Баннов В.Я., Донской Д.А., Слепцов Н.В., Трусов В.А.

ЭВОЛЮЦИОННАЯ ИНФОРМАТИКА И УЧЕБНЫЙ ПРОЦЕСС

Прошедшее за последние 10 – 15 лет становление информатики как одной из базовых дисциплин современ-

ного образования происходило и проходит в условиях резко отличных от условий развития других дисциплин.

Эти условия по ряду обстоятельств намного более критичны для закладки и формирования базиса информа-

ционного образования. Часто они создают серьезнейшие проблемы, решение которых может представляться на

том или ином отрезке времени главным для формирования информатики как учебной дисциплины. Даже простой

перечень этих проблем может показать реальный уровень их сложности: это и состояние технической базы –

собственно вычислительной техники массового применения, средств и систем cвязи, обеспечивающих полно-

ценную эффективную работу, уровень учебно – методического обеспечения педагогического процесса, в том

числе уровень квалификации преподавателей, доступ к современным программным средствам, качество элек-

тронных средств обучения.

К этому стандартному списку автоматически добавляются реальные условия информационной индустрии: вы-

сокие скорости развития – и старения программно – аппаратных средств, короткие сроки внедрения, интен-

сивный ритм использования и обновления высокоспециализированных программных средств и т.д. Такие обсто-

ятельства соединяются с особенностью информатики как междисциплинарной области знания, которая требует

как для своего существования, так и для практики преподавания неразрывной связи с набором дисциплин

физико математического цикла, практика преподавания которых в последние годы все чаще сталкивается с

трудностями, объективно порождаемыми кризисными тенденциями в отечественном образовании.

На подобные обстоятельства накладываются и особенности развития того круга научно – технических дис-

циплин, которые собственно и объединяются условным термином «информатика». По сути он сложился и разви-

вается как нечто единое в последние полвека - чрезвычайно краткий срок для становления любой отрасли

знаний, особенно если учесть то количество резких смен представлений, направлений развития, идей, какие

можно было наблюдать за этот период. Вполне можно сказать, что наиболее характерной особенностью инфор-

матики было, при неизменном сохранении цели – автоматической обработки данных, постоянное изменение

всех ее черт, свойств, методов и приемов.

До относительно недавнего времени также неизменным оставался и базовый принцип функционирования тех-

нической основы информационной индустрии – процессорного элемента, обеспечивающего реализацию вычисле-

ний с помощью элементарных команд над данными из оперативной памяти. Реализуемая с его помощью схема

вычислений является классической, общепринятой, но тем не менее подвергаемой, начиная с момента появле-

ния вычислительной техники, вполне обоснованной критике за невозможность эффективной реализации ряда

процедур. В настоящее время пришло понимание того, что вычислительные системы могут строиться на других

принципах или, что с практической точки зрения более очевидно, должны сочетать в себе черты как класси-

ческих последовательностных вычислительных сред с архитектурой фон Неймана, так и распределенных схем

обработки данных, где алгоритмы вычислений формируются главным образом за счет создания связей и изме-

нения некоторых характеристик этих связей, в том числе и во времени.

Нетрадиционные подходы к построению вычислительных сред анализируются и разрабатываются достаточно

давно, например, достаточно активно развивается теория эволюционных вычислений, теория искусственных

нейронных сетей (ИНС) и нейровычислений, осуществляются проекты по аппаратной реализации подобных си-

стем. Основным результатом исследований в этом направлении можно назвать то, что данный вид вычисли-

тельных систем к настоящему времени воспринимается не заменяющим, а дополняющим традиционные.

ИНС обладают свойствами универсальной вычислительной среды и позволяют осуществить любые вычисления,

однако наиболее эффективно их использование для слабоформализуемых задач, задач распознавания образов,

нечетко сформулированных задач. Широкому развитию идей нейрокомпьютинга способствовало развитие про-

граммных эмуляторов ИНС на машинах стандартной архитектуры всех типов от персональных до суперЭВМ, по-

скольку особенности ИНС таковы, что даже при программной эмуляции решение целых классов задач оказыва-

ется крайне эффективным (выигрыш по быстродействию даже в таких условиях идет на порядки).

Можно говорить об ИНС а как о современной технологии обработки данных, требующей осмысления ее основ

и формирования базовых принципов ее внедрения в учебный процесс.

Дело в том, что возможности ИНС блестяще продемонстрированы на ряде классов проблем, но применяемые

методы формального представления ИНС отличаются громоздкостью и полностью закрывают содержательный ас-

пект решаемой задачи. Это связано с особенностями развития математических методов и невозможностью за

короткий срок создать вполне адекватные средства представления и описания.

Однако базовая проблема преодоления сложностей формально – логического представления ИНС в учебном

процессе требует по большому счету отказа от современного способа формального описания ИНС по следующим

причинам:

ИНС изначально не подразумевают фазы анализа при построении модели отображаемого процесса, решаемой

задачи и т.д., они являются существенно синтетическим, а не аналитическим подходом. Конечно, и здесь

остается понятие шаблона, и здесь синтез модели сводится к параметрической оптимизации шаблона, скон-

струированного по базису активационных функций нейронов. Но при этом задача формулируется для всей сети

в целом, исходя из этого и объект исследуется сразу целиком, и не в очищенных ситуациях, а в тех режи-

мах, которые нас интересуют в практическом плане.

Иными словами, адекватное изложение принципов, реализующих современные достижения информационных

технологий, требует новых средств. Требованиям к представлению и работе с подобными функциональными

инвариантами соответствуют методы т.н. эволюционного программирования и генетические алгоритмы (ГА).

Привлекательными чертами этого подхода является возможность его применения к задачам адаптации и опти-

мального управления, в том числе оптимизации вычислительной структуры, производящей обработку и одно-

временно оптимизации сгенерированной структуры (в нашем случае - ИНС ) за счет эффективной настройки

весов [2,3].

Само понятие ГА сложилось исторически, поскольку понятия и операторы, аналогичные используемым в ГА,

могли быть привлечены не только из микробиологических исследований, но и из анализа языковых явлений

или изобретательской деятельности. Тем не менее, для решения задач адаптации и оптимизации в искус-

ственных системах были интерпретированы принципы действия биологических механизмов.

ГА заимствуют из биологии:

понятийный аппарат;

идею коллективного поиска экстремума при помощи популяции особей;

способы представления генетической информации;

способы передачи генетической информации в череде поколений;

идею о преимущественном размножении наиболее приспособленных особей.

Методологическая основа ГА базируется на гипотезе селекции, формулируемой следующим образом: чем вы-

ше приспособленность особи, тем выше вероятность того, что в потомстве, полученном с ее участием, при-

знаки, определяющие приспособленность, будут выражены сильнее. Не менее важную компоненту ГА, чем стра-

2

тегию отбора в родительскую группу, играет стратегия элиминирования, обеспечивающая отказ от неприспо-

собленных и в силу этого неэффективных особей.

Вектора переменных, описывающих анализируемую систему, в ГА записывают в виде цепочек символов, по-

добно тому, как природный хромосомный материал представляет собой линейную последовательность различных

комбинаций четырех нуклеотидов, иначе говоря, каждая переменная кодируется определенным фрагментом хро-

мосомы, состоящим из фиксированного количества генов.

Воздействуя с некоторой вероятностью на генотипы родительских особей, генетические операторы, с од-

ной стороны, обеспечивают передачу потомству жизненно важных признаков, а с другой - поддерживают на

протяжении эволюционно значимого периода достаточно высокий уровень его изменчивости. Получение в попу-

ляции новых, отличных от родительских, признаков открывает для популяции дополнительные возможности для

адаптации, т.е. способствует сохранению его поисковой способности.

Динамика численности популяции позволяет оценить ее приспособленность к среде. В качестве универ-

сального критерия приспособленности к сложившимся условиям выступает коэффициент размножения, усреднен-

ный по популяции. Воспроизводство в пропорции к достигнутому качеству является базовым положением, ко-

торое может быть обобщено с целью сделать план формирования выборок - или репродуктивные планы - приме-

нимыми к любой задаче оптимизации.

Представленные соображения никак не ограничивают выбор различных стратегий на скрещивание и элимини-

рование, выбор порядка и интенсивность воздействия генетических операторов.

Поскольку аналитические методы исследования условий и скорости сходимости ГА наталкиваются на серь-

езные проблемы, разработана целая система тестовых задач, призванных выявить относительную эффектив-

ность различных версий ГА. На них же производилось сравнение ГА с другими методами и доказана уникаль-

ность этого подхода для решения задач глобальной оптимизации.

При всей внешней простоте замысла ГА и эволюционные методы требуют значительных усилий при настройке

на конкретную задачу. При этом, по-видимому следовало бы говорить не о сложности применения ГА вообще,

а об адекватности уровней сложности алгоритма ( в нашем случае - используемого подхода ) и решаемой

задачи.

Таким образом, введение в учебный процесс основных понятий перспективной базы вычислительных средств

закономерно влечет необходимость изучения дополнительного круга вопросов, связанных с возможными мето-

дами эффективного описания способов работы с данными средствами. Без такого комплексного подхода усилия

по модернизации учебного процесса в области информатики не дадут существенной отдачи и воспроизведут

ситуацию начального периода внедрения информатики в учебный процесс 80 – начала 90 годов со всеми из-

вестными просчетами и недостатками.

ЛИТЕРАТУРА 1. Донской Д.А.Нейрокомпьютерные технологии в обучении информатике: -М.:МГОПУ им.

М.А. Шолохова, 2004.

2. Донской Д.А., Слепцов Н.В., Щербаков М.А.Методы искусственного интеллекта: и с-

кусственные нейронные сети: - Пенза: ПГУ, 2006.