Штучний інтелект

Анотація: Розглянуто підхід до створення інтелектуальних систем, що поєднує ідеї алгебри алгоритмів Глушкова з відомими нейроеволюційними алгоритмами обчислювального інтелекту, що можуть застосовуватись для автоматизації проєктування та синтезу програм. Метод нейроеволюції наростаючих топологій призначений для зменшення розмірності простору пошуку параметрів нейромережі у вигляді поступового розвитку її структури у процесі еволюції. Розроблено програмний інструментарій на підтримку такого підходу, де в основу покладено конструювання високорівневих специфікацій алгоритмів, представлених у системах алгоритмічних алгебр, та генерацію відповідних програм на основі шаблонів реалізацій цільовою мовою програмування. Використовуються засоби гіперсхем — параметризованих алгоритмів для розв’язання певного класу задач. Установка конкретних значень параметрів і наступна інтерпретація гіперсхем дозволяє одержати алгоритми, адаптовані до конкретних умов застосування. Розроблений інструментарій проєктування та синтезу програм забезпечує покрокову розробку програм, починаючи від високорівневої специфікації, поданої алгебро-алгоритмічною мовою. На виході інструментарію автоматизовано генерується програма однією з цільових мов програмування (С, С++, Java, Python та ін.), до яких належить також предметно-орієнтована мова проєктування нейромереж. Згадана мова включає оператори та умови роботи з популяціями, конфігураціями, геномами та функцією приданості. Роботу інструментарію проілюстровано на прикладі проєктування параметризованого алгоритму оцінювання для двійкового мультиплексора та генерації програми для задачі балансування зі зворотним маятником.

Ключові слова: алгебра алгоритмів, генерація програм, нейроеволюця, нейромережа, штучний інтелект

Посилання:

1. Fogel D.B., Liu D., Keller J.M. Fundamentals of computational intelligence: neural networks, fuzzy systems, and evolutionary computation. Hoboken: Wiley-IEEE Press, 2016. 378 p.
2. Zgurovsky M.Z., Zaychenko Yu.P. Fundamentals of computational intelligence: system approach. Cham: Springer, 2016. 275 p.
3. Omelianenko I. Hands-on neuroevolution with Python. Birmingham: Packt, 2019. 368 p.
4. Lillicrap T.P., Santoro A., Marris C.J., Akerman C., Hinton G.E. Backpropagation and the brain. Nature Reviews Neuroscience. 2020. Vol. 21. P. 335–346.
5. Stanley K.O., Clune J., Lehman J., Miikkulainen R. Designing neural networks through neuroevolution. Nature Machine Intelligence. 2019. Vol. 1. P. 24–35. http://doi.org/10.1038/s42256-018-0006-z
6. Stanley K.O. Neuroevolution: a different kind of deep learning. 2017. URL: http://www.oreilly.com/radar/neuroevolution-a-different-kind-of-deep-learning
7. Андон П.І., Дорошенко А.Ю., Акуловський В.Г., Іваненко П.А., Яценко О.А. Формальні та адаптивні методи конструювання високопродуктивних паралельних програм. Київ: Наукова думка, 2023. 312 с.
8. Doroshenko A., Yatsenko O. Formal and adaptive methods for automation of parallel programs construction: emerging research and opportunities. Hershey: IGI Global, 2021. 279 p.
9. Andon P.I., Doroshenko A.Yu., Zhereb K.A., Yatsenko O.A. Algebra-algorithmic models and methods of parallel programming. Kyiv: Akademperiodyka, 2018. 192 p.
10. SharpNEAT. Evolution of Neural Networks. URL: http://sharpneat.sourceforge.io
11. NEAT-Python. URL: http://github.com/CodeReclaimers/neat-python
12. Дорошенко А.Ю., Ашур I.З. Розподілена реалізація методу нейроеволюції наростаючої топології. Проблеми програмування. 2021. № 3. С. 3–15.