Методы построения конечных автоматов на основе ...

9спуска. Так как метод имитации отжига не дает существенного улучшениярезультатов по сравнению с генетическими алгоритмами [8, 124], амуравьиные алгоритмы более приспособлены для задач, в которыхрешением является путь в графе, то для решения задачи построенияконечных автоматов обычно применялись эволюционные алгоритмы иметод спуска.Подобные идеи возникали у ряда исследователей. В 1962 г.Л. Фогель занялся изучением интеллектуального поведения индивида и егоразвития в процессе эволюции [52]. При этом поведение индивидазадавалось конечным автоматом. Продолжая данные исследования,Л. Фогель, А. Оуэнс и М. Уолш предложили в 1966 г. схему эволюцииконечных автоматов, решающих задачи предсказания [53].При решении задачи каким-либо из методов поисковой оптимизациинеобходимо описать задачу в терминах множества допустимых решений(пространства поиска) и функции приспособленности. Для задачипостроения управляющих конечных автоматов множеством допустимыхрешений является множество автоматов с заданными событиями,входными переменными и выходными воздействиями и числом состоянийне больше заданного. Функция приспособленности зависит от задачи,которую должен решать автомат, и должна характеризовать качество еерешения.Генетические алгоритмы ведут поиск оптимальных решенийпараллельно в нескольких точках пространства поиска. Вначалеслучайным образом генерируется некоторое число решений (особей),образующих начальное поколение. Далее, особи этой популяциискрещиваются и мутируют, формируя новое поколение. Скрещивание(кроссовер, рекомбинация) – фундаментальная операция в генетическихалгоритмах, позволяющая производить обмен «генетическим материалом»между особями. Мутация – не менее важная составляющая, она позволяет