Введение
Гибридизация методов искусственного интеллекта давно перестала быть узкоспециальным вопросом теории управления. Нейронные сети, нечеткая логика и генетические алгоритмы развивались в вычислительной науке параллельно, каждый со своим аппаратом и своими ограничениями, и объединение этих трех направлений в единые вычислительные конструкции оказалось не столько модным трендом, сколько ответом на конкретную инженерную проблему: как заставить систему одновременно обучаться на данных, работать с неопределенностью в формулировках и подбирать параметры без изнурительного ручного перебора. Нейронная сеть прекрасно обучается, но плохо объясняет, почему принято то или иное решение. Нечеткая система, напротив, прозрачна и человекоподобна в описании правил, но настраивать ее параметры «вручную» — занятие, растянутое на недели экспертной доводки. Генетический алгоритм умеет искать решение в огромном пространстве вариантов, но сам по себе не формирует структуру знаний. Соединение этих трех составляющих — нейро-нечеткие, генетико-нечеткие и нейро-генетические системы — закрывает слабые места каждого отдельного подхода за счет сильных сторон остальных.
Актуальность темы для современной отечественной практики подтверждается на уровне государственной политики. Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» [1] задает ориентиры для развития гибридных и объяснимых моделей, а ГОСТ Р 59276-2020 «Системы искусственного интеллекта. Способы обеспечения доверия. Общие положения» [2] прямо требует интерпретируемости алгоритмических решений — требование, которое чисто нейросетевые модели выполняют с трудом, зато гибридные нейро-нечеткие конструкции удовлетворяют почти по определению, поскольку сохраняют лингвистическую форму правил даже после нейросетевого обучения. Параллельно растет число прикладных задач, где такие системы показывают измеримую практическую пользу: регулирование промышленных процессов, прогнозирование природных рисков, настройка регуляторов в энергетике и машиностроении. Модель ANFIS для прогноза лесных пожаров, описанная Д.В. Медведевым [10], и генетически настраиваемый ПИД-регулятор уровня жидкости у С.Т. Йордановой с соавторами [7] — примеры из совершенно разных областей, но построенные по единой логике синтеза обучаемости, гибкости и эволюционного поиска.
Теоретическая база темы сформирована в основном зарубежной и переводной литературой девяностых–двухтысячных годов, остающейся при этом вполне актуальной: фундаментальный труд Д. Рутковской, М. Пилиньского и Л. Рутковского «Нейронные сети, генетические алгоритмы и нечеткие системы» [5] и монография В.В. Круглова и В.В. Борисова «Нечеткая логика и искусственные нейронные сети» [4] до сих пор служат опорными текстами для инженерных и научных разработок. Отечественные исследования последних лет (2020–2023) посвящены скорее частным прикладным аспектам — модификации архитектуры ANFIS у В.С. Никулина [11], оператору вариации в генетическом синтезе регуляторов у И.В. Куликовой [9], интеграции обучения с подкреплением и нечеткой логики у А.П. Еремеева с соавторами [6]. Картина здесь неоднородная: фундаментальная теория устоялась, а прикладной инструментарий продолжает развиваться практически ежегодно.
Целью настоящего реферата является систематизация принципов построения, обучения и оптимизации гибридных интеллектуальных систем трех типов — нейро-нечетких, генетико-нечетких и нейро-генетических — на основе теоретических положений и прикладных примеров из отечественной и переводной литературы.
Для достижения этой цели поставлены следующие задачи:
- раскрыть принципы функционирования и обучения нейро-нечетких моделей;
- охарактеризовать методы оптимизации нечетких выводов средствами нейросетевых технологий;
- проанализировать алгоритмы настройки генетико-нечетких систем управления;
- описать механизмы эволюционного поиска в архитектурах нейро-генетических сетей.
Объектом рассмотрения выступают гибридные интеллектуальные системы, построенные на сочетании нейросетевых, нечетких и эволюционных методов. Предметом — принципы их функционирования, алгоритмы обучения и настройки, а также примеры прикладной реализации в задачах управления, прогнозирования и диагностики. Методологическую основу работы составляют анализ научной литературы, сравнение архитектурных решений по единым критериям и обобщение прикладных кейсов, зафиксированных в источниках списка литературы. Структура реферата включает две главы, каждая из которых разделена на два параграфа, отражающих последовательно теоретические основания интеграции нейронных сетей и нечеткой логики и эволюционные методы проектирования соответствующих систем.
- Теоретические аспекты интеграции нейронных сетей и нечеткой логики
1.1. Принципы функционирования и обучения нейро-нечетких моделей
Нейро-нечеткая система устроена как компромисс между прозрачностью и обучаемостью. Нечеткий логический вывод строится на базе правил вида «если–то», сформулированных на естественном языке и опирающихся на функции принадлежности; именно эта лингвистическая форма делает нечеткие модели понятными эксперту, но параметры функций принадлежности, веса правил и границы термов традиционно подбирались вручную, методом проб. В.В. Круглов и В.В. Борисов [4, с. 54] указывают, что именно отсутствие формализованной процедуры настройки параметров было главным препятствием для широкого промышленного применения нечетких регуляторов в 1990-е годы. Решение нашлось не в о
…
