7 .2.2.

Meko racunarstvo
Buducnost inteligentnih tehnologija su hibridni inteligentni sistemi. Jedan skup
tehnologija koje ce sacinjavati ove inteligentnc sistemc poznat je pod nazivom meko
I<?cunarstvo.

Meko racunarstvo (engl. soft computing, SC) je skup racunarskih metodologija

oko fazi logike (FL), neuro-racunarstva (NR), genetickog racunarstva (GR) i
probabilistickog racunarstva (PR). Metodologije kojc sacinjavaju meko racunarstvo
su, uglavnom, komplementarne i sinergisticke, a ne konkurentne.
ldeja vodilja mekog racunarstva je: iskoristiti toleranciju nepreciznosti,
neizvesnosti, delimicne is tine i aproksimacije, da bi se postigla traktabilnost,
robusnost, mala cena izrade resenja i bolja uskladenost sa realnoscu. Jedan od
glavnih ciljeva mekog racunarstva je obezbedivanje osnova za koncipiranje,

190

191

Fazi logika i neuronske mreze

Buducnost novog pristupa tehnoiogiji

projektovanje i primenu inteligentnih sistema , tako sto ce se njegove sastavne

metodologije primenjivati u simbiozi.
Unutar mekog racunarstva , oblasti od interesa fazi logike , neuro-racunarstva ,
genetickog racunarstva i probabilistickog racunarstva su:

-aenetickih i neuro-fazi-genetickih sistema. Takvi sistemi ce postati sveprisutni u

bliskoj buducnosti . Sigurno, u godinama koje su pred nama , p.ojava hibridnih
inteJigentnih sistema ce imati znacaj an Uticaj na nase poimanje , pJamran_le, IZgradnJU
i interakciju sa inteligentnim sistemima.

FL: aproksimativno zakJjucivanje , granulacija informacija, racunanje recima,

NR : ucenje, adaptacija, klasifikacija , modeliranje i identifikacija sistema,
GR: sinteza, podesavanje parametara i optimizacija putem sistematskog slucajnog
pretrazivanja i evolucije i
PR: obrada neizvesnosti , probabilisticke mrde, predvidanje , sistemi zasnovani na
haosu.
Kao skup racunarskih metodologija, meko racunarstvo ce sigurno imati sve vise
vaznosti i biti sve vise primecivano u skoroj buducnosti. Osnovni razlog za to je da
je sve jasnije da je konceptualna struktura konvencionalnog , "tvrdog" racunarstva
pre vise precizna u odnosu na sveprisutnu nepreciznost u realnosti .
U tom smislu, treba razmotriti sledece dve teme. Najpre, ima mnogo realnih
problema koji se ne mogu resiti tehnikama tvrdog racunarstva, zato sto potre bne
informacije ni su raspolozive i/ili sistemi koji se razmatraju ni su dovoljno dobro
defini sani . Takvi problemi su tipicni u oblasti ekonomskog planiranja , zivih sistema ,
velikih drustvenih sistema i donosenja odluka. Jos jedan izvor takvih problema je
vestacka inte li gencija, narocito u oblastima zakljucivanja , racunarskog vida
razumevanja prirodnog jezika .
Drugi i mozda jos vazniji razlog je da upotreba metodologij a mekog racunarstva
sluzi da bi se iskoristili tolerancija ncpreciznosti, neizvesnost, delimicna istina i
aproksimacija. Na taj nacin, meko racunarstvo oponasa izva nrcdnu covckovu
sposo bnost da cini racionalne odluke u neivesnoj i nepreci znoj okolini. Takav slucaj
je problem parkiranja vozila. Tolerancija nepreci znosti u ovom problcmu omogucava
coveku da parki n1 vozilo bez bilo kakvih merenja i znanja o dinamici sistema
bazi ranog na znanju. Bez tolerancije nepreciznosti , problem parkiranja postaje
neresiv za !jude, i veoma tdak za masine .
Kori scenje tolerancije nepreciznosti, neizvesnosti, delimicne is tine i aproksim acijc,
igra centralnu ulogu u kompresiji podataka, pronalazenju informacij a i komunikaciji.
U tom smi slu, fazi logika igra narocito znacajnu ulogu, jer obezbeduje metodologiju
za granulaciju informacija i racunanje recima na nacin koji oponasa covekovo
razmi sljanje i formiranje koncepata . u sustini' uzor za fazi logiku je covekov nacin
razmi slj anja.
Aspekt mekog racunarstva koji je od centralne vaznosti je si mbioticki odnos
izmedu njenih sastavnih metodologija. To podrazumeva da je u re5enju mnogih
probl ema, naroc ito pri koncipiranju j planiranju inteligentnih sistema, dobro primeniti
kombinaciju dve iii vise metodologij a mekog racunarstva , cime se stvaraju bib1idni
inteligentni sistemi. Trenutno najpri sutniji sistemi ove vrste su neuro-fazi sistemi.
Ali, prisustvujemo i stvaranju drugih hibridnih sistema: fazi-genetickih, neuro-

7 .3. Buducnost je fazi - perspektive, oblasti

mogucnosti primene mekih tehnologija

Progres racunarske tehnologije je bio toliko brz da su mnoge poslove preuzeli

inteligentni roboti iii VI sistemi. lstovremeno na drustvenoj sceni odvijale su se
promene:

od tehnologije ka coveku,
od fizickog ka duhovnom,
od kvantiteta ka kvalitetu,
od objektivnog ka subjektivnom,
od grupnog ka pojedinacnom ,
od anali zc ka sintezi ,
od efikasnog ka komfornom ,
od centralizovanog ka distribuiranom i kooperativnom ,

od stalnog ka fleksibilnom i
od racionalnog ka emocionalnom.

Fazi inzenjerstvo moze da odgovori na ove promcne u izvesnom stepenu, posto

ima za cilj razvoj komunikacije izmedu coveka i masine na prirodnorn jeziku . u
takvom sistemu korisnik, koji ne mora unapred da zna tip i kolicinu potrebmh
informacija , moze da ih dobije komunicirajuCi sa masinom. Obracla nepreciznosti u
jeziku tokom ovih dijaloga je vazna. Stavise, ova vrsta komunikacij~ , koja. treba da
podseca na prirodnu komunikaciju izmedu !judi , moze da stmmh se kon smka da
dobije nove ideje i znanje .
Informacije se ne ocenjuju samo sa stanovista njihove tacnosti, vee i sa
stanovista smisla koji poseduju. Priroclni jezik je izvrstan mcdijum koji podrzava
komunikaciju i egzaktnih i apstraknih informacija .
Endrju Grouv, iz Intela, kaze o predvidanju buducnosti u racunarskim
tehnologijama cia je " .. .bilo koja prognoza , bilo koga - naucna fantastika". Sa tunc
mozemo da se slozimo. Istovremeno , pokusacemo cia na osnovu do sacla ostvarcmh
poznatih rezultata i trendova u oblasti " mekih tehnologija" clamo nase predvidanje
kako ove tehnologije mogu da se iskoriste u skoroj buducnosti .
u buducnosti ocekujemo da ce racunari podrzavat i coveka, tako sto cc mu
dostavljati tacne
smislene informacije, stimulisuci njegovo razmisljanje

192

Buducnost novog pristupa tehnologiji

Fazi logika i neuronske mreze

povecavaJUCI njegovu kreativnost i znanje. To ce se postizati kroz dijalog izmedu

coveka i masine na prirodnom jeziku, sto ce biti podrzano fazi tehnologijama.
Projekti koji se realizuju i mogli bi da postanu stvarnost u bliskoj buducnosti
ukJjucuju:

Sistem za podrsku hendikepiranim osobama: sistemi za navigaciju pomocu

glasa za slepe, pojacavanje glasa kao pomoc za osobe sa ostecenim sluhom,
masina koja cita sa usana , intepreter znakovnog jezika i inteligentna
invalidska kolica.
Inteligcntna vozila: sistemi za automatsko sprecavanje sudara, automatsku
voznju, ekonomicnu voznju, kontrolu zagadenja usled izduvnih gasova ,
navigaciju pomocu glasa, otkrivanje kvarova, automatsko parkiranje i zastitu
pesaka.
Inteligentna radna stanica: polu automatsko upravljanje teskim masinama
(kranovima , buldozerima) , sumskim, poljoprivrednim i ribolovnim sistemima,
tunelskim masinama , helikopterom bez posade i robot-istrazivac;
Sistem za podrsku pri odlucivanju u bio-rnedicini : fazi ekspertski sistemi (koji
mogu da uzmu u obzir iskustvo strucnjaka i karakteristike pojcdinih klinickih
slucajeva) , automatsko upravljanje vestackim organima, upravljanje tretmanom ,
obrada slika u medicini i orijentalna medicina .
Elektronski prirucnik: poboljsane i sofistikovane masine ce imati i slozenija
uputstva za upotrebu koja ce biti sve teza za razumevanjc. Prirucnik u vidu
fazi ekspertskog sistema ce omoguciti korisnicima da pristupe informacijama
po potrebi i bez poznavanja preciznog tehnickog recnika .
Generisanje slika zasnovano na prirodnom jeziku . Ovi S ,,emi su korisni za
razvoj i podrsku kreativnom procesu, za razvoj inteligentnih CAD sistema,
racunarskc grafike i virtuelne stvarnosti.
Sistemi za pomoc pri donosenju odluka za slozenc probleme: korisni kada
precizno resenje nije neophodno za ocenu i optimizaciju slozenih problema.
Fazi ekspertski sistr.mi su pogodni za ocenu sigurnosti zgrada, pregled i ocenu
kvaliteta poljopriv tednih proi zvoda, predvidanje kvarova na proizvodnim
postrojenjima , izbor strategije i otkrivanJe karakteristika.

Medutim, za neke projekte ce biti potrebno vise vremena. To su projekti u vezi

sa dijalogom izmedu racunara i masine , kompresijom i ekspanzijom informacija. u
njima je vazno shvatiti nameru coveka - korisnika masine i obraditi informacije
prema toj ndmeri . Analiza cilja, integrisanje metoda razvoja odozgo nadole i odozdo
nadole je takode neophodno:

Kucno racunarstvo: li cni racunari u mrdi sa kojom se moze komunicirati

prirodnim jezikom o raznim temama , ukJjucujuCi domacu ekonomiju,
zdravstvo , kulturu, pravo, obrazovanje, rekreaciju i drustvo.
Sumarizacija reccnica: misli se na abstrakciju makroskopskih osobina sadrzaja
i izrazavanje prirodnim jezikom; moze se koristiti za automatsku sumarizaciju
novosti, prica i izvestaja koji su izradeni na odredeni nacin.
Dijaloski ekspertski sistem: kooperativno rdavanje problema , u kome se do
resenja dolazi kooperacijom izmedu ekspertskog sistema i coveka-eksperta.

Fazi inzenjerstvo pokusava da resi probleme koje stara VI nije bila u mogucnosti
da resi . Ali, cilj fazi inzenjerstva je drugaciji od cilja stare VI; ono tdi stvaranju
sistema za podrsku covekovim aktivnostima, a to je kooperativna VI zasnovana na
metodologiji fazi logike .
Mnogi kazu da ce u buducnosti racunar da se nosi- jednog dana oblacicete model
sa Pcntiumom , a drugog sa Cyiixom. Da bismo mogli da se uspesno nosimo sa
takvom najezdom racunara - moracemo vise da se priblizavamo racunarima, . a i on~
nama . To je i jedan od osnovnih ciljeva fazi inzenjerstva i mekih tehnologlJa , kop
im obezbeduje sigurnu buducnost.

7.4. Rezime
1) Fazi tehnologije omogueavaju partnerski odnos masine i coveka.
2) Fazi inzenjerstvo je kombinacija fazi logike - kao alatke i inzenjerstva sistema kao metodologije. Ova kombinacija je pogodna za rdavanje lose strukturiranih
problema.
3) Meko racunarstvo je skup racunarskih metodologija oko fazi logike, neuroracunarstva, genetickog racunarstva 1 probabilistickog racun arstva. Ove
metodologije se koriste kao komplementarne, da bi se izgradili hibridni
4)

inteligentni sistemi.
u bliskoj buducnosti racunari ce biti svuda oko nas. Zato je vazno da se na njih
navikavamo . Upotrebom fazi tehnologija racunari mogu da se prilagodavaju

nama .
u bliskoj buducnosti bice
u daljoj buducnosti bice
masina moCi da razume i
6) Fazi tehnologije i meko

5)

znacajnu ulogu .

Inteligentni robot visokog nivoa : autonomni roboL specijalne namene ,

sposoban za delovanje na osnovu jednostavnih instrukcija koji shvata nameru
korisnika u zavisnosti od situacije (robot-kucna pomocnica i robot za brigu o
starim osobama su primeri ovakvih robota).

193

moguca prisnija komunikacija izmedu covcka i masinc.

moguc partnerski odnos coveka i masine u kome ce
poddi namere coveka.
racunarstvo su tehnologije koje cc u buducnosti imati

Glava druga

TEORIJA FAZI SKUPOVA. OSNOVNA STRUKTURA FAZI

KONTROLERA

2. 1. TEORlJA FAZI SKUPOVA

Fuzzy (fazi) je engleska re~. koja mo!e da se prevede kao maglovit. nejasan,
mutan. Tcorija fazi skupova i fazi logike predstavlja pogodan maternaticki aparat za
tretiranje neit.vesnosti, viseznacnosti, subjektivnosti i neodredenosti. Prvi rad, l4].
posvecen faz i skupovima obja\ io jc 1965. godine americki profesor Lotfi Ladeh. lum:
je stvorcna osnovn za dalji razvoj tog koncepta i objavljen jc vcl iki broj radova
posvecenih kako daljem razvoju teorije, tako i re~avanju odredenih prakticnih
problema. Medutim, koncept fazi logike imao j e protivnike koji su smatrali da ne
postoj i neizvesnost i neodredenost koja se na bolji nacin mo~e re~iti primenom fazi
logike od primene teorije verovatnoee.
Citati poznatih americkih profesora:
R. E. Kalman (1972) "Dozvolite mi da karem sasvim odgovomo nema takve
stvari kao ~to je fazi koncept, .. . . Mi pri~o o fazi stvarima ali one sene baziraju na
naucnom koncepru. Neki ljudi su u pro~losti otkrili izvesne intercsantne stvari,
fonnul isali njihove pronalaske bez kori~cenja fazi koncepta i imali smo razvoj nnuke."
William Kahan (1975) .. Fazi teorija je pogreSna, pogre~na i ~tctna. Ja nc mogu
da zamislirn neki problem koji ne mofe biti bolje re~en primenom klasicne logikc.''
Prema Zadeh-u ([5]) 1990. godina mo!e da se smatra kao prekrctnica u razvoju
proizvoda i sistema sa maSinsi.Jm koeficijentom inteligencije (Machine Intelligence
Quotient- MIQ). Danas postoji veliki broj kucnih urcdaja i aparata koj i pokazuju
impresivnu sposobnost da rasuduju, donose inteligentne odluke i uce iz iskustva. U [6]
dat je pregled kori~cenja fazi tehnologija u kucnim aparntima u Japanu i Korej i do
1990. godine. U mikrotalasnim pecnicama koje proizvode firme llitachi i Sanyo fazi

Teorija feci skupova. Osnavna struktura.fazi /contra/era

logika je upotrebljena za postavljanje i pode~avanj e snage pecnice. Goldstar, Hitachi,

Samsung i Sony proizvode televizore gde se fazi logika koristi za pode~avanje boje
ekrana i teksture za svaki frejm. Fazi logika se uspe~no primenjuje za pode~avanje
strategije pranj a m~ine za pranje ve~a na osnovu nivoa zaprljanosti, tipa tkanine,
kolit\ine ve~a. Kod klima-uredaja koje proizvode tirme Mitsubishi, Sharp, Hitachi,
Matsushita fazi logika sprecava oscilacije temperature i smanj uje se potro~njn snage
pri ukljucivanju i iskljucivanj u. Canon i Minolta proizvode video-kamere kod kojih se
pomocu fazi logike automatski pode~ava fokus. Kod friiidera se uz pomoc fazi logike
vr~i regulacija temperature, a kod usisivaca se postavlja strategija usisavanja na
osnovu kolicine pruine i tipa poda. U Japanu je p~ten u rad prvi metro sa fazi
upravljanj em ubrzavanjem kocenjem vozova.
U komunalnom preduzecu iz Ptuja, koje snabdeva grad sa toplotnom energijom,
veda se greje u kotlovima i ci rkuli~e preko mreie cevovoda. U mrei.i je 30 podstanica.
Da bi veda obavila jednu cirkulacij u potrebno je 30 minuta. Razlika izmedu temperature izlazne vade iz kotlova i temeperature povratne vode, predstavlja prenos toplote iz sistema Ova toplota se prenosi u zgrade koje opsluiuje sistem i u okolinu u
obliku gubitaka. Procesom su do 1999. godine upravljali operateri koji su imali velika
prakticna znauja, koja su prikupljena u vi~egod i snjem iskustvu rada na procesu. Na
osnovu temperature povratne vode operateri su odredivaJi protok izlazne vodc
koristeci detaljna pravila koja su izgrad ili na osnovu zapaZa.nja i iskustva:
Ako je temperatura Nr..()KA i OPA DA JA KO POVECAJ protok vode
Akoje temperatura NISKA I STABJL.NA POVECAJ protok vode
Ako je temperatura N!SKA i RASTE ODRZA. VAJ pratok vode
Ako je temperatura POGODNA i OPADA PO VECAJ pratok vode
Akoje temperatura POGODNA i STABJLNA ODRZAVAJprotok vode
Aka je temperatura POGODNA i RASTE SMANJJ protok vade
Ako je temperatura VJSOKA i OPADA ODRi.A VAJ protok vode
Ako je temperatura VJSOKA i STABILNA SMANJJ protak vode
Ako je temperatura VISOKA i RASTE SMANJl protak vade
itd...

Proces nije tckao optimalno paje preduzece telelo da smanji gubitk.e, tro~kove
delovanja i pobolj~a grejanje. Fazi logika omogucava da se u novi kompjuterski
proces vodenja ukljuci empirijsko znanje najboljih operatera. Primenom teorije fazi
skupova i fazi logike moz.e da se odredi protok izlazne vode na osnovu skupa pravila i
temperature povratne vode.
Osnov razvoja fazi tehnologija lefi u kori~eenju pri blifuog racunanja. Pri
projektovanj u inteligentnih sistema na ovaj na~i n mogu da se koriste netacnost i
neizvesnost. uei iz iskustva i pri lagodava se promenama radnih uslova.

Teorija fazi slcupova. Osnovna stru/ctura fazi kontrolera

Danas se fazi logika uspe~no primenjuje u informacionim tehnologijama i

ekspertskim sistemima, kao i za upravljanje nelineamim objektima i objektima
sloieni m za modeliranje.

Glava cetvrta
NEURONSKE MREZE

4.1. UVOD
Covek ima I0 11 izuzetno povezanih neurona koji mogu paralelno da obraduju
informacije. Neke od neuronskih struktura postoje od rodenja. Nije potpuno poznato
kako bioloke neuronske mre!e rade, ali se zna da sve neuronske funkcije, uklju~ujuci
pamcenje, o bavljaju neuroni i nj ihove medusobne vcze. Utenje se posmafra kao
proces uspostavljanj a novih veza iii promena postojccih.
Neuroni koji se ovde razmatraju nisu biolo~ki. Oni su krajnje pojednostavljeni
biolo~ki neuroni. Realizuju se kao elementi u programu iii kao elektronsko kolo.
Mreze sastavljene od veta~ki h neurona nemaju ni deo sposobnosti lj udskog mozga.,
ali mogu biti obu~ene za obavljanje korisnih funkcija.
Neki radovi iz oblasti neuronskih mreZ..1 nastali su l...Tajem 19. i po~etkom 20.
veka. Ovi radovi opisuj u op~te teorije utenja i raspoznavanja ali ne razmatraju
m atemati~ke modele neurona.
1943. godine McCulloch i Pins su predlozili prvi sistem koji funkcioni~e
koristeei mehanizme ncrvnog sistema. Oni su dokazali da ncuroni mogu imati pobud ujuce i umirujuce.stanje. Takode su pokazaJi da aktivnost neurona zavis i od vrednosti
praga aktivacije.. Prema brojnoj litcraturi. cesto se njihov rad smatra pocetkom razvoja
neuronskib mrei.a.
1949. godine Hebb je predlozio pravilo kojim se opisuje proces ucenja 1956.
je predstavljena prva simulacija Hebb-ovog modela.
1958. Rosenblatt je razvio prvu neuronsku mrefu koju je nazvao perceptronom. Ova neuronska mreia nije mogla da reava probleme kJasifikacije koji nisu
lineamo separabilni (npr. XOR problem)

60

Neuronske mreie

Widrow i Hoff su 1960. godine prcdlozili novi algoritam u~enja koji su

koristil i za adaptaciju parametara perceptrona sa lineami m aktivacionim funkcijama.
Wid row- Hoff-ovo pravilo u~enja se jo~ i danas koristi .
lstra:l.ivanja u oblasti neuronskih mreia su bi la usmerena na razvoj novih
arhitektura i unapred ivanje pravila i algoritama obutavanja. Po~etkom sedamdesetih
nastao je prividan zastoj. 1986. publikovana je danas najpopulamija procedura utenja
sa propagacijom gre~ke unazad (backpropagation algorithm), [I0], pa se ova god ina
smatra ponovnim potetkom razvoja ove oblasti.
Poslcdnjih godina intenzivno se ralYija teorija neuronskih mreza i istra.Zuju se
mogucnosti njihove primene. Ova populamosr neuronskih mreia moze da se objasni
atrakt ivno~cu arhitekture, kojaje s li~na strukturi covettijeg mozga, i brojnim oblastima
u kojima se one uspe~ no prirnenjuju (elektronici, automatici, ekonomiji, medicin i,
telckomunikacijama, voj nim aplikacijama i td.). Svakako, jedno od znacajnijih
podrucja primene neuronskih mreia je identifikacija i upravljanje nelineamim
procesirna.
4.2. BIOLOS KI NEURON

Mozak ima I 0 11 izuzctno povezanih elcmcnata (probliino 104 veza po

elementu) koji se nazivaj u neuronima iii nervnim telijama. Na sl.4. 1 dat je ~em atski
prikaz dva neurona.
Nervna celija se sastoj i od tela, dendrita i aksona. Dendriti sluze za
prihvatanje signala od drugih neurona i predstavljaju produzetke tela tclije. Ovu
funkciju obavlja i tclo cclijc, ali jc veci deo vez.a ostvaren preko dendrita. Telo celije
sabira signale sa vi~c ulaza. Akson je jedan dugacak produfetak koj i prenosi signal od
tela celije do drugih neurona. Tacka kontakta izmedu aksona jedne celije i dendrita
druge celije zove se sinapsa.
U nepobudenom stanju potencijal tela neurona je oko - 70, m V . Potencijal
tela neurona se menja dovodenjem signala na neku od sinapsi (smanjuje se iii
povecava u zavisnosti da li je sinapsa inhibitorna iii ekscitatoma). Kada se prekoraci
aktivacioni potencijal dolazi do izlazne aktivnosti neurona
Neke neuronske strukture su definisane na rodenju. Drugi delovi se razvijaju
ucenjem.
Ve~tacke neuronske mreze nisu ni priblizno slozene kao ljudski mozak.
Postoj i meduti m dve kljucne slicnosti izmedu biolo~kih i ve~tackih neuronskih mreza.
Prvo gradivni elementi obe mreze su jednostavni elementi medusobno povezani.
Drugo veze izmedu neurona odreduju funkciju mreze.
I ako su biolo~ki neuroni veoma spori u odnosu na elektronska kola mozak je
sposoban da re~ava mnoge zadatke mnogo bi'Ze nego bilo koji konvencionalni

61

Neuronske mreie

kompjuter Zbog brojne paralclne strukture bioloSkih neuronskih mreia svi neuron1
rade u is to \ rcme.

.)

dendriti

akson

Sf..f. 1. St!matski priktc bivlvSkih llt!llrOita

4.3. NEURON 1 MODEL NEURONA. ARHlTEKTURA I UCENJE

VESTACKm NEURONSKJH MREZA

CentraJni nervni sistem je sastavljen od velikog broja neurona. Modeli

veSta\:kih neurona i neuronskih mrei.a su po stepenu slofcnosti i organizaciji daleko
iza neurona i neuronskih mrela koje postoje u ljudskom mozgu.
U JiLeraturi je moguce srest1 vi~c razlicitih modela neurona. S\c modele je
moguce svrstati u dve grupe: staticke i dinamicke. Model statickog veStackog neurona
prikaz_an jc na sl. 4.2.
lzlaz neurona je:
(4. 1)

gde su:

Neuronske mre::c

62
aJpa>2 , ...aJ, -

stati~ke

poja<:nnja po si napsama (tezinski koclicijenti, tezine veza iii

tetine)
b - prag aktivacije

I - aktivaciona funkcija

)'

St.4 2. Modelneurona

Potencijal (aktivacioni signal) ncurona jc:

(4.2)
Ako 5a n o7na~imo:

n=fJ - b

(4.3)

)' =l(n)

(4.4)

lzlaz neuronnjc.

Nelineama funkcija 1 moze da ima razlititc oblike od kojih su neki prikazani

na st. 4.3. Na sl. 4.3. a) i b) prikazane su odskocne funkcije:

l(n)={ l, OS:n

0, nSO

l(n)={

Na sl. 4.3. c) prikazana je lineama funkcija:

l(n)=n.

I, O:S n
-1. n :SO

Neuronske mreze
~1gmoidalna

63

funkcija dataje na sl. 4.3. d)

1

f(n)-- -_
I +e

f
11--- -

-+--- - --- n

-+--- -- -11

a)
-1
b)

d)

c)

S/.4. 3. Nelinearnafw7kcija neurona

Neka neuron sa sl. 4.3 ima tri ulaza. Ako su te>inski koeficijenti i prag aktivacije:
m1 -1, m!= -2 , m1 =0.8 i b=-1.

za p 1 =1.5, p!

=-0.5. pJ =I, dobija se prema 4.3) da je 11 =2.3 .

lzlaz neurona jc:

1 ako sc izabere aktivaciona funkcija kao na sl. 4.3. a)
1 ako je aktivaciona funkcija kao na sl. 4.3. b)
2.3 ako se izabere aktivaciona funkcija kao na sl 4 3 c)
0.909 ako je aktivaciona funkcija kao na sl. 4.3. d).
Veta~ka neuronska mrel.a se fonnira od veceg broja medusobno povezanih
neurona rasporedenih po slojevima. Neuroni su spojem u mrezu tako da izlaz svakog

64

Neurof!Ske mreie

neurona predstavlja ulaz u jedan iii viSe drugih neurona. Jzlazna neuroni generisu
izlazne signale. Ostali neuroni nazivaJu se skriveni (hidden). sl. 4.4.

\-; - -- ~.,()--\

'

)<

\/ 'I

/\ ,I," Q--

__ \.._7_
'

\
\

~ I \

< (

I ' ' ,

/ ,'',

'.~'

ulazni signali

'~,

:~- ----'-~

skri,en i sloj

izlazm sloj izlazni signali

S/ .f../. Veuronska mrca be= f'U\'ratnih

~e::a

Postojc dve klase neuronskih mre!a:

bez povmtnih veza \nerekurentne) - signali se kroz ovakvu mrezu prenose samo u
jednom smeru, od ulaz.a ka izlazu, sl. 4.4.
sa povratnim vczan1a (rekurentne), sl. L5 .
....

- -- ....

ulazni signali
Sf. .f 5. Neuronska nm.!ia so povralnim ve=ama

Rekurentne mrele su blize prirodi. medutim mreie bez povratnih veza imaju
jednostavnu proceduru za uCenje, br1e su 1 daJu zadovoljavajuce rezultate pri
r~avanju velikog broja problema.
Pon~anje neuronske mre~e zav isi od ukupnog broja neurona, od njihove
medusobne povezanosti i tdinsldh koeficijenata. Aktivacione funkcije takode imaju
uticaj na pon~anje neuronske mrefe.

Neuronske mreie

65

U real izovani m neuronskim mretama, na delovanje sredine, one n ajce~ce

reaguju promenom poj a~anj a po sinapsama. Pravila za te promene nazivaj u se
procedurama ucenja. Ucenje mote biti :
off- line (laboratorijsko ucenje), gde se mrei.a obucava van sredine u kojoj ce raditi.
Sredina se simulira skupom podataka za u~enje gde je svaki uzorak predstavljen
parom ulaz-teljeni izlaz. Skup lr~ba izabrati paZljivo tako da Sto vemije predstavlja
pona~anje sredine. Kadaje odziv zadovoljavajuci pojacanja po sinapsama se fiksiraju i
mreza se stavlja u eksploataciju. Posto je skup podataka za ucenje podskup skupa svih
mogucih stanja, od naucene mrete se ocekuje da da taean odziv ukoliko se pobudi
ulazom koji nije bio u skupu za obucavanje. Mreta treba da generalizuje problem.
on- 1ine, gde se mreta stavlja u eksploataciju i ueenje se obavlja na osnovu podataka
koji se dobijaju iz radnog okruzenja.
Procedure ucenja mogu biti staticke i dinamickc. Kod statickih ucenje se
obavlja promenom tei.inskih koeficijenata, a kod dinamickih se menja i arhitektura.
Pri konstrukciji veStacke neuronske mre~e mnoge probleme treba re~i t i koji se
odnose na broj skrivenih slojeva, broj neurona u svakom sloju, izbor aktivacione
funkcijc ncurona , kao i izbor skupa podataka za ucenje.

Glava osma

GENETSKI ALGORITMI. PRIMENA U SJSTEMIMA AU

8.1. UVOD

Genetski algorilam je heuristitka metoda slutajnog i usmerenog pretrazivanja

prostora re~enja koja imitira prirodni evolutivni proces, [20, 2 1]. Osnove genetskih
algoritama je predlozio John Holland 1962. Postoji vi~e tehnika koje se pri r~avanju
problema zasnivaju na Darvinovoj teoriji evolucije. Pored gcnetskih algoritama slicni
pristupi su evolllfhno programiranje, e~olutilfle :,1rategije i gmetsko programiranje.
Svi prl!thodno pobrojani pristupi spadaju u grupu evolulivnih algoritama. Evolutivne
stratcgije imaju puno zajedni~kih osobina sa genetskim algoritmima. Osnovna razlika
izmedu evolutivnih slrategija i genetskih algoritanla j e domen njihove primeoe.
Evolutivni algoritmi se primenjuju za re~avanje razlicilih oplimizacionih
problema: aproksimaciju funkcija, obezbedivanje optimalne potro~nje energije u
nekom procesu pro izvodnje, optimizaciju upita nad bazom podataka, odredivanje
parametara neuronski h mreZa, itd. Evolutivni algoritmi se usp~no primenjuju i pri
projektovanju sistema automatskog upravljanja. Oni , na primer, mogu da se koriste za
odredivanje optimal nih vrednosti parametara PID kontrolera ([22, 23 J i fazi kontrolera.
Evolutivni algoritmi sadr2e:
prostor pretraZ.ivanja
skup mogucih reSenj a problema tj. kandidata za re~enjc
skup genetskih operatora za generisanje novih jedi nki
funkciju cilja kojom se odreduje prilagodenost neke jedinke.

Osnovn i koraci evolutivnog algoritma su:

140

Gene/ski algoritmi i njhova primena u pode.savanju parametara regulatora

l.Generisanje inicijalne populacije

2. Odre<!ivanje funkcije prilagodenosti za svaku jedinku
3. Selekcija jedinki za prezivljavanje na osnovu funkcije prilagodenosti
4. Rekombinacija koja obuhvata ukrstanje i/il i mutacij u
5. Ponavljaju se koraci 2,3.4 dok se ne ispuni kriterijum za zav~etak evolutivnog
algoritma.
U ovoj knjizi analizirana je struktura genetskog algori tma, kao i njegova
primena u re~avanju problema optimizacije. ReSenje problema optimizacije
podrazumeva odredivanje optimuma (maksimuma iii minimuma) realne funkcije
promenljivih xpx1 , ... ,x. nad unapred datim skupom S. Skup S je pri tome reSenje
sistema (lineamih ili nelineamih) jednacina iii nejednacina.

Program optimi:ac:ije:
vptimizovati f(-'i,x~, ...,x.)
ogranicenja:

.1; (x"x~, .... x.) R1 a1

h. (x1,x1 , ... ,x.) R2 a2

/,. (x1 ,x~ .....x.) R,. a,.,

gdc su: R., R1 , ... , Rm E {$. ~. =} .
Ako su f., , h. ,..., /., nul a funkcije program je bez ogranicenja. Funkcije J, f. .
/ 2 , ... , f
.. mogu da budu lineamc i nelincame. Odredivanje
za koje je
funkcija optimaloa mogu da se prim'!ne klasicne metode. Mcdutim ukoliko funkcija f
ima vi~e lokalnih ekslremuma klasicne mctode se uvek krecu prema lokalnom
minimumu iii maksimumu, pri cemu on moze biti j globaln i, ali to ne moze da se
odredi i1. dobijenog rezultata. Genctski algoritmi odreduju polotaj globalnog
optimama u prostoru s vise lokalnh ekstremuma.

x;,x;, ... ,x:

8.2. GENETIKA U PRffiODI

Svi zivi organizmi se sastoje iz celija u kojima se nalazi isti skup hromozoma.
Pretpostavlja se da su sva svojstva jedinke zapisana u hromozomima. Hromozorni se
sastoje iz gena koji prcdsi:JVIjaju blokove DNK. Skup inf01macija koje karakteri~u
jedno sYojstvo z.apisano jc u jedan gen. Svaki gen opisuje pojedinu osobinu organizma
kao ~to je: boja kose i ocij u. o~trin a vida, krvna grupa, boja koze itd. i ima svoj polotaj
u hromozomu koji se naziva lokus. Ukupan skup genetskog materijala se nazi va
genom. Odredeni skup gena u genomu se naziva genotip. U toku reprodukcije dolazi
do rekombinovanja gena roditelja cime se formiraju novi hromozomi. U genetskom
paru geni mogu bili ravnopravni iii neravnopravni, tako da je jedan gen dominantan, a

Genetski algoritmi i njlzova primena u podclavanj u parametara regz1latora

141

drugi recesivan . U neravnopravnom paru dominantan gen odreduje rezultantno

svojstvo, dok se uz ravnopravni par gena dobija svojstvo koje je negde izmedu
svojstava roditelj a. Novi potomak moze da mutira. Mutacija dovod i do mal ih promena DNK elemenata.
Sva svojstva jedinke obi~no su zapisana u nekoliko parova hromozoma.
Covek ima 46 hromozoma odnosno :!3 pam. Radi ilustracije objasnicemo odredivanje
krvne grupe dcteta. (20]. Ona moi.e biti A. B, AB, iii 0. Gen za krvnu grupu moze
imati vrednosti 0, I ii i 2. Genetski parovi koj i se nazivaju genotipima, mogu biti : 00,
I0, I I, 20, 22, 21. OdgovarajuCi fenotipi su:
Genotip
00
10(01) iii II

20(02) iii 12
2 1( 12)

Fenotip
0
A

B
AB

Jasno je da ukol iko oba roditelja imaju AB krvnu grupu dete more da ima A.
B iii AB krvnu grupu u zavisnosti od gena koj i su rekombinovani u procesu
reprodukcije. 1\ko oha roditelja imaju krvnu grupu AB ondaje njihov genotip 21 ii i 12
pa dete nikako ne moze da ima nultu krvnu grupu.
Genetski algoriLam je nastao opon~anjem evolucije. Terminologija i operatori
su preuzeti iz oblasti populacione genetike. Neka vrsta mora da se prilagodava okolini
u kojoj zivi. Svaka slc::dec~ generacija neke vrste mora da parn ti dobra svojstva
prelhodne generacije i da ih menja tako da ostanu dobra u novi m uslovima. Metode
kojima se ncka 'rsta u prirodi transformi~e su uk~tanj e, selekcija i mutacija.

8.3. JEDNOST AVNI GENETSKJ ALGORITAM

Genetski algoritarn imitira evolutivni proces u prirodi . Za evolutivni proces
vafi da ((24]):
postoj i populacijajed inki,
su neke j edinke bolje,
holje jedinke imaju vecu verovatnocu prezivljavanja i reprodukcije,

su svojstva jedinki zapisana u hromozom ima pomocu genetskog koda,

deca nasleduju svojstva roditelja,
nad jed inkom moze delovati mutncija.
Struktura jednostavnog genetskog algoritma prikazana je na slici 8.1.
Na po~etku prora~un a se inicijalizuje populacija tj. odreden broj jcdinki.
lnicijalna populacija se obi~no generiSe sluc.ajnim odabirom reenja iz domena
traienja. Te jedinke se nazivaju hromozomima. Za svako re~enje se odreduje mera

Genetski algoritmi i njhowJ primenu u podesavanju paramelaru regula/ora

142

generisanje inicijalne
populacije
potencijalnih re~enja

proccna
funkcij e cilja

du 1i Jc 1.adovoljcn
usJo, za'<~tka
evolucijskog procesa
(kriterijum optimizacije).

start

gencrisanjc
no,e
populacije

S/. S. J. Stmkwra genets/cog alRoritma

kvalitcta koja se nazi'a dobrota. Funkcija pomocu koje sc ra~una k\ alttet jedinke
naziva se ciljna funkcija iii funkcija dobrote. Po nekom postupku odabirn iz stare
populacije :,c sada formira no'a populacija izd,ajanjcm boljih jedinki. Tokom
sclekcije lo~c jedinke odumiru, a bolje opstaju. Neki clanovi ovc nove populacije
podvrgnuti su uticajima genetskih opcratora koji iz njih formiraju nove jedinke.
Uk~tanjem se prenosc svojstva roditelja na decu. Mutacija stvara novu jedinku menjajuci manji deo genetskog materijala. Kada se zadovolji uslov zaustavljanja, posle
nekog broja generacija. najbolji clan trenutne populacije predstavlja re~enje koje bi
trebalo da bude sosvim blizu oplimalog.