English version of this page
На главную страницу
Официальный сайт кафедры Математической теории интеллектуальных систем и
лаборатории Проблем теоретической кибернетики
механико-математического факультета МГУ им. М. В. Ломоносова
На первую страницу сервера Новости Кафедра Сотрудники Учеба Наука Исследования Журнал Культура Полнотекстовый поиск по серверу
 ТДФ Теория дискретных функций – лекции и семинары для студентов 1 курса (II поток)
 Ташкентский филиал Ташкентский филиал МГУ им. М.В. Ломоносова
 Семинары расписание специальных семинаров кафедры МаТИС
 Курсы расписание специальных курсов кафедры, программа курсов
 Практикум cпециальный математический практикум кафедры МаТИС, III курс
 Студенты список студентов кафедры по курсам и группам, расписание занятий, выпускники
 Магистратура информация для поступающих в магистратуру
 Аспирантура информация для аспирантов и поступающих в аспирантуру; списки аспирантов

Перейти к полному списку специальных семинаров кафедры

Модуль 1. Искусственный интеллект и прикладная семиотика

1.1 Введение в математические методы искусственного интеллекта. Краткая история направления. Возникновение вычислительного интеллекта и прикладной семиотики.

1.2 Данные и знания. Абстрактные типы данных. Внутренняя структура знаний. Отличие знаний от данных. Интерпретируемость, структурированность и активность знаний.

1.3 Представление знаний. Использование логических моделей для представления знаний. Ограниченность формальных систем. Системы продукций и их свойства. Семантические сети. Понятие фрейма и сети фреймов.

1.4 Базы, основанные на системах продукций. Различные типы баз в зависимости от вида продукционных систем. Сетевые базы знаний. Использование каузальных сетей в базах знаний. Смешанные базы знаний.

1.5 Открытость баз знаний. Немонотонность процедур представления знаний. Переход от знаний, основанных на булевой логике, к правдоподобным и нечетким знаниям.

1.6 Классические схемы вывода на знаниях. Распространение идей дедуктивного вывода на случай знаний. Требования к знаниям, используемым в схемах дедуктивного типа. Язык Пролог и вывод на знаниях.

1.7 Особенности больших интеллектуальных систем управления. Недостаточность классических моделей управления для больших систем. Принципы семиотического моделирования в системах управления. Описание ситуаций на объекте управления и в управляющей системе. Системы ситуационного управления и области их применения. Примеры систем ситуационного управления.

1.8 Прикладная семиотика. Задачи прикладной семиотики. Языки семиотического типа. Язык RХ-кодов, язык ситуационного управления. Универсальный семантический код. Формальные семиотические системы.

 

Модуль 2. Распределенный ИИ на основе когнитивных агентов. Многоагентные системы

2.1 Введение в многоагентные системы. Терминология многоагентных систем и их основные свойства.

2.2 Теория агентов. Основные предположения. Формальные модели ментальных понятий и правил манипулирования с ними. Теоретико-множественные отношения миров ментальных понятий.

2.3 Коллективное поведение агентов. Мотивация, цели и схемы кооперации и конкуренции агентов. Формальные модели коллективного поведения агентов. Модели координации поведения агентов. Теоретико-игровые модели. Модели планирования коллективного поведения. Модели координации поведения на основе конкуренции. Конфликты в многоагентных системах. Протоколы и языки координации.

2.4 Архитектура многоагентных систем. Архитектура взаимодействия системы агентов. Одноуровневая архитектура взаимодействия агентов. Иерархическая архитектура взаимодействия агентов. Архитектура агента: общая классификация. Архитектура агентов, основанная на знаниях. Архитектура на основе планирования (реактивная архитектура). Примеры архитектур агентов. Многоагентное управление сложными сенсорными системами (стационарными и мобильными).

2.5 Интеллектуальный сенсор как агент робототехнической системы. Особенности централизованного и децентрализованного управления. Задачи мультиагентного управления. Иерархическая декомпозиция глобальной задачи на локальные рабочие задания для интеллектуальных сенсоров. Оптимальное планирование распределения при мультиагентном управлении. Архитектура систем мультиагентного управления.

2.6 Задачи и методы планирования кратчайшего маршрута в среде с препятствиями. Локальная и мультиагентная информации о неизвестных препятствиях. Мультиагентная исследовательская стратегия адаптивного планирования кратчайших маршрутов. Мультиагентная стратегия локально- оптимального адаптивного планирования маршрутов для мобильных сенсорных и робототехнических систем.

2.7 Моделирование среды и программирование коллективных движений. Алгоритм построения модели среды с неизвестными препятствиями. Коллективное движение и способы разрешения конфликтов. Организация коллективного движения по пересекающимся маршрутам с помощью мультиагентных экспертных правил. Футбол роботов – многоагентная среда для исследования группового поведения интеллектуальных роботов на примере систем, представленных на чемпионате мира по футболу роботов Robocup.

2.8 Распределенный ИИ и управление знаниями. Отнологии и многоагентные системы для корпоративных семантических веб-сетей. Мобильные информационные агенты.

 

Модуль 3. Вычислительный ИИ и мягкие вычисления.

3.1 Концепция мягких вычислений. Мягкие вычисления при создании систем искусственного интеллекта. Место мягких вычислений при создании систем вычислительного интеллекта. Мягкие вычисления в гибридных интеллектуальных системах.

3.2 Модели нечетких вычислений. Основные операции над нечеткими множествами. Принцип обобщения и теорема декомпозиции. Нечеткие арифметические операции. Нечеткие меры и интегралы.

3.3 Нечеткие графы и отношения. Свойства нечетких отношений типа 1. Свойства нечетких отношений типа 2. Типы транзитивного замыкания нечетких отношений. Иерархическая кластеризация на основе нечетких отношений.

3.4 Нечеткая логика. Специальная нечеткая логика. Многозначная логика.. Нечеткозначная логика.

3.5 Модели управления неопределенностью и анализ взаимосвязи между ними. Метод факторов уверенности. Субъективный байесовский подход. Вероятностная логика. Вероятностные рассуждения на байесовских сетях. Нечеткая вероятностная логика. Нечеткие лингвистические модели.

3.6 Нечеткие модели вычислений в интеллектуальных системах. Типы, источники и причины возникновения неопределенной информации в ИС. Методы получения функций принадлежности и лингвистических шкал. Извлечение нечетких данных и знаний. Настройка моделей приближенных рассуждений на логику эксперта. Модели управления неопределенностью в продукционном выводе. Нечеткие регуляторы и их приложения.

3.7 Основы искусственных нейронных сетей. Искусственный нейрон. Однослойные и многослойные искусственные нейронные сети. Персептроны. Персептронная представляемость. Линейная разделим ость и преодоление ограничения линейной раз делимости. Алгоритм обучения персептрона.

3.8 Обучение искусственных нейронных сетей. Процедура обратного распространения. Сети встречного распространения. Стохастические нейронные сети. Адаптивная резонансная теория. Нетрадиционные нейронные сети.

3.9 Нечеткие нейронные сети. Оптические нейронные сети. Биологические нейронные сети. Нейросети с хаотическими нейронами.

3.10 Модели вычислении на основе генетических алгоритмов. Традиционные генетические алгоритмы. Марковские модели традиционных генетических алгоритмов. Параллельные генетические алгоритмы. Приложения для параметрической оптимизации.

3.11 Эволюционное программирование. Эволюционные стратегии. Генетическое программирование и его использование для идентификации систем, классификации, управления и распознавания образов.

3.12 Искусственные иммунные системы. Детекторы и пептиды. Сравнение. Негативный отбор. Отбор клонов и соматическая гипермутация. Другие подходы моделирования механизмов иммунной системы. Реализация искусственной иммунной системы применимой для сетевого обнаружения атак

3.13 Гибридные модели вычислений. Основные понятия гибридных интеллектуальных систем Вычислительный интеллект и гибридные модели вычислений в ИИ.. Классификация и перспективы развития . гибридных интеллектуальных систем. Гибридные интеллектуальные системы, основанные на взаимодействии. Полиморфные гибридные интеллектуальные системы.. Инструментальные средства для гибридных интеллектуальных систем.

3.14 Примеры гибридных интеллектуальных систем. Нейро-нечеткие системы. Нейро-генетические системы. Генетико-нечеткие системы. Хаотические нейронные сети.

 

Модуль 4. Интеллектуальные беспроводные сенсорные сети.

4.1 Обзор технологии беспроводных сенсорных сетей

4.2 Обзор основных стандартов передачи данных по радио каналам

4.2.1 Стандарты и диапазоны. Обзор основных стандартов передачи данных в беспроводных сетях. Принципы построения беспроводных сетей. Принципы передачи данных в беспроводных сетях. Преимущества и ограничения

4.2.2 WiFi (802.11). WiMax (802.16). Bluetooth. IEEE 802.15.4. Z-Wave. ZigBee

4.2.3 Маршрутизация в беспроводных сетях. Маршрутизация данных в беспроводных сетях. Существующие проблемы и ограничения. Обзор основных алгоритмов маршрутизации в беспроводных сетях. Сравнительный анализ существующих алгоритмов маршрутизации.

4.3 Введение в стандарт ZigBee. Что такое ZigBee? Структура альянса и принципы работы. Обзор стандарта.

4.4 IEEE 802.15.4 (MAC). Обзор основной функциональности стандарта 802.15.4. Развитие стандарта 802.15.4a & 802.15.4b. Стек протоколов ZigBee. Основные характеристики ZigBee. Применение ZigBee. Архитектура стека ZigBee. Сетевой уровень. Уровень приложения. ZigBee profiles. Безопасность в БСС. Примеры решений

4.5 Обзор TinyOS и NesC. Что такое TinyOS. Обзор языка программирования NesC. Архитектура TinyOS.TOSSIM. Виртуальная машина MateСредства разработки для TinyOS. Средства отладки и тестирования.

4.6 Разработка ПО для TinyOS.: Разработка простых приложений для TinyOS (Blink, Timer). Работа с периферией: UART, SPI, CLK и т.д. Передача данных (на базе MeshNetics kit)

4.7 Принципы построения систем на основе ZigBee сетей. Примеры задач, решаемых на базе ZigBee. Изучение ZDK: аппаратная платформа и программная платформа + API

4.8 Знакомство с продуктами компании Люксофт. Обзор существующих продуктов и решений Люксофт: SecuraVista, InfoView, SensiVista, ZigBee stack, ZDK

 

Модуль 5. Распределенный вычислительный ИИ на основе реактивных агентов. Семиотические основы распределенного ИИ и распределенного вычислительного ИИ.

5.1 Методы распределенной интеллектуальной поддержки принятия решений в сенсорных сетях.

5.2 Распределенные базы данных в сенсорных сетях

5.3 Вложенные методы мягких вычислений в сенсорных сетях (нечеткие системы, нейросети, генетические алгоритмы, искусственные иммунные системы)

5.4 Распределенные базы знаний и языки представления знаний в сенсорных сетях

5.5 Методы обучения и самообучения сенсорных сетях.

5.6 Методы слияния данных и агрегации в беспроводных сенсорных сетях на основе распределенного ИИ

5.7 Интеллектуальные методы маршрутизации и энергосбережения в сенсорных сетях.

5.8 Алгебраическая семиотика распределенной поддержки принятия решений.

5.9 Распределенные семиотические многоагентные системы для когнитивных агентов.

5.10 Распределенные семиотические адаптивные модели в сенсорных сетях (для реактивных агентов).

Наверх

   © 2001-2015 г. Кафедра Математической теории интеллектуальных систем, лаборатория Проблем теоретической кибернетики Написать вебмастеру   
XWare
 Полнотекстовый поиск
 
Только точная форма слов      Выводить по результатов на странице
Rambler's Top100 Рейтинг@Mail.ru