Перейти к содержанию
Форум интернет-конференций ВолНЦ РАН

Вопросы

Здравствуйте, Екатерина Юрьевна.

С материалами познакомился. Есть некоторые вопросы:

  1. Из того, что я знаю, то архитектура сети Хопфилда используется для процедуры восстановления зашумленных объектов. Можете, пожалуйста, немного пояснить как ее использовать в маршрутизации?
  2. О модели персептронаТоже довольно несложный, но конкретный вариант архитектуры. Можете, пожалуйста, пояснить для чего его применяют при моделировании агентов?

Спасибо :)

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты

7 ответов на этот вопрос

Recommended Posts

  • 0

Здравствуйте, Дмитрий Александрович.

По вопросу о сети Хопфилда.

Сети Хопфилда применяют в решении задач оптимизации, так как функция Ляпунова уменьшается в процессе ее функционирования. Целевую функцию можно рассматривать как энергию сети. Один из алгоритмов, формализующих маршрутизацию в сетях - задача коммивояжера. Она является NP-полной задачей. Компромиссное приближение можно найти с помощью сети Хопфилда.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

О модели персептрона

Для агентов, основанных на модели классической логики, используются персептроны для моделирования логических функций.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

Посмотрел по сети Хопфилда и действительно нашел варианты ее использования в задаче коммивояжера. Для меня это приятная неожиданность :)

По персептрону с Вами согласен. Думаю в том аспекте, который Вы оговорили, можно придумать как его применять. Лично я им двумерные плоскости резал в рамках задачи кластеризации.

У меня есть еще один вопрос. Можете подсказать, где можно посмотреть толковый учебный пример одновременной реализации агентной и нейросетевой концепции? Чтобы, так сказать, можно было потренироваться. Спасибо.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

Есть хорошая статья "Опыт построения гибридной агент-ориентированной модели с нейронными сетями" А. Р. Бахтизин, Н. В. Бахтизина, журнал "Нейрокомпьютеры: разработка, применение", №8, 2010

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

Спасибо. Пригодится.

Кратенько прокомментирую. В рамках теории реализации агентных моделей со встроенными в них нейросетями все довольно ясно и гармонично, но из того, что пока попадалось - на практике все не совсем так )))

При первом знакомстве с данными тематиками в голове сразу возникла мысль о возможности моделирования агентов, способных видоизменяться (посредством нейросетевых алгоритмов) до каких-то незапланированных состояний. Но судя по всему возникают сложности: громоздкость вычислительных процедур и появление в модели агентов не соответствующих реальной действительности.

У Альберта Рауфовича в оговоренной статье, как я понял, нейросети довольно ограниченно введены - в рамках глобального агента "внешняя среда". Сами агенты детерминированы в своем поведении; да и нейросети, возможно, выступают больше не самообучающейся системой, а более точной функцией аппроксимации.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

Добрый день!

Ещё одна интересная работа

https://www.tandfonline.com/doi/epub/10.1080/13873954.2021.1889609?needAccess=true

Проблематика статьи связана с трудностью нахождения правил, адекватно описывающих поведение агентов. Авторы разработали платформу для попытки адекватного агентного моделирования с использованием машинного обучения. Цель исследования - имитировать реалистичный процесс принятия решений. В то время как алгоритм обучения с подкреплением пытается найти оптимальное решение, разработанный фреймворк допускает неоптимальные решения.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты
  • 0

Это тоже мне очень пригодится в докторской ))) Спасибо.

По рабочим вопросам пишите на почту.

Поделиться сообщением


Ссылка на сообщение
Поделиться на другие сайты

Пожалуйста, войдите, чтобы комментировать

Вы сможете оставить комментарий после входа в



Войти

×