Artificial Intelligence Heuristic for Combinatorial Routing Problem

R. Dhanalakshmi, T. Arunkumar, P. Parthiban, K. Ganesh
2009 Journal of Information Technology Research  
Міжнародний науково-навчальний центр інформаційних технологій та систем НАН та МОН України ТЕОРІЯ КОМБІНАТОРНОЇ ОПТИМІЗАЦІЇ ТА ЗАДАЧІ ШТУЧНОГО ІНТЕЛЕКТУ Багато задач штучного інтелекту моделюються з використанням теорії комбінаторної оптимізації. Це пов'язано з тим, що переважна їхня частина при знаходженні оптимального розв'язку потребує перебору варіантів. Перебірним же задачам властива комбінаторна природа. Для задач розпізнавання та сегментації мовленнєвого сигналу, клінічної діагностики
more » ... чної діагностики наведено математичні моделі, які побудовані в рамках теорії комбінаторної оптимізації. Показано, що в задачах цього класу комбінаторні конфігурації можуть бути як аргументом цільової функції, так і вхідними даними. Ключові слова: штучний інтелект, комбінаторна конфігурація, комбінаторна оптимізація, цільова функція, розпізнавання та синтез мовленнєвих сигналів, клінічна діагностика. Н.К. ТИМОФЕЕВА Международный научно-учебный центр информационных технологий и систем НАН и МОН Украины ТЕОРИЯ КОМБИНАТОРНОЙ ОПТИМИЗАЦИИ И ЗАДАЧИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Многие задачи искусственного интеллекта моделируются с использованием теории комбинаторной оптимизации. Это связано с тем, что подавляющая их часть при нахождении оптимального решения требует перебора вариантов. Переборным же задачам свойственна комбинаторная природа. Для задач распознавания и сегментации речевого сигнала, клинической диагностики приведены математические модели, построенные в рамках теории комбинаторной оптимизации. Показано, что в задачах этого класса комбинаторные конфигурации могут быть как аргументом целевой функции, так и входными данными. Ключевые слова: искусственный интеллект, комбинаторная конфигурация, комбинаторная оптимизация, целевая функция, распознавание и синтез речевых сигналов, клиническая диагностика. The problems of artificial intelligence are complex in nature and not always subject to formalization. But many of the applications of this class are reduced to combinatorial optimization problems. This is due to the fact that their predominant part in finding an optimal solution requires the parsing of options. The parsing problems is characteristic of combinatorial nature. This property can be investigated by simulating the specified problems 161 ПРИКЛАДНІ ПИТАННЯ МАТЕМАТИЧНОГО МОДЕЛЮВАННЯ №2, 2018 р. in the framework of the theory of combinatorial optimization. For their modeling it is necessary to determine the type of these problems (static or dynamic), to determine the argument of the objective function (combinatorial configuration), to modeling the objective function. As the system analysis shows, combinatorial configurations in problems of this class can be both an argument of the objective function and input data. Also, the development of intelligent systems requires the formalization of human natural intelligence, that is, it is necessary to describe the processes of natural thinking and answer the question: can it be simulated. The article gives a classification of natural intelligence, which is developed taking into account the situation of uncertainty. To this end, certain types of uncertainties that arise in solving applied problems of artificial intelligence are considered. The construction of mathematical models of problems of artificial intelligence using the theory of combinatorial optimization is shown on the example of recognition and segmentation of speech signals and clinical diagnostics. It is stated that they are divided into subproblems, which are solved by independent algorithms in the iterative mode. Such a computational scheme is characteristic of hybrid algorithms. By the argument of the objective function the problems of speech recognition and clinical diagnosis -similar to each other. The use of combinatorial optimization theory for modeling the problems of artificial intelligence allows us to establish their combinatorial nature, to formulate the objective function explicitly, to identify the characteristic features that determine the similarity of these problems. The conducted researches allow to reveal the reason of uncertainty of various kinds that arises in the process of their solution, and to explain the nature of the fuzziness of the input data. Постановка проблеми Задачі штучного інтелекту складні за своєю природою та не завжди піддаються формалізації. Моделювання задач різних класів як з комбінаторної оптимізації так і штучного інтелекту полягає в побудові такої моделі, яка адекватно описує поставлену задачу, виявляє характерні її властивості та допомагає розробляти для їхнього розв'язання ефективні методи та алгоритми. Як показують дослідження прикладних задач із штучного інтелекту переважна їхня частина при знаходженні оптимального розв'язку потребує перебору варіантів. Перебірним же задачам властива комбінаторна природа. Тому задачі цього класу зводяться до задач комбінаторної оптимізації. Аналіз останніх досліджень та публікацій за темою До штучного інтелекту, як правило, відносять задачі, пов'язані з розпізнаванням образів [1], звукових (мовленнєвих) сигналів [2], медициною тощо [3, 4]. Для моделювання задач цього класу використовують стохастичні, логіко-лінгвіністичні методи, моделі Маркова, лінійне цілочислове програмування, теорію розпізнавання образів. Швидкий метод розповсюдження обмежень досить інтенсивно використовується при розв'язанні оговорених задач [5]. Але відомі методи моделювання не завжди пояснюють природу цих задач, не дозволяють сформулювати цільову функцію в явному вигляді. В задачах штучного інтелекту при прийнятті оптимального рішення досить часто використовуються методи, які класифікують як евристичні [6]. Під евристичними алгоритмами, як правило, розуміють способи прийняття рішень подібні до того, як це робить людина, та побудовані на інтуїтивних міркуваннях, що спираються на попередній досвід. До них відносять підходи, які складно формалізувати та неможливо довести їхню точність. Використання
doi:10.4018/jitr.2009010102 fatcat:uqujwaqgdrd6bmffngl5l5wgma