1 / 42

Univerzitet u Novom Sadu Fakultet Tehničkih Nauka Saobraćajni odsek

Univerzitet u Novom Sadu Fakultet Tehničkih Nauka Saobraćajni odsek. Znanje, učenje, teorija informacija i primena genetskog algoritma Profesor: Student: Prof. dr Milorad K. Banjanin Jerković Milana 3441.

traci
Download Presentation

Univerzitet u Novom Sadu Fakultet Tehničkih Nauka Saobraćajni odsek

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Univerzitet u Novom SaduFakultet Tehničkih NaukaSaobraćajni odsek Znanje, učenje, teorija informacija i primena genetskog algoritma Profesor: Student: Prof. dr Milorad K. Banjanin Jerković Milana 3441

  2. Davenport (1997) „informacija kombinovana sa iskustvom, kontekstom, interpretacijom i razmišljanjem”, i “oblik informacije visoke vrednosti” „ obrađena informacija” ZNANJE JE... Myers (1996) „znanje iskustvo ili informacija koje se može saopštiti ili podeliti”. „ akciona informacija” Verna Allee (1997) Tiwana (1999)

  3. Pojmovni niz PODATAK – INFORMACIJA - ZNANJE -PRIMENJENO ZNANJE - INTELIGENCIJA - MUDROST – KAPACITET ZA DELJENJE ZNANJA U ZAJEDNICAMA ZNANJA omogućavaobjašnjavanje prirode znanja, naročito sa aspekta procesa upravljanjem znanjem. Da bi razumeli ovaj pojmovni niz neophodno je uspostaviti vezu između činjenica sa jedne strane i pojedinih aspekata ovog niza sa druge strane. ČINJENICE ( Ričard Džordž 1999, činjenica je „iskaz o svetu kakav on jeste”) Činjenice pripadaju svima koji ih koriste, ne mogu se lično posedovati. Onog trenutka kada je neko poseduje činjenica postaje podatak. Podatak je kodirana činjenica, tako da se podaci koji predstavljaju činjenice mogu pojedinačno posedovati.

  4. REALNE(fizičko rastojanje između dva grada utvrđeno merenjem) TEHNIČKE(činjenice o brojevima i matematičkim operacijama) ČINJENICE Izvorna saznanja iz procesa posmatranja, empiriskog doživljavanja i istraživanja i teoriskog osmišljavanja određenih fenomena ili pojava koje su naučno interesantne. P-činjenice Naučne činjenice koje mogu biti individualne ili pojedinačne. Oblikuju se rečenicama naučnog jezika. T-činjenice Naučne činjenice oblikovane rečenicama naučnog jezika teorijskih konstrukata. E-činjenice Naučne činjenice oblikovane pomoću rečenica naučnog jezika empirijskih konstrukata

  5. PODACI U trenutku kada su činjenice registrovane ili zabeležene određenim jezičkim simbolima počinju da egzistiraju podaci. Podaci su kodovane činjenice. Podaci mogu biti: • trajni ili perzistentni(ako podaci registruju neke prošle događaje, koji imaju istorijski značaj) • privremeni (kada se njihove registrovane vrednosti pojavljuju trenutno ili su promenljive u realnosti). Za podatke nema značaja ko ih je zabeležio. Ukoliko su podaci uneseni u kompjuter, pripadaju onome ko je vlasnik kompjutera, jer je on vlasnik i svega onog što je u kompjuteru. Podaci ne mogu postojati kao predmet, pa se tako ne mogu ni posedovati, osim ako postoje kao trake, flopi diskovi, CD, DVD i slično. Podatak je atributivni iskaz nekog entiteta. ‘ 'Entitet je svaka realna činjenica ili pojava u fokusu posmatranja koju registrujeo našim čulima, emocijama ili konstruišemo u procesu razmišljanja''. Resursi podataka informacionih sistema su obično organizovani u : • baze podataka (sadrže obrađene i organizovane podatke) • baze znanja (sadrže znanje u raznim oblicima, npr. činjenice, pravila itd, a koriste ih sistemi za menađžment znanja i ekspertni sistemi.)

  6. brojevi i alfabetski znaci Tekstualni podaci Tradicionalni alfanumerički PODACI Rečenice i paragrafi Ljudski glas i ostali zvukovi Slikovni Zvučni Grafički oblici i slike

  7. INFORMACIJE Razlika između podataka i informacija je sledeća. Podaci su sirove činjenice ili indikatori posmatranja, najčešće o fizičkim fenomenima ili poslovnim transakcijama. Tačnije, podaci su objektivne mere atributa, dok se informacija posmatra u kontekstu protoka i obrade informacija. Informacija je bilo koji proizvod informacionog sistema i input osobe u komunikacionom sistemu. Obezbediti informaciju je cilj najvećeg broja istraživanja. Sakupljeni podaci se moraju transformisati u informacije koje će odgovarati na pitanja istraživača. Njihova konverzacija je zapravo editovanje i kodiranje podataka. Sami podaci se opisuju kao niz autputa iz svake operacije, koji nemaju vrednosno značenje (imaju samo atributivno značenje). • Informacije su podaci uređeni u modele koji imaju značenje. • Informacija je podatak kome je pridruženo ili dato vrednosno značenje. • Informacija je interpetacija podataka i uključuje podatak i vrednosno značenje koje dobija njegovom obradom. • Informacija je percipirani podatak i predstavlja inkrement znanja

  8. Dimenzija kvaliteta sadržaja ( preciznost, relevantnost, konciznost, obim i performanse) Dimenzija vremenskog kvaliteta (tačnost, dostupnost, frekventnost, aktualnost) Dimenzije atributa informacionog kvaliteta Dimenzija kvaliteta forme ( jasnoća, celovitost, tekstualnost i transmitivnost)

  9. PRIMENJENO ZNANJE Primenjeno znanje je vid integracije elemenata mišljenja i osećanja koje su prepoznati u datom značenju. Podrazumeva individualno kombinovanje ideja, intuicije, iskustva veština, procena, kontekst, motivacije i interpretacije. Knjige, tehnologije, prakse, kulturna baština i tradicija su transformisani potencijal resursa znanja dostupan svima. Bitan resurs kojim treba upravljati je organizaciono znanje. Upravljanje znanjem ili menadžment znanja mora se zasnivati na konceptima znanja i akcije, a oni se moraju zasnivati na konceptu agencija.

  10. STVARAJU I PRIKUPLJAJU ZNANJE (unajmljivanjem eksperata u odgovarajućim poljima, obučavanje osoblja, uvođenje novih tehnologija itd.) • Menadžment znanja se temelji na radu agencija koji obavljaju sledeće: SKLADIŠTE I ČUVAJU ZNANJE (''organizaciono učenje'' – očuvanje znanja unutar agencije kada se jednom stekne) PRISTUPAJU I KORISTE ZNANJE Identifikovanje relevantnih delova znanja u suočavanju sa novim situacijama i izazovima i izgradnja takve strukture da se delovi znanja efikasno koristiti kada je potrebno. DISTRIBUIRAJU I ŠIRE ZNANJE Omogućava da delovi agencija budu sposobni da komuniciraju jedni sa drugima.

  11. INTELIGENCIJA • Znanje započinje sa informacionom bazom, ali dodavanjem inteligencije informaciji dolazi do njenog konvertovanja u znanje. Kapacitet osobe da upravlja svojim emocijama i interpersonalnim odnosima. Emocionalna inteligencijaKreativna inteligencijaRazvoj novih, inventivnih koncepata kombinacijom prethodnih ideja. Funkcioniše u uslovima žurbe i haosa. • Inteligencija je više od znanja. Da bi stvorio, odnosno kreirao znanje inteligentnom čoveku, koji je kreator znanja, potrebna je kreativna inteligencija sa tri dimenzije: Kapacitet osobe da upravlja svojim emocijama i interpersonalnim odnosima. • Emocionalna inteligencija Razvoj novih, inventivnih koncepata kombinacijom prethodnih ideja. Funkcioniše u uslovima žurbe i haosa. • Kreativna • inteligencija Rezultanta kognicije, emocija i motivacije koja utiče na efikasnu interpretaciju znanja i brzo učenje • Socijalna inteligencija

  12. MUDROST(Sternberg 1990 ''mudrost je kognitivna ekspertiza u oblastima koje se odnose na značenje i pragmatičnost života'') Mudrost je duboki interni produkt individualne inteligencije koja je u formi integrisanog znanja, vrednosti i iskustva već primenjena na najvišem nivou efekata i sa moralnim kvalitetima u komunikacionom ponašnju. Kombinuje znanja i vrline koja se stiču iskustvom i rezultanta je procesa ličnog učenja na dugotrajnoj osnovi Prepoznaje se u veštinama rešavanja kritičnih životnih situacija MUDROST Sposobnost ljudske inteligencije da se prilagodi na pravu frekvenciju funkcionisanja u datoj situaciji. raste sa starošću

  13. ZNANJE U INTELIGENTNOJ MREŽI( Pollany 1996, ''Mi znamo više nego što možemo reći'') Znanje je individualni resurs koji se ne može osetiti, dodirnuti, čuti, okusiti ili videti. Znanje je jedini resurs koji se ne troši. Individualno znanje je fundamentalni resurs pojedinca čiji potencijal mu omogućava da inteligentno funkcioniše. ZNANJE JE LIČNO ne može se upravljati znanjem koje je u glavama pojedinca. ZNANJE DODAJE VREDNOST organizaciji samo ukoliko zaposleni dele međusobno lekcije. IDIOSINKRAZIJE INDIVIDUALNOG ZNANJA ZNANJE JE KONTEKSTUALNO može da bude opasno i neodgovarajuće ukoliko ne shvatamo razloge, pretpostavke i kontekst na kojima je zasnovano ZNANJE JE PROLAZNO vremenski ograničeno za svoj potencijal primene

  14. Znanje možemo podeliti na: • Činjenično, ako opisuje ono što se eksplicitno zna ili je tako zadano; • Izvedeno, ako određuje uzročno-posledične veze iz kojih se može izvosti novo, činjenično znanje. Znanje može biti: • Statičko – označava najčešće strukturne i semantičke pojmove; zaključivanje prepoznavanjem ili nasleđivanjem. • Dinamično – odgovara odvijanju procesa, aktivnostima i funkcijskim odnosima; zaključivanje postaknuto događajem. EKSPLICITNO ZNANJE Ono koje se može lako napisati i kodifikovati, relativno lako artikulisati i saopštiti. IMPLICITNO ZNANJE ono koje je teško opisati ili izraziti ZNANJE

  15. Teorija učenja zaključivanjem pretpostavlja da je ''učenje ciljno vođeni proces modifikovanja učenikovog znanja korištenjem učenikovog iskustva''. Ovaj proces je predstavljen prostornim prikazom znanja, odnosno traženjem znanja kroz prostor. Traženje primenjuje bilo koji oblik zaključivanja: dedukcija, indukcija ili analogija i odnosi se i na odgovarajuće delove učenikovog prethodno prikupljenog znanja. • Teorija učenja zaključivanjem se zasniva na pretpostavci da je u cilju učenja učenik sposoban da izvodi zaključak i da ima memoriju koja pamti prethodno znanje neophodno za izvođenje novih zaključaka i upisuje ''korisne'' rezultate zaključivanja. • Proces učenja je nemoguće ispuniti bez ove dve navedene komponente, odnosno mogućnosti mišljenja i mogućnosti pamćenja i osvežavanja informacija u memoriji. Ovu rečenicu možemo da predstavimo simboličkom jednačinom: UČENJE = ZAKLJUČIVANJE + PAMĆENJE • Tri osnovne komponente teorije učenja zaključivanjem su ulazna informacija (ulaz), prethodno znanje (PZ) i cilj učenja. • Osnovna ideja teorije učenja zaključivanjem jeste da se proces može označiti pomoću generičkih oblika odlučivanja koji se nazivaju transmutacijama znanja.

  16. Transmutacija znanja uzima ulaz i prethodno znanje kao argumente i stvara novi deo znanja. Može primeniti bilo koju vrstu zaključivanja i predstavlja misleno jednostavne i razumljive jedinice transformacije znanja. Teorija smatra proces učenja traženje znanja kroz prostor koristeći transmutacije znanja kao operatore traženja. Algoritam se može napisati ovako: Zadato: • ULAZNO ZNANJE (UZ), podrazumeva svaku informaciju (činjenice, primere itd.) koju učenik prima iz okoline ili rezultate prethodnih koraka učenja; • CILJ (G), opisuje kriterijume koje treba zadovoljiti izlazno znanje (IZ) kako bi učenje bilo odgovarajuće; • PRETHODNO ZNANJE (PZ) predstavlja dio znanja koje je učenik već posedovao, a koje je primenjivo tokom procesa učenja; • TRANSMUTACIJE (T), su operatori koji vrše promenu znanja u prostoru znanja. Odrediti: • izlazno znanje (IZ) koje zadovoljava cilj (G) primenom transmutacija iz skupa (T) na ulazno znanje (UZ) i prethodno znanje (PZ).

  17. Vrste zaključivanja Osnovno svojstvo svake transmutacije znanja jeste vrsta zaključivanja. Ona obeležava transmutaciju u dimenziji istinito-pogrešno i tako određuje valjanost znanja koje je izvedeno pomoću nje. Svaka vrsta zaključivanja može da proizvede primenjivo znanje koje je potrebno zapamtiti za buduću primenu. Iz tog razloga potpuna teorija učenja mora u sebe uključiti i potpunu teoriju zaključivanja, koja uzima u obzir sve moguće vrste zaključivanja. strogo štiti istinu strogo štiti laž KONKLUZIVNO Konkluzivna dedukcija Konkluzivna indukcija Kontingentna dedukcija Kontingentna indukcija KONTINGENTNO slabo štiti istinu slabo štiti laž DEDUKTIVNO INDUKTIVNO

  18. Transmutacija se posmatra kao transformacija koja uzima kao argumente: • skup iskaza (S), • skup entiteta (E) i • prethodno znanje (PZ), a proizvodi : • novi skup iskaza (S*) i/ili • novi skup entiteta (E*) i/ili • novo prethodno znanje (PZ*). Transmutaciju možemo i simbolički da zapišemo: • T: S, E, PZ →S*, E*, PZ*. • -ulazno znanje posmatraju • kao podatke ili objekte • kojima treba manipulisati, • uključuju brisanje • komponenata znanja u (iz) • posmatrane strukture • znanja, • fizički prenos ili kopiranje • znanja u/iz baza znanja -predstavljaju oblike Zaključivanja, -menjaju informacijski Sadržaj ulaznog znanja, -izvode se na iskazima koji imaju istinit status Proizvode znanje Manipulišu znanjem

  19. Izvor informacija S Rezultat opažanja SLIKA SIMBOLIKA Ω OBJEKAT SEMANTIKA Ω* Posmatrač R α* α a* a Model, aksiomi i jednačine procesa opažanja Na slici je sa R je označen posmatrač koji može biti ljudsko biće ili fizička naprava; S obeležava izvor informacije koje posmatra posmatrač R. • Ako pretpostavimo da je izvor S opisan parom prostora Ω i Ω*, S:= , gde Ω označava prostor simbola tj. sintaksni prostor, dok Ω* označava prostor značenja, tj. semantički prostor. • Prostor Ω sačinjen je od elemenata α, a Ω* se sastoji od elemenata a. Između elemenata prostora Ω i elemenata u prostoru Ω* postoji pridružena veza koju možemo da izrazimo na sledeći način: određeni par nazivamo leksemom, tj. obraćamo mu se kao simbolu i pridruženom značenju. • Sa druge strane element a posmatramo kao objekt u našem stvarnom svetu, a element α kao njegovu sliku. Ovo predstavlja statičnu definiciju.

  20. Uvodeći dinamiku u sistem pomoću definicije procesa opažanja dobijamo sledeće. • Ako posmatrač R posmatra neki objekat ili je objekat nadgledan fizičkom napravom i apsolutno opažanje se opisuje parom . Istovremeno se posmatraju i α i a da bi se dobile njihove tačne vrednosti. • Drugim rečima posmatrač se koristi sa α da bi odredio a i obrnuto, koristi se sa a da odredi α, primenom veznih pojava između α i a. Tome dodajemo pretpostavku da postoji potpuna simetrija između uloga posmatrane dve varijable, tako da se proces može opisati rekurzivnom šemom α→a, a→ α, što znači • simbol se preslikava u značenje, a značenje se preslikava u simbol.

  21. Proces opažanja se zasniva na sledećim aksiomima: • Glavni zadatak posmatrača R je određivanje tačnih vrednosti α i a. Rezultat opažanja može biti veće ili manje približenje tačnosti, pa tako dobijamo dve vrednosti α* i a* posmatranih varijabli, koje su linearna kombinacija α i a: (1) (2) • Proces opažanja se obavlja tako da ne razara informaciju niti stvara novu . • Za poseban slučaj kada je α≡a, tj. kada vezni uticaji deluju između α i α samoga, proces opažanja se redukuje na: α*=G α gde G označava konstantno pojačanje • Pretpostavka da se informacija ili nesigurnost može meriti Shannonovom entropijom

  22. Na osnovu izloženih aksioma možemo da postavimo informacioni model procesa opažanja. • Prvo je neophodno odrediti koeficijente . Na osnovu teorije informacije možemo izraziri entropije svake od posmatranih veličina α i a posebno s H(α) i H(a). • Takođe se može dobiti i zajednička entropije parova : H(α*,a*) = H(α, a) + Ako želimo da aksiom II o očuvanju informacije bude valjan, tada mora da važi da je H(α*, a*)=H(α, a). Posledica toga jeste da drugi član u prethodnom izrazu bude jednak nuli, tako da sledi:Prethodnu jednačinu može da zadovolji više funkcija. Jedan od slučajeva možemo da izaberemo da tražene koeficijente predstavljaju sledeće četiri funkcije: = cosh ω, = sinh ω, = sinh ω, = cosh ω ω R ( R je skup realnih brojeva) je parametar kojim podešavamo svojstva posmatrača.

  23. Uvrštavajući koeficijente u jednačine (1) i (1) dobijamo sledeće izraze: α* = α cosh ω + a sinh ω (2) a* = α sinh ω + a cosh ω (3) Zaključak je sledeći: Ako posmatrač R nadgleda par varijabli koje su iz skupa realnih brojeva, i kao rezultat vidi par , tada postoji ω koje takođe pripada skupu realnih brojeva i zadovoljava jednačine (2) i (3). Posmatranje nesigurnosti • Pretpostavku da je α simbol u fizičkom smislu te reči, a da je a stvarni ili apstraktni objekat koji pripada skupu realnih brojeva i nema numeričko značenje. Ukoliko posmatrač direktno opaža količine neizvesnosti sadržane u α i a, kažemo da je posmatrač direktno osetljiv na veličine entropija H(α) i H(a). Kada primimo reč α i njeno značenje a, očigledno je da se ne mogu brojčano vrednovati. U smislu teorije informacije brojne vrednosti koje su pridružene α i a, a stvarno se mogu vrednovati su entropije H(α) i H(a). • Prijemnik se koristi mogućim značenjem reči da bi otkrio njenu simboliku i obrnuto na osnovu simbolike primljene reči otkriva njenu semantiku. Tako je moguće primeniti postupke opisane u prethodnom poglavlju sa brojnim vrednostima odgovarajućih entropija.

  24. Posmatrane entropije H(α*) i H(a*) možemo smatrati relativnim (α) i (a) i primenom jednačina opažanja dobijamo: • (α) = H(α) cosh ω + H(a) sinh ω • (a) = H(α) sinh ω + H(a) cosh ω • Iz jednačina se vidi da parametar ω zavisi od posmatranog para i od posmatrača R, tako da možemo da ga napišemo i u obliku . Parametr ω ima značenje faktora učenja: ako je negativno znanje je pogrešno, a ako su vrednosti pozitivne znanje je pravilno. Ako parametar imaju vrednost jednake nuli nema prethodnog znanja o izvornim informacijama. • Uzimajući u obzir dva para posmatranja i možemo da napišemo združene relativne entropije koje pišemo ovako:

  25. Pravila sastavljanja parametara opažanja • Ovaj izraz pokazuje da je posmatranje β poslano, a ostvareno α. • Situacija je identična kao kod izračunavanja verovatnoća zavisnih događaja, tako da se možemo poslužiti odgovarajućim rezultatima. • Opažanju β odgovaraju parametri i uz zadato α , koje nazivamo parametre opažanja. • Vrednost ima svojstva kao i uslovna verovatnoća kaja možemo da primenimo na dva slučaja: • zadani su i , a tražimo , • poznate vrednosti su i , a tražimo . Pravila sastavljanja parametara opažanja • Ovaj izraz pokazuje da je posmatranje β poslano, a ostvareno α. • Situacija je identična kao kod izračunavanja verovatnoća zavisnih događaja, tako da se možemo poslužiti odgovarajućim rezultatima. • Opažanju β odgovaraju parametri i uz zadato α , koje nazivamo parametre opažanja. • Vrednost ima svojstva kao i uslovna verovatnoća kaja možemo da primenimo na dva slučaja: • zadani su i , a tražimo , • poznate vrednosti su i , a tražimo .

  26. Uslovna relativna entropija • Uslovna relativna entropija je definisana relacijom: • kada posmatrač razmatra poruku za predani on se otvoreno obraća poruci koja je dobijena na osnovu leksema . Zapravo posmatrač razmatra sintaksno prostor H(b/ αa). • Relativna entropija uz određene uslove može može biti i veća i manja od uslovne entropije: >i< Relativni uzajamni sadržaj informacije • Relativni uzajamni sadržaj informacije zavisi od vrste posmatranog procesa posmatranja tako da postoji nekoliko modela relativnog uzajamnog sadržaja informacije

  27. U procesu posmatranja u kome izvor predaje par {sintaksa, semantika}, a posmatrač razmatra entropije, ukupna količina informacije, odnosno u nastavku nazvana relativni uzajamni sadržaj informacije koju daje , a odnosi se na definisana je sledećim izrazom: = H( ) - = = H( ) - Ova definicija se može objasniti na osnovu modela opažanja: • Ako pretpostavimo da posmatrač R želi da otkrije simbol ne razmatrajući kakvo on značenje može imati. Tada je sa entropijom H( ) opisana početna nesigurnost u odnosu na . • Da bi otkrio simbol posmatrač pravi eksperiment • . U ovoj fazi procesa opažanja posmatrač se koristi ne samo parom već i značenjem b koje može imati ako je poznat . • Tada postupak otkrivanja opisujemo relativnom entropijom umesto .

  28. Informaciona delotvornost sistema odlučivanja • U prethodnom izlaganju je razmatrano da veliku važnost u postupcima otkrivanja istine informacije ima posmatrač i njegovo znanje o posmatranim pojavama koje je izraženo u procesu učenja parametrom u, ali je malo govoreno o tome kako doći do znanja i kako se njime koristiti. • Rezultat posmatranja dobija se na osnovi procesiranja opažene simbolike i semantike i donošenja određene odluke bez obzira da li je posmatrač čovek ili naprava sa umetnom inteligencijom. Tako stečeno znanje se primenjuje pri izgradnji algoritama obrade. • Najvažniji je sastavljanje delotvornih algoritama po kojima se sprovodi obrada informacija. Jedan od najznačajniji problema jeste postupak u kome određene akcije ili rezultati zavise od niza logičkih odlučivanja koja se obavljaju nad skupom informacija na osnovu prethodno stečenog znanja. Opis znanja na osnovu koga želimo napraviti algoritam obrade obično se daje tablicom odlučivanja, dijagramom toka itd. Zbog informacione analize delotvornosti algoritma, radi formalizacije takvog opisa prikladniji je prikaz pomoću stabla odlučivanja.

  29. Za realizaciju jednog algoritma moguća su različita rešenja. Da bi se odredila opšta mera delotvornosti i optimalnosti pored primenjivanih mera kao što su: veličinamemorije, prosečna cena ili vreme izvođenja, potrebno je uvesti novi pojam visina grane. • Visina grane je definisana brojem čvorova koje treba preći od korena do posmatrane grane. • Visina nula se nalazi pre korena stabla odlučivanja, odnosno pre početnog čvora. • Najveća visina grane odgovara visini stabla, zapravo to je najduži put od korena do završnog čvora.

  30. Da bi smo odredili opštu meru delotvornosti algoritma, potrebno je definisati skup nenegativnih celih brojeva, , i=0,1,...,R takav da je 0= < <... < <, gde označava visinu stabla, tj. R označava broj čvorova odlučivanja na najdužem putu. Tako da opštu meru delotvornosti definišemo kao: gde je strogo pozitivna funkcija i izražava željenu meru delotvornosti prema kojoj sprovodimo analizu: veličinu memorije, prosečnu cenu ili srednje vreme izvođenja upoređujući visinu grana i . • Pomoću algoritma obrade celokupni sadržaj informacije skupa informacijskih jedinica koji je bio nepoznat na početku se otkriva nakon određenog broja ispitivanja i jednoznačno im se dodeljuju rezultati. Posmatrajući stablo odlučivanja, neizvesnost je maksimalna na ulazu u stablo , tj. entropija = na visini grane i=0 je maksimalna i jednaka entropiji skupa rezultata. • Sa porastom i, odnosno prolaskom kroz stablo odlučivanja sve više se saznaje o sadržaju skupa informacijskih jedinica tako da se entropija smanjuje do konačne vrednosti nula na i=R. • Tada je skup informacionih jedinica potpuno poznat.

  31. GENETSKI ALGORITMI • Tradicionalni algoritmi ne mogu da reše sve probleme traženja iz više razloga. Podaci mogu biti neregularni, odnosno mogu imati previše smetnji, teško je postaviti odgovarajući model za rešenje problema ili rešavanje problema traje predugo. U takvim slučajevima primenjujemo genetske algoritme (GA). Genetski algoritmi predstavljaju relativno novu vrstu stohastičkih algoritama traženja. Stohastički algoritmi su oni koji primenjuju verovatnoću kao pomoć pri traženju rešenja. • Genetski algoritmi se osnivaju po analogiji sa biološkim organizmima gde se postupkom razvojne selekcije tokom određenog broja generacija dobijaju željena svojstva ili prirodnom selekcijom ostaju oni koji imaju najbolja svojstva za preživljavanje. • Genetički algoritmi predstavljaju novi, inovativni, pristup algoritmima traganja. Po definiciji i strukturi su adaptivni. Preživljavanje najpogodnijih rešenja vodi ka napredovanju traženja, a uz pomoć mutacije genetički algoritam može istražiti potpuno neočekivane puteve rešenja. Tako dolazimo do rešenja, slično kao u ljudskom ponašanju, koristeći se delom analitikom, delom intuicijom a pomalo i srećom.

  32. Primena genetičkog algoritma Struktura u kojoj je opisan kod koji opisuje kako se biološki organizam može izgraditi. Rečnik genetičkog algoritma Hromozom Genotip potpun skup hromozoma Fenotip rezultantni organizam Geni pojedinačna struktura od koje se sastoji svaki hromozom

  33. U seksualnoj reprodukciji između dva roditeljska fenotipa se roditeljski hromozomi kombinuju određenim načinom i kao rezultat se dobije dečiji fenotip sa odgovarajućim hromozomom. Tako deca nasleđuju određena svojstva svakog od roditelja. Ukoliko naslede najbolja svojstva svakog od roditelja, smatra se da će biti sposobnije za preživljavanje i dalju reprodukciju. • Genetički algoritam je vrlo primenjiv u telekomunikacijama. Primer koji je u nastavku obrađen je raspodela poslova koje treba obraditi na više procesora na osnovi zahteva za uspostavljanjem poziva ili usluge. Svaki od zahteva za obradu se sastoji od određenog broja elementarnih poslova (ET).Na obavljanje poslova se uvek troši jednako procesorsko vreme . Oblik svakog zahteva određuje da li će se neki od elementarnih poslova odvijati paralelno ili serijski. • U sledećem primeru je primenjen genetski algoritam kako bi ukupan broj ET raspodelili na određen broj procesora. Na narednoj slici je prikazano 10 zahteva sledovima brojeva koji označavaju koliko ET se može obaviti paralelno u jednoj fazi obrade. Za prvi zahtev imamo sled {3,4,4,6,6,2}.

  34. Prvi broj označava da se u prvoj fazi može obaviti 3 ET paralelno, drugi da u drugoj 4 ET paralelno itd. Ako postoji dovoljno procesorskog kapaciteta u svakoj fazi za najmanje 6 faza se može obraditi celi zahtev. • Situacija se komplikuje ako se istovremeno pojavi više zahteva različitih oblika, što je prikazano na slici, gde je ukupan broj ET po intervalu {36,39,34.48,25,10,4}. Primenom genetskog algoritma ukupan broj ET raspoređujemo na 5 procesora. Tako dobijamo ukupno vreme završetka svih poslova najmanje. Generisani oblici zahteva: {{3,4,4,6,6,2}, {2,5,2,7,5,4}, {6,4,2,4,6,1}, {2,7,2,6}, {3,2,1,6}, {7,3,5,6,2}, {3,46,3}, {6,6,4,2}, {3,2,5,5}, {1,2,3,3,6,3,4}}, ET po intervalu: {36,39,34,48,25,10,4} suma 196 visina 7 Raspodela na 5 procesora: {{7,8,8,9,5,2,3} {8,8,6,10,7,2,1} {8,9,8,10,5,2,0} {7,7,7,9,4,3,0} {6,7,5,10,4,1,0} Vreme završetka: 48 GENETSKI ALGORITAM

  35. Telekomunikacionim terminima možemo pridružiti sledeća značenja koristeći se opisanom terminologijom genetičkog algoritma Broj ET GENETSKI KOD Procesorska lista HROMOZOM 7 8 8 9 5 2 3 6 7 5 8 4 1 0 Raspodela FENOTIP GENERACIJSKA POPULACIJA FAZE GENI

  36. Osnovni opis genetskog algoritma se može opisati u sledećim koracima: • Stvara se početna generacijska populacija pojedinca (fenotipa) slučajnim postupkom. • Određuje se pogodnost svakog pojedinca u razmatranoj populaciji. • Vrši se selekcija roditelja za sledeću generaciju sa verovatnoćom koja je srazmerna sa njihovom pogodnošću. • Spojiti izabrane roditelje tako da se dobijaju potomci koji ulaze u novu generaciju. • Ponavljati korake 2-4 tokom nekoliko generacija. Početna se populacija stvara tako da se broj ET slučajno raspodeli na procesore. Za funkciju pogodnostise uzima takva funkcija koju želimo da optimizujemo u reševanju problema. Za problem višeprocesorske raspodele mogu se uzeti u razmatranje činioce kao što su propusnost, vreme završetka i procesorsko opterećenje za funkciju pogodnosti.

  37. Genetski operatori • Stvaranje nove generacije na osnovu postojeće populacije je jedna od funkcija genetskih operatora. Nova generacija se stvara kombinovanjem ili preuređivanjem delova starih članova populacije. Kombinovanjem dobrih delova strukture dva člana može se očekivati dobijanje boljih rezultata od prethodnih. • Ako ovu zamisao primenimo na problem višeprocesorske podele da određeni delovi neke podele mogu pripadati optimalnom rešenju. Kombinovanjem nekoliko takvih optimalnih delova dolazimo do optimalne podele. Da bi ovu zamisao sproveli u delo moramo definisati određene operatore: mutaciju, reprodukciju i ukrštanje.

  38. Mutacija • Mutacija predstavlja slučajno menjanje vrednosti genetskog koda na odgovarajućim mestima u raspodeli. Spovodi se tako da se najboljoj raspodeli slučajno odabere faza između prve i najviše, potom uzme procesor sa najvećim opterećenjem i procesor sa najnižim opterećenjem pa se opterećenje podeli ravnomerno između njih. 7 8 8 9 5 2 3 7 8 8 9 5 2 3 2 6 MUTACIJA 8 8 4 4 6 7 5 10 4 1 0 6 7 5 6 4 1 0 FAZA hm FAZA hm

  39. Reprodukcija • Osnovni genetski operator je reprodukcija. To je proces koji oblikuje novu populaciju tako da se iz stare populacije izaberu one jedinke koje imaju najveće vrednosti funkcije pogodnosti, jer one imaju najveću šansu da prežive u buduću generaciju. To znači da dobre raspodele poslova imaju veliku vrednost funkcije pogodnosti i zbog toga moraju biti očuvane u sledećoj generaciji. Ukrštanje Iz populacije se uzmu dve raspodele A i B od kojih se prave dve nove raspodele C i D izmenivši delove raspodela A i B sledećim postupkom: • slučajno izaberemo fazu c koja deli procesorske liste na dva dela. • leve delove raspodela ostavimo neizmenjene a desne ukrštamo tako da desni deo raspodele A postaje desni deo raspodele D i obrnuto. • Ovom operacijom možemo da dobijemo raspodele koje su bolje od onih pre ukrštanja. Sa određenom verovatnoćom ovu operaciju možemo primeniti na celokupnu populaciju.

  40. RASPODELA B RASPODELA D RASPODELA C RASPODELA A 9 5 2 3 7 8 8 9 5 2 3 7 8 8 9 5 2 3 2 2 8 8 Ukrštanje 4 4 6 7 5 10 4 1 0 6 7 5 10 4 1 0 FAZA c FAZA c

  41. ULAZ Raspored ET po intervalima ZADANO: Broj generacija GENERISANJE POČETNE POPULACIJE RASPODELA ZADANO: broj procesora broj raspodela u populaciji verovatnoća mutacije verovatnoća ukrštanja IZRAČUNAVANJE FUNKCIJE POGODNOSTI UKRŠTANJE Poboljšanje nove generacije REPRODUKCIJA Nova generacija Broj ge-neracija< zadanog DA MUTACIJA Poboljšanje stare generacije NE REZULTAT: Podela po procesorima postignuto vreme završetka

  42. Kada se iscrpi zadani broj generacija dobijamo rezultantnu generaciju u kojoj se nalazi najbolja podela koja je do tada dobijena. • Stabilnost funkcije pogodnosti u odnosu na promene nekih od promenjivih parametara je opšti kriterijum za zaustavljanje genetičkog algoritma. Kada se vrednost funkcije pogodnosti s obzirom na promenu odabranog parametra više ne menja, to znači da smo za date uslove postigli optimum i odvijanje genetičkog algoritma možemo zaustaviti. • Genetički algoritmi kombinuju razvoj istraživanja. Upravljanje istraživanjem vrše operatori ukrštanja i mutacije, dok razvojem upravlja operator reprodukcije na temelju funkcije podobnosti. Povećanjem razvoja smanjuje se istraživanje.

More Related