MATHEMATICAL MODELS AND APPROACHES TO SOLVING OPTIMIZATION PROBLEMS OF ARTIFICIAL INTELLIGENCE

Authors

DOI:

https://doi.org/10.32782/KNTU2618-0340/2021.4.1.24

Abstract

The optimization problems of artificial intelligence include the problems of recognition (images, speech), the problems of clinical diagnosis, comparison of texts on plagiarism, automatic translation of texts from one language to another, classification and more. To implement problems in an automated way, it is necessary to adequately formulate their mathematical model. Although many papers have been devoted to this problem, a precise mathematical formulation that would allow algorithms to be developed that are effective in solving them has not yet been developed. Also, the objective function is not simulated explicitly for them. In addition, the resulting global solution for the modeled objective function does not always coincide with the purpose of the study. This is due to the fact that characteristic feature these problems is the presence of a situation of uncertainty, which complicates both their modeling and resolution.

Various approaches are used to model problems of this class, in particular stochastic, logical-linguistic methods, Markov models, linear integer programming, pattern recognition theory, neural networks. To solve them, a fast method of spreading constraints and heuristic methods are used. Heuristic algorithms are usually understood as ways of making decisions similar to how a person does it, and built on intuitive reasoning based on previous experience. The use of heuristic algorithms is widespread in problems of recognition of different nature. For many practical problems, these algorithms are almost the only possible way to obtain a satisfactory solution in real time.

Much of the applied problems of artificial intelligence in the process of solving them require a search for options, which indicates their combinatorial nature. Therefore, these problems are reduced to the problems of combinatorial optimization. Known modeling methods do not always explain combinatorial nature of artificial intelligence problems. In this paper, mathematical models using combinatorial optimization theory are constructed for some problems of this class. It is shown that the argument of the objective function are combinatorial configurations of various types.

До оптимізаційних задач штучного інтелекту відносять задачі розпізнавання (образів, мовлення), задача клінічної діагностики, порівняння текстів на плагіат, автоматичний переклад текстів з однієї мови на іншу, класифікація тощо. Для реалізації цих задач автоматизованим способом необхідно адекватно сформулювати їхню математичну модель. Незважаючи на те, що цій проблемі присвячено багато робіт, точної математичної постановки, яка б дала змогу розробляти ефективні для їхнього розв’язання алгоритми, ще не розроблено. Також для них не змодельовано цільової функції в явному вигляді. До того ж одержаний глобальний розв’язок за розробленою цільовою функцією не завжди збігається з метою дослідження. Це пов’язано з тим, що характерною особливістю цих задач  є наявність ситуації невизначеності, що ускладнює як їхнє моделювання, так і розв’язання.

Для моделювання задач цього класу використовують різні підходи, зокрема стохастичні, логіко-лінгвіністичні методи, моделі Маркова, лінійне цілочислове програмування, теорію розпізнавання образів, нейронні мережі. Для їхньго вирішення використовують швидкий метод розповсюдження обмежень, евристичні методи. 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. Використання евристичних алгоритмів поширене в задачах розпізнавання різної природи. Для багатьох практичних проблем ці алгоритми чи не єдино можливий шлях для отримання задовільного рішення в реальному часі.

Значна частина прикладних задач штучного інтелекту в процесі їхнього розв’язання потребують перебору варіантів, що вказує на їхню комбінаторну природу. Тому ці задачі зводяться до задач комбінаторної оптимізації. Відомі методи моделювання не завжди пояснюють перебірну природу задач штучного інтелекту. У даній роботі для деяких задач цього класу побудовано математичні моделі з використанням теорії комбінаторної оптимізації. Показано, що аргументом цільової функції є комбінаторні конфігурації різних типів.

References

Chlezinger, М.I., & Glavath, V. (2004). Desjat lektsi’j po statistitheskomu i strukturnomu raspoznavaniju. Kiev: Naukova dumka.

Vintsuk, Т.К. (1987). Analiz, racpoznavanije i interpretatsija rethevyx signalov. Kiev: Naukova dumka.

Mysyk, А.V. (2004). Analiz odnovymirnyx ta dvovymirnyx diagnostychnyx danyx metodamy shtuchnyx nejronnyx merezh. (Extended abstract of Ph.D thesis). Хаrkiv.

Savin, А. N., Timofeeva, N.Е., Geraskin, А.S., & Mavljutova, JU.А. (2017). Razrabotka sistemy raspoznavanija rethi na osnove skrytyx markovskix modele’j otdelnyx slov. Izv. Sarat. un-та. Nov. ser. Ser. Маtемаtikа. Мехаnika. Informatika. 17, 4, 452–464.

Tymofiieva, N.K. (2015). Pro metody kombinatornoji optymizathiji, thо gruntujutsja na rozpiznavanni vxidnoji informathiji, evrystychni algorytmy ta obthysljuvalny’j intelekt. Visnyk Vinnythkogo politexnichnogo instytutu. 2, 106–111.

Skobthov, Ju.А., & Fedorov, Е.Е. (2013). Metaevristiky: monografija. Donethk: Noulidzj.

Tymofiieva, N.K. (2007). Teoretyko-chyslovi metody rozviazannia zadach kombinatornoi optymizatsii. (Extended abstract of Doctor’s thesis). Kyiv.

Published

2021-08-15

How to Cite

TYMOFIJEVA, N. . (2021). MATHEMATICAL MODELS AND APPROACHES TO SOLVING OPTIMIZATION PROBLEMS OF ARTIFICIAL INTELLIGENCE. APPLIED QUESTIONS OF MATHEMATICAL MODELLING, 4(1), 224-230. https://doi.org/10.32782/KNTU2618-0340/2021.4.1.24