Разработка модели предметной области (магазина продажи смартфонов). Нейронные сети и генетические алгоритмы

Лабораторное задание 1.

Разработайте модель предметной области для решения следующей задачи. Согласно текущей отчетности рентабельность предприятия составляет 27%. Какие рекомендации можно дать для повышения рентабельности на 5%?

Разработку модели проведите в соответствии со следующим алгоритмом:

1.  Определите результирующие понятия, или выходы системы (рекомендации, советы);

А) Увеличение цены;

Б) Уменьшение затрат на рекламу на бумажных носителях;

В) Увеличить затраты на SEO-оптимизацию;

Г) Покупка аксессуаров оптом;

2.  Определите все входные понятия, или факторы, от которых зависит результат работы системы;

А) Текущая себестоимость товара

Б) Количество брака

В) Наличие новинок

Г) Текущая рентабельность

3.  Для рассматриваемых понятий найдите обобщающие и уточняющие понятия, то есть установите иерархию объектов;

Выходные параметры:

1.  Увеличение цены;

2.  Покупка аксессуаров оптом;

3.  Уменьшение затрат на рекламу на бумажных носителях;

4.  Увеличить затраты на SEO-оптимизацию;

Входные параметры:

1.  Наличие новинок

2.  Текущая себестоимость товара

3.  Количество брака

4.  Текущая рентабельность

4.  Рассмотрите все связи и отразите их графически в целом для системы;

 

5.  Уберите (если нужно) лишние объекты и связи или дополните новыми;

6.  Оформите работу в виде отчета.

Лабораторное задание 2.

Для модели предметной области задания 1 разработайте представление базы фактов и базы знаний с использованием продукционных правил, семантических сетей, фреймов.

Приведите пример работы базового цикла механизма вывода.

Продукционная модель.

Ifв меню выбраны смартфоныthenпереходить на вкладку выбора смартфона

Ifвыбран производитель смартфонаthenпереходить на вкладку выбора диапазона цены

Ifвыбрана цена смартфона thenпереходить на вкладку выбора материала корпуса

Ifвыбран материал корпуса thenпереходить на вкладку разрешение экрана

Ifвыбрано разрешение экрана thenпереходить на вкладку объем оперативной памяти

Ifвыбран объем оперативной памяти thenпереходить на вкладку выбора операционной системы

Ifвыбрана операционная система thenпереходить на вкладку выбора цвета

Ifвыбран цвет модели  thenпереходить на вкладку выбора вида кнопок управления

Ifвыбран вид кнопок управления thenпереходить на вкладку выбора количества мегапикселей встроенной камеры

Ifвыбрано количество мегапикселей встроенной камеры thenнеобходимо заполнить дополнительные атрибуты

Ifзаполнены все поляthenнажать на кнопку готово else

Нажать на кнопку выход.

Семантическая сеть

 

Фреймы

Тема 9. Нейронные сети и генетические алгоритмы.

Лабораторное задание 5.

На основе общей схемы типового генетического алгоритма и описания этапов его реализации, постройте собственный вариант генетического алгоритма для решения задачи оптимизации (поиска экстремума функции двух переменных). Алгоритм должен содержать процедуры создания начальной популяции точек (особей), селекции (отбора особей для формирования следующего поколения), кроссинговера (скрещивания), мутации. Выходными данными должны быть координаты наилучшей точки в последнем поколении и значение целевой функции (функции приспособленности) в этой точке. Для реализации алгоритма (написания программного приложения) можно использовать любую среду программирования. Работоспособность программы проверьте на нескольких тестовых функциях (подходящих по количеству переменных, например, на функции Растригина), с заранее найденными точками глобального экстремума.

Для защиты результатов выполнения задания необходимо продемонстрировать работоспособное приложение и представить отчет с блок-схемой алгоритма и кратким описанием основных этапов и конкретных «генетических процедур» (перечислены выше).

1.  Функция приспособленности

 

2.  Количество точек начальной популяции 20;

3.  Интервалы [-3;17];

4.  Экстремум достигается в точке с координатами (-0,33; 0,78).

Функция Растринга

Фенотип х	5,7	3,7	3,5	-2,9	15,4	16,3	6,1	11,4	10,2	0,2	13,7	2,6	12,6	6	3,7	14,8	4,2	0,4	-1,8	12,4
Генотип х	101,10110	11,10110	11,1	1,00011	1111,0110	10000,010011	110,0001100	1011,0110	1010,0011	0,0011	1101,101100	10,10011	1100,1001	110	11,10110	1110,1100	100,0011	0,0110	0,0011	1100,0110
Фенотип у	1,1	2,7	3,1	-2,6	0,2	6,1	-0,5	8	14,8	10,2	6,1	6,6	-2,2	-2,6	2,6	6,9	5,5	7,6	13,9	15,1
Генотип у	1,00011	10,10110011	11,00011	1,01100	0,0011	110,0001100	1,0	1000	1110,1100	1010,0011	110,0001100	110,1001	1,1100	1,01100	10,10011	110,11100110	101,1	111,1001	1101,1110011001100	1111,0001100110011