Тема 2.2. Нечеткие логические операции. Теория нечетких чисел

1. Понятие лингвистической переменной.

2. Лингвистические переменные истинности.

3. Логические связки в нечеткой лингвистической логике.

4. Значения истинности НЕИЗВЕСТНО и НЕ ОПРЕДЕЛЕНО.

5. Вычислительные функции табличного процессора Microsoft Excel для финансового анализа.

6. Принципы и проблемы разработки систем поддержки принятия решений на основе нейронных сетей.

7. Задачи оптимизации на нейронных сетях (поиск решения на примере).

Вопросы и задания для самостоятельной работы

1. Подготовить ответы на контрольные вопросы по теме:

1.1. Как определяется лингвистическая переменная?

1.2. Зачем нужны синтаксические и семантические правила?

1.3. Почему генетические алгоритмы называют средством стохастической оптимизации?

1.4. Что такое стратегии эвристического поиcка?

1.5. Как происходит эвристический поиск с ограничением объема памяти?

1.6. Что называют эволюционной стратегией?

1.7. Какие параметры генетического алгоритма можно использовать для управления его сходимостью?

1.8. Что такое агенты поиска?

1.9. Как определяется нечеткая переменная?

1.10. Что называют термом?

1.11. Какие правила называют синтаксическими?

1.12. Определите сущность семантического правила.

1.13. Приведите примеры лингвистических переменных из различных областей науки.

2. Тестовые задания для самостоятельного контроля уровня подготовки студентами вопросов темы:

2.1. Агент на основе полезности – это:

· не только описание текущего состояния агента, но и информация о цели, которая описывает желаемые ситуации

· отображение состояния (или последовательности состояний) на вещественное число, которое обозначает соответствующую степень удовлетворенности агента

· описание совершенных нормальных форм

· описание триггерных схем

2.2. Цель агентов на основе цели:

· следить за состоянием мира

· следить за множеством целей, которых пытается достичь агент

· выбирать действие, позволяющее (в конечном итоге) добиться достижения этих целей

· строить таблицы истинности и таблицы переходов

2.3. Компонентами агентов на основе цели являются:

· датчики

· состояние

· «как развивается мир»

· «как повлияют действия пользователя»

· правила «условие-действие»

· исполнительные механизмы

2.4. Функция полезности отображает состояние:

· или последовательность состояний на вещественное число, которое обозначает соответствующую степень удовлетворенности агента

· СКНФ и СДНФ

· триггерной схемы

· графов-переходов

2.5. В агентах на основе полезности:

· модель мира используется наряду с функцией полезности

· используется только модель реального мира

· учитывается только функция полезности

· используется только генератор случайных чисел

2.6. В агентах на основе полезности для вычисления полезности выполняется усреднение по всем возможным:

· результирующим состояниям с учетом коэффициента, определяющего вероятность каждого результата

· результирующим состояниям

· входным состояниям

· входным и результирующим состояниям

2.7. Метод обучающихся агентов доминирующий метод создания:

· наиболее современных систем во многих областях искусственного интеллекта

· совершенных нормальных форм

· триггерных схем

· формальных грамматик

2.8. Структура обучающегося агента состоит из следующих концептуальных компонент:

· датчики

· критик

· обучающий компонент

· производительный компонент

· генератор проблем

· исполнительные механизмы

· триггеры

2.9. Обучающий компонент отвечает за:

· внесение усовершенствований

· выбор внешних действий

· построение нормальных форм

· построение формальных грамматик

2.10. Производительный компонент обеспечивает:

· выбор внешних действий

· внесение усовершенствований

· построение нормальных форм

· построение формальных грамматик

Раздел 3. Теория неопределенности решений