СОЕДИНЕНИЯ АЛГОРИТМОВ

АЛГОРИТМЫ <<--- --->> МЕТОД АНАЛОГИИ в КОМПЬЮТЕРНОЙ ЛИНГВИСТИКЕ

Всякий алгоритм реализует определенную функцию. Но он сам, в свою очередь, может включать в свой состав другие функции и представлять собой ориентированный граф, в узлах которого находятся имена этих функций, а дуги указывают на порядок перехода от одной функции к другой. При этом могут использоваться следующие типы соединений нескольких алгоритмов в один алгоритм:
1)композиция алгоритмов – когда алгоритмы выполняются в определенной последовательности, а результаты выполнения предыдущего алгоритма используются в качестве исходных данных для следующего за ним алгоритма.
2)объединение алгоритмов – когда результаты работы нескольких алгоритмов объединяются в один общий результат.
3) разветвление алгоритмов – когда после выполнения очередного алгоритма есть возможность перехода к одному из нескольких алгоритмов в зависимости от выполнения тех или иных условий.

В теорию алгоритмов на равных правах с понятием алгоритма входит еще и понятие исчисления. Понятие исчисления отражает и обобщает интуитивное представление об индуктивном порождении множества. Грубо говоря, исчисление есть конечный список “разрешительных” правил, называемых также порождающими правилами или правилами вывода. Эти правила разрешают переходить от одних конструктивных объектов к другим (в то время как правила алгоритма повелевают совершать такие переходы). Подобно тому, как алгоритм задает алгоритмический или вычислительный процесс (т. е. процесс работы алгоритма), каждое исчисление задает исчислительный, или порождающий, процесс, т. е. процесс работы исчисления. Этот процесс разбивается на отдельные шаги. Каждый шаг состоит в получении нового объекта из уже полученных к началу этого шага объектов; получение нового объекта осуществляется путем применения “разрешительного” правила, входящего в данное исчисление. Объекты, к которым применяется правило, называются его посылками.

И в логике, и в теории алгоритмов существуют так называемые алгоритмически неразрешимые проблемы – т. е. такие проблемы, которые в принципе не могут быть решены путем построения алгоритмов. Но если даже какая-то сложная проблема алгоритмически разрешима, то это вовсе не означает, что практически она может быть легко решена. В этой связи в последнее время среди исследователей и разработчиков сложных систем утвердилось мнение, что при решении ряда задач следует предпочесть алгоритмическому подходу – “подходу, основанному на правилах” (rule based approach), другой подход – “подход, основанный на примерах” (example based approach). При “подходе, основанном на примерах”, опираются на принцип аналогии. Хотя здесь также применяются алгоритмические средства (куда от них денешься, если задача решается на ЭВМ – на “универсальной алгоритмической машине”!), но при этом не создаются алгоритмы, раскрывающие “внутренние механизмы” решения задач. Вместо них используются прецеденты - эмпирические данные, полученные ранее в аналогичных ситуациях.

Важным направлением применения “подхода, основанного на примерах” являются нейронные сети. Основным структурным элементом нейронной сети является модель нейрона - нервной клетки животных. Каждый нейрон имеет много входов и один выход. Входы нейронов имеют разные пороги чувствительности, которые могут изменяться в процессе “обучения” нейронной сети. Обучение ведется на специально подобранных для этой цели примерах. Результатом обучения является такое распределение порогов чувствительности входов нейронов, которое обеспечивает порядок прохождения сигналов по сети, необходимый для решения поставленной задачи.