Algorytmy heurystyczne i ewolucyjne

Prace dotyczą heurystycznych i ewolucyjnych algorytmów rozwiązywania problemów kombinatorycznych. Problemy takie występują w wielu dziedzinach zastosowań. W algorytmach używane są pojęcia zaczerpnięte ze sztucznej inteligencji, biologii, matematyki oraz nauk przyrodniczych i fizycznych. Badane są systemy mrówkowe w kontekście problemu komiwojażera oraz problemów dostawy oraz połączeń autobusowych. Szczególną uwagę zwrócono na polityki generacyjne polepszające sprawność systemów mrówkowych. Przykładami takich polityk są strategie lidera oraz elity będące modelami rzeczywistych zachowań mrówek. Ponadto rozwiązywany jest problem dostawy, który redukuje się do NP-zupełnego problemu podziału zbioru, za pomocą różnych algorytmów, np. k-optymalnego, poszukiwania tabu, symulowanego wyżarzania. We wszystkich tych algorytmach stosuje się przeszukiwanie sąsiedztwa, które z natury ma charakter probabilistyczny. Sposób, w jaki definiuje się strukturę sąsiedztwa oraz wprowadzania randomizacji wpływa istotnie na sprawność algorytmów. Innym kierunkiem badań jest programowanie genetyczne. W tym względzie badany jest wpływ gramatyk opisujących generowane programy na sprawność programowania genetycznego.

Sieci neuronowe w systemach diagnostyki medycznej z zastosowaniem sztucznych zbiorów danych

Ostatnio prowadzone są różne eksperymenty dotyczące wyboru sieci neuronowej pracującej jako moduł podejmowania decyzji w diagnozowaniu zaburzeń chodu. Interfejs diagnostyczny pozwala korzystać użytkownikowi z różnych narzędzi analizy choroby. Narzędzia te korzystając z rozkładu obciążeń i ciśnień stopy uwzględniają indywidualne cechy charakterystyczne stania i chodu pacjenta. Opcje wizualizacji pomagają użytkownikowi w postawieniu diagnozy. Proces ten jest ułatwiony dzięki zaimplementowaniu kilku metod filtracji rekordów pomiarowych. Badane metody wyboru oraz trenowania sieci neuronowej pokazują, jak pokonać trudność ograniczonej liczby dostępnych rekordów pomiarowych w zwiększeniu efektywności algorytmów wnioskowania.

Pierwszy krok rozpoznania choroby dotyczy statycznej części rekordu pomiarowego. Na jej podstawie użytkownik może poczynić wstępne założenia odnośnie diagnozy, tj. jej zgrubną estymację, czyli klasę choroby stopy. W większości przypadków choroba kształtu stopy jest widoczna na statycznej mapie odcisku stopy, można również określić jej rzeczywiste źródło. Ostatecznej konkluzji należy szukać w dynamicznej części rekordu przez analizę sposobu chodu pacjenta. Odstępstwa od normy w rozkładzie czasowym cyklu chodu pozwalają użytkownikowi na sformułowanie przyczyn będących źródłem problemów pacjenta. Eksperymenty przeprowadzono na podstawie sieci neuronowych trzech typów: z propagacją wstecz (PW), w której stosuje się nauczanie nadzorowane; z hybrydową przeciwpropagacją (PP), w której używa się nauczania nadzorowanego i nienadzorowanego; w sieci, w której używa się jedynie nauczania nienadzorowanego. Badania pokazały, że korzystając z zalet podejść PW i PP można dokonać implementacji systemu automatycznego podejmowania decyzji. Badania były prowadzone dla dwóch klas chorób neurologicznych: choroby Parkinsona oraz niedowładów po udarze mózgu. Możliwe jest także przeprowadzenie badań dla innych chorób neurologicznych, jak np. rwa kulszowa.

[Drukuj]