parte
• un individ este cu atat mai adecvat cu cat se apropie de comportamentul dorit (ex de solutia unei
probleme date)
– probleme de predictie
– probleme de planificare a activitatilor
– programare automata
– prelucrarea imaginilor
Programare genetica – obiectiv: gasirea unui program care sa rezolve o problema prin cautarea in
spatiul tuturor programelor posibile
– furnizeaza o metoda unificata de gasire a unui program pentru rezolvarea unei probleme
– un program poate fi: o formula, un plan, o procedura de calcul, o strategie de conducere, un model,
o functie de transfer, o expresie matematica
– intrari: valori senzoriale (variabile de stare, semnale de intrare, argumente de functii sau chiar
semnale ce trebuie procesate)
– iesiri: variabile dependente (o comanda, o decizie sau actiune, o traiectorie sau valoarea returnata
de o functie)
• functia fitness
• parametri de executie
• criteriu de oprire
pasi executionali • Pas 0: generarea unei populatii initiale cu compozitie aleatoare– rularea iterativa
a subpasilor urmatori pana la satisfacerea criteriului de terminare
• Pas 1: crearea unei noi populatii de programe prin aplicarea pe baza fitness-ului a doua operatii
primare: – copierea in noua populatie a programelor existente
– crearea de noi programe prin recombinarea genetica a unor parti alese aleator din doua programe
existente
• Pas 2: executarea fiecarui program din populatie si alocarea unei valori de fitness in
functie de cat de bine rezolva problema
Problema de optimizare – decizia – o hotarare luata in urma examinarii unei probleme – este ea
optima?
Un algoritm de optimizare reprezinta o metoda numerica sau un algoritm pentru gasirea unei valori
x astfel incat pentru o functie data f – valoarea f(x) este cat de mica (sau mare) posibil, in prezenta
unor constrageri asupra lui x. (Obs. x poate fi scalar sau vector, cu valori continue sau discrete)
• inteligente: cand problemele nu pot fi descrise prin modele complet formale, sau se cunosc
doar raspunsuri pentru cazuri particulare ale problemei
– calculul evolutionist • rezolvarea problemelor bazate pe cautarea solutiei intr-un spatiu mare de
solutii potentiale
– calculul lingvistic • pentru probleme (sau obiecte de interes) ce nu poate fi descrise decat cu
anumite grade de incertitudine
Calcul evolutionist
– Principiu fundamental: dezvoltarea de sisteme de calcul inteligent pornind de la implementarea
unor reguli simple din a caror interactiune va deriva comportamentul complex dorit
– Utilizeaza o populatie de agenti de rezolvare a problemei, care este supusa unui proces de evolutie
caracterizat prin selectie, mutatie si incrucisare.
Mecanism – Dată fiind o populaţie formată din indivizi (cromozomi) care constituie posibile soluţii ale
problemei, aceştia sunt puşi în competiţie pentru supravieţuire. După evaluarea fiecărui individ, celor
puternici li se dă o şansă mai mare de a participa la procesul de reproducere decât cei mai putin
puternici, care pot chiar să nu contribuie deloc (selecţie a celor mai buni părinţi şi de eliminare a
celor slabi). Mecanismele prin care iau naştere copii se numesc recombinare (crossover) şi mutaţie.
La pasul următor, aceşti copii rivalizează între ei şi posibil şi cu părinţii lor.
Procedura:Start
Stop
– gasirea individului care satisface criteriul minim – pe parcursul ultimelor iteratii succesive nu s-au
inregistrat progrese semnicative in ceea ce priveste fitness-ul celui mai bun individ – verificare
manuala a calitatii populatiei
Operatori – Selectia (survival of the fittest) • Scopul selectiei este de a asigura mai multe sanse de
reproducere celor mai performanti indivizi dintr-o populatie data.
Selectia – Operator ce decide care dintre indivizii unei populaţii vor putea participa la formarea
populaţiei următoare.
– Se urmăreşte maximizarea performanţei indivizilor.
– Cei mai "capabili" indivizi vor selectati pentru a trece in generatia urmatoare.
Tipuri de selectie dupa fitness: – selectia stabilizatoare, numita si normalizatoare - are ca scop
eliminarea indivizilor cu valori extreme ale fitness-ului;
Tipuri de selectie dupa toleranta: – cu “toleranta zero” • numai indivizilor identici cu cel mai bun din
generatia curenta li se permite sa supravietuiasca
Selectia proportionala (roata de ruleta) – indivizii sunt alesi pentru reproducere proportional cu
fitness-ul acestora. Cromozomii cu un fitness foarte bun vor avea sanse mai mari de a-si propaga
caracteristicile in viitoarele populatii
Selectia Boltzman- metoda folosita pentru minimizarea sau maximizarea unei functii. Simuleaza
procesul de racire lenta a unui metal topit pentru a atinge minimul intr-o problema de minimizat
Selectia turneu – una dintre cele mai populare si mai eficiente scheme de selectie
– alegerea aleatoare a k indivizi, care vor concura intr-un “turneu”. Cea mai buna solutie actuala va
castiga toate intrecerile. Cel mai slab individ va pierde in fata tuturor celorlalti indivizi
Incrucisare (recombinare) – Operator aplicat asupra indivizilor din populatia intermediara (numita
multime de încrucişare) • sunt aleşi aleator doi indivizi din populaţia intermediară si anumite porţiuni
din cei doi indivizi sunt interschimbate
Parinte1 110 - 01101 – Parinte2 011 - 10011 – Copil1 110 - 10011 – Copil2 011 - 01101
Incrucisarea uniforma – Bitii sunt interschimbati aleator intre cei doi parinti, corespunzator unei
probabilitati uniforme. Pentru implementare se poate construi o masca, cu semnificatia, de exemplu,
a bitilor 1 de interschimbare, de exemplu:
Incrucisarea aritmetica – intre bitii celor doi parinti se efectueaza o operatie aritmetica (sau logica)
Incrucisarea cut and splice (taie si lipeste) – se alege cate un punct aleator de taiere, diferit pentru
fiecare parinte – descendentii primesc subcromozomul stang si drept de la parinti diferiti.
Parinte 1 110011010 - 110 – Parinte 2 0111 - 0011000 – Copil 1 110011010 - 0011000 – Copil
2 0111 – 110
Mutatia – Introduce în populaţie indivizi care nu ar fi putut fi obtinuţi prin alte mecanisme
– Într-un cromozom pot exista mai multe poziţii care suferă o mutaţie
- Mod de operare simplu: alterarea uneia sau mai multor gene dintr-un cromozom –
Fiecare pozitie (gena) poate suferi o mutatie devenind 0 din 1, sau invers
Incertitudini
Informaţii vagi
Date neclare şi imprecise
Prezente in viaţa de zi cu zi
Dificil de modelat prin tehnici convenţionale
Aplicaţii:
O mulţime fuzzy exprimă gradul în care un element aparţine unei anumite colecţii de obiecte
Definitie. Fie X o colecţie de obiecte x. O mulţime fuzzy A peste mulţimea X se defineşte printr-un set
de perechi ordonate de forma:
Crisp vs fuzzy
Incluziunea fuzzy μA (x) ≤ μB (x), ∀x∈X
adica: A ⊆ B⇔μA (x) ≤ μB (x)
In logica fuzzy, o propoziţie poate fi ori adevarată, ori falsă, ori poate avea o valoare intermediară, ca
de exemplu “poate adevarată”. Valorile de adevăr ale unei propoziţii in logica fuzzy pot fi exprimate
cu ajutorul unui tabel de adevăr.
Raţionamentul fuzzy este o procedură de inferenţă care furnizează concluzii pe baza unui set de
reguli fuzzy "dacă - atunci" ("if - then") şi a unui set de fapte cunoscute
"daca x este A si y este B atunci z este C" => Relatia fuzzy R: μR(x,y) =min{μA (x), μB (y)} sau
μR(x,y) = μA (x) μB (y) (SI/AND)
Rezultatul combina 2 multimi fuzzy printr-un operatie de tip produs cartezian: R: X x Y → [0, 1] unde
X si Y= universurile de discurs ale variabilelor lingvistice x si y
Premise: Intr-o regula fuzzy, premisele sunt propoz fuzzy cuprinse intre "daca" si "atunci". Acestea sn
si antecedente. Utilizare in inferenta (reasoning) prin combinare (utilizand relatii fuzzy intre acestea).
Concluzii: Intr-o regula fuzzy, concluziile sunt propozitiile fuzzy care urmeaza dupa "atunci". Acestea
se mai numesc si consecinte. Utilizare in inferenta (reasoning) prin agregarea regulilor.
Baze de reguli: Regulile fuzzy sunt incluse in tabele (baze de reguli) care descriu funct sistemului.
• Compozitia fuzzy: T = R ◦ S
R: X x Y → [0,1] S: Y x Z → [0,1]
T: X x Z → [0,1] μT (x,z) =max y∈Y {min{μR(x,y), μS
(y,z)}}
Fuzzificarea reprezinta operatia de transf a var numerice (ferme, crisp) in var lingvistice (vagi, fuzzy).
centroid
bisector
largest of maximum (LOM)
mean of maximum (MOM)
smallest of maximum (SOM)
compozitia regulilor se obtine cu ajutorul unei functii, in loc de defuzzificare => nu contin
defuzificator. Structura premiselor este aceeasi ca in Mamdani.
O regula fuzzy Takagi-Sugeno are forma: "daca x este A si y este B atunci z =f(x,y)"
In acest caz nu este necesara definirea de termeni lingvistici pentru iesirea sistemului, iar functia f()
este, de cele mai multe ori, o functie neliniara. In cazul special al sistemelor liniare, functia f() este o
combinatie liniara a intrarilor sistemului fuzzy.
Curs 12 - IA – Retele Neurale
Bazate pe invatare
O retea nerurala artificiala este un ansamblu de elemente (neuroni) relativ simple interconectate
McCullouch-Pitts – Intrarile binare (0, 1) Ii sunt ponderate de Wji (puterea legaturii sinaptice) si apoi
insumate pentru a genera nivelul de activare Aj (se mai noteaza netj ) Nivelul Aj este transformat cu
ajutorul functiei de activare pentru a genera iesirea neuronului Yj
– Wji 0 pentru sinapse inhibitoare – Intrarile Ii pot proveni de la semnale externe sau pot fi iesirile
altor neuroni – θ se numeste prag de activare
Prin invatare se realizeaza organizarea neuronilor • Invatare (instruire; training): procesul adaptării
ponderilor, printr-o stimulare din partea unui expert sau a mediului, sau nesupervizat, prin analiza
statistică a vectorilor de intrare (pe parcusul a n epoci)
– Nesupervizata
– De obicei se aleg cele doua seturi in proportii relative la numarul total de seturi de date (de ex.
70% pentru antrenare, 30% pentru validare). O retea care raspunde corect la validare nu este o retea
care a fost supra-antrenata (fenomen ce se produce atunci cand reteaua este prea bine antrenata
pentru setul de date de antrenare)
- Utilizari ale retelelor neurale – Identificare de modele ale unor procese neliniare – Sisteme
clasificator – Controllere si regulatoare pentru roboti – Etc
O retea multi -strat (MLP) – Stratul al doilea: strat ascuns – Primul strat: strat de intrare – Al threilea
strat: de iesire