Естественный отбор в природе

Научное направление, связанное с разработкой экспертных систем, развивается очень успешно. Сегодня существует много разнообразных
программных средств, помогающих людям обрабатывать именно знания, а не просто информацию.
Главные проблемы в создании экспертных систем связаны с инженерией знаний - извлечением из большого объема знаний немногочисленных
фактов и правил, их структурированием и построением из них экспертной системы. В извлечении и структурировании помощь эксперту
оказывает инженер знаний. Этот инженер лучше, чем эксперт владеет формальными правилами организации знаний в систему, но не владеет
специфическими для области экспертизы знаниями и терминологией. Эти различия в знаниях, навыках и терминологических уровнях не
позволяют коллективу эксперт-инженер сразу сконструировать систему на уровне, достаточном для решения проблем. Их работа над
прояснением и развитием системы связана со взаимным обучением. Наиболее важным в этом процессе является освоение экспертом
приемов структурирования домена знаний, определения и формализации основных концепций домена.
Различные техники извлечения из словесного материала внутренних когнитивных процессов разрабатываются в рамках клинической
психологии. Эти техники могут быть использованы для преодоления когнитивных защит, скрывающих основы деятельности эксперта.
В прошлом задача извлечения репертуарной решетки требовала квалифицированного психолога, который мог бы обрисовать конструкты
личности другого человека, не внося туда собственные представления и идеи. Эта задача решалась различными путями. Появление недорогих
персональных компьютеров сделало возможным создание программ, облегчающих автоматическое извлечение конструктов.
1. Генетические алгоритмы
1.1. Естественный отбор в природе
Эволюционная теория утверждает, что каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим
образом приспособиться к окружающей среде. В процессе эволюции многие виды...

В последние годы, реализовано много генетических алгоритмов и в большинстве случаев они мало похожи на описанный генетический
алгоритм. По этой причине в настоящее время под термином "генетические алгоритмы" скрывается не одна модель, а достаточно широкий
класс алгоритмов, подчас мало похожих друг от друга. Исследователи экспериментировали с различными типами представлений, операторов
кроссовера и мутации, специальных операторов, и различных подходов к воспроизводству и отбору.
Хотя модель эволюционного развития, применяемая в генетических алгоритмах, сильно упрощена по сравнению со своим природным аналогом,
тем не менее, генетические алгоритмы являются достаточно мощным средством и могут с успехом применяться для широкого класса
прикладных задач, включая те, которые трудно, а иногда и вовсе невозможно, решить другими методам.
Однако, генетические алгоритмы, как и другие методы эволюционных вычислений, не гарантирует обнаружения глобального решения за
полиномиальное время. Генетические алгоритмы не гарантируют и того, что глобальное решение будет найдено, но они хороши для поиска
"достаточно хорошего" решения задачи "достаточно быстро". Там, где задача может быть решена специальными методам, почти всегда такие
методы будут эффективнее генетических алгоритмов и в быстродействии и в точность найденных решений. Главным же преимуществом
генетических алгоритмов является то, что они могут применяться даже на сложных задачах, там, где не существует никаких специальных
методов. Даже там, где хорошо работаю существующие методики, можно достигнуть улучшения сочетанием их с генетическими алгоритмами.