Дисциплина «ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ»
1. Классификация
интеллектуальных информационных систем.
2. Модели представления
знаний.
3. Нечеткие знания и нечеткая
логика.
4. Нейронные сети с прямой
связью.
5. Мультиагентные системы.
1. Классификация интеллектуальных информационных систем.
Интеллектуальные информационные системы (ИИС) – результат развития обычных информационных систем (ИС), которые сосредоточили в себе наиболее наукоемкие технологии с высоким уровнем автоматизации не только процессов подготовки информации для принятия решений, но и самих процессов выработки вариантов решений, опирающихся на полученные ИС данные.
ИИС можно классифицировать по разным основаниям, например:
- по областям применения (ИИС-менеджера, ИИС для анализа инвестиций,
ИИС для налогообложения);
- по степени интеграции с другими программными средствами,
используемыми на предприятии (автономные, сопрягаемые интерфейсом,
интегрированные);
- по оперативности (статические, квазидинамические,
реального времени);
- по адаптивности (обучаемые,
настраиваемые);
- по используемой модели знаний (метод резолюций исчисления предикатов, фреймовые, продукционные, семантические сети, нейросетевые, нечеткие системы и выводы).
ИИС особенно эффективны в применении к слабоструктурированным задачам, в которых отсутствует строгая формализация и для решения которых применяются эвристические процедуры, позволяющие в большинстве случаев получить решение. По мере совершенствования принципов логического и правдоподобного вывода, применяемых в ИИС за счет использования нечеткой, модальной, временной логики, байесовских сетей вывода, ИИС начинают проникать в высокоинтеллектуальные области, связанные с разработкой стратегических решений по совершенствованию деятельности предприятий.
Включение в состав ИИС классических экономико-математических
моделей, методов линейного, квадратичного и динамического программирования
позволяет сочетать анализ объекта на основе экономических показателей с учетом
факторов и рисков политических и внеэкономических факторов, оценивать
последствия полученных решений.
Классификация ИИС может быть выполнена на основании
признаков:
- по коммуникативным способностям (интеллектуальности
интерфейса): интеллектуальные БЗ, естественно-языковой интерфейс,
гипертекстовые системы, контекстные системы помощи, когнитивная графика;
- по решению сложных задач: классифицирующие системы,
доопределяющие системы, трансформирующие системы, многоагентные системы;
- по способности к самообучению: индуктивные системы,
нейронные сети, интеллектуальный анализ данных;
- по адаптивности: CASE- технология, компонентная технология.
Классификация ЭС (экспертных систем) может быть выполнена
следующим образом :
- по решаемой задаче: интерпретация данных, диагностика,
проектирование, прогнозирование, планирование, обучение, мониторинг,
управление;
- по связи с реальным временем: статические,
квазидинамические, динамические;
- по типу ЭВМ: супер-ЭВМ, ЭВМ на символьных процессорах, на
рабочих станциях, на персональных компьютерах;
- по степени интеграции: автономные и гибридные.
Интерпретация данных является традиционной задачей для ЭС.
Под интерпретацией понимается процесс определения смысла данных, результаты
которого должны быть согласованными и корректными. Обычно предусматривается
многовариантный анализ данных.
Под диагностикой понимается процесс соотнесения объекта с некоторым классом объектов или обнаружение неисправности в некоторой системе.
Проектирование состоит в подготовке спецификаций на создание объекта с заранее заданными свойствами. Прогнозирование позволяет предсказывать последствие некоторых событий или явлений на основании анализа имеющихся данных.
Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции.
Обучение предполагает использование компьютера для усвоения
материала по некоторой дисциплине.
Основная задача мониторинга – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы.
Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности.
Приведенные классификации ИИС не являются исчерпывающими и в процессе развития теории и практики построения систем могут модифицироваться и дополняться.
2.Модели представления знаний.
Знания – это
хорошо структурированные данные, а данные
– информация, полученная в результате наблюдений или измерений, отдельных
свойств (атрибутов), характеризующих объект, процессы и явления предметной
области. В настоящее время разработаны различные модели представления знаний,
которые сводятся к классам:
- продукционные модели;
- формально-логические модели;
- фреймовые модели;
- семантические сети.
Продукционные и формально-логические модели относятся к классу модульных, т.е. оперируют отдельными элементами знаний (правилами, аксиомами предметной области). Фреймовые модели и семантические сети относятся к классу сетевых моделей, поскольку представляют возможность связывать фрагменты знаний через отношения.
Продукционная модель,
или модель, основанная на правилах, позволяет представить знания в виде
конструкций типа «Если (условие), то (действие)». Под условием (антецедентом)
понимается некоторое предложение – образец, по которому осуществляется поиск в
БЗ, а под действием (консеквентом) – действия, выполняемые при успешном исходе
поиска. Они могут быть промежуточными, выступающими далее как условия, и
терминальными (целевыми), завершающими работу системы.
Пример 1
Если «двигатель не заводится» и «стартер не работает» то
«неполадки в системе электропитания стартера»
Антецедент и консеквент формируются из атрибутов (двигатель,
стартер) и значений (не заводится, не работает).
Пример 2
Если «матрица значений регрессоров мультиколлинеарна» и
«сокращение числа регрессоров невозможно» то «использование для построения
линейной модели метода гребневой (ридж) регрессии».
В данном случае атрибутами являются матрица значений
регрессоров и число регрессоров, а значениями – мультиколлинеарность и
сокращение невозможно.
В рабочей памяти продукционной системы хранятся пары
«атрибут – значение», истинность которых установлена в процессе решения
конкретной задачи к некоторому текущему моменту времени. Содержание рабочей
памяти изменяется в процессе решения задачи, что происходит по мере срабатывания
правил. Правило срабатывает, если при сопоставлении фактов, содержащихся в
рабочей памяти, с образцом правила имеет место совпадение. Для представления
реальных знаний используются описания с помощью триплета «объект – атрибут –
значение». С введением триплета правила из БЗ могут срабатывать более одного
раза в процессе одного логического вывода, поскольку одно правило может
применяться к различным объектам.
Существует два типа продукционных систем – с прямым выводом и с обратным выводом. Прямой логический вывод реализует стратегию от
фактов к заключению или от данных к поиску цели. При обратном выводе
выдвигаются гипотезы, которые могут быть подтвержены или опровергнуты на
основании фактов, поступающих в рабочую память.
Продукционная модель
представления знаний используется более чем в 80% ЭС [8], поскольку обладает
наглядностью, высокой модульностью, легкостью внесения дополнений и изменений,
простотой логического вывода. К недостаткам продукционных моделей следует
отнести отличие от структуры знаний, свойственной человеку; неясность взаимных
отношений правил; сложность оценки целостного образа знаний; низкую
эффективность обработки знаний. В
настоящее время имеется большое число программных средств (ПС), реализующих
продукционный подход по построению БЗ, например языки высокого уровня CLIPS,
OPSS, «пустые» ЭС EXSYS, Kappa, GURU, инструментальные системы KEE, ARTS, PIES.
Формально-логическая
модель
Формализация знаний основана на системе исчисления предикатов первого порядка, которая в
свою очередь основывается на исчислении высказываний. Высказыванием называется
предложение, принимающее только два значения: истина или ложь. Например: «Иван
студент». Из простых высказываний с помощью слов: и, или, не, если – то, могут
формироваться более сложные высказывания.
Иван студент и Татьяна студентка;
Иван студент или Татьяна студентка.
Логика высказываний оперирует логическими связями между
высказываниями, то есть решает вопросы типа:
Можно ли на основе высказывания А получить высказывание В?
Истинно ли высказывание В при истинности высказывания А?
Элементарные высказывания, т.е. те, которые нельзя разделить
на частичные, могут рассматриваться как переменные логического типа, над
которыми разрешены следующие логические операции: отрицание (┐);
конъюнкция или логическое умножение (۸); дизъюнкция или логическое
сложение (۷); импликация (→); эквивалентность (↔). Исчисление
высказываний позволяет формализовать лишь малую часть множества рассуждений,
поскольку этот аппарат не позволяет учитывать внутреннюю структуру высказывания,
которая существует в естественных языках.
Пример 1. Пусть
сформулированы следующие высказывания:
P:
Все люди смертны;
Q:
Сократ – человек;
R:
Сократ – смертен.
Можно составить формулу:
(P۸Q) → R
Однако эта формула не является общезначимой, поскольку
относится только к Сократу. Кроме того, высказывание R не выводится из P и Q,
то есть при его отсутствии невозможно записать импликацию. Для достижения
общезначимости Q необходимо разделить на две части: «Сократ» (субъект) и
«человек» (свойство субъекта), что можно записать в виде некоторой функции:
человек (Сократ)
или в общем случае
человек (x)
Такая запись имеет внутреннюю структуру, т.к. значение
высказывания является функцией его компонент, не является элементарным
высказыванием и называется предикатом первого порядка.
Исчисление предикатов первого порядка – это формальный язык,
используемый для представления отношений между объектами и для выявления новых
отношений между объектами на основе существующих [7,10]. Алфавит языка
исчисления предикатов первого порядка включает переменные, константы,
предикаты, логические операции, функции, кванторы (
).
Конструкцией предложений в языке исчисления предикатов первого порядка
управляют синтаксические правила.
Терм – это переменная, константа или результат применения
функции к терму, например, a, x, f (x). Предложения языка исчисления предикатов
первого порядка есть формулы, определенные следующим образом:
1.
Если P – n-арный предикат (предикат от n
аргументов) и t1, t2, …, tn – термы, тогда P (t1,
t2, …, tn)
– атомическая формула (атом).
2.
Атом – это правильно построенная формула.
3.
Если F1 и F2 – атомы, то F1 ۸ F2, F1 ۷ F2, F1
→ F2, ┐F1
– тоже атомы.
4.
Если F – формула и x – не связанная квантором
переменная в F, тогда 
x (F) и 
x (F) – также атомы.
Чтобы избежать неоднозначности, необходимо определять
формулы, в которых все переменные квантованы, т.е. связаны кванторами,
например, x y
ЛЮБИТ (x,y).
Такая формула называется замкнутой. Замкнутая формула имеет
единственное истинное значение. Формула y ЛЮБИТ (x,y) является незамкнутой или открытой.
Для построения модели некоторой предметной области следует
описать известные факты на языке логики предикатов и, используя ее результаты,
построить систему, способную на основе имеющихся фактов строить некоторые новые
предложения и отвечать на поставленные вопросы.
Пример 2. Пусть
заданы предикаты:
E (x) – «x» въезжает в строку;
۷ (x) – «x» высокопоставленное лицо;
S (x,y) – «y» обыскивает «x»;
C (y) – «y» - таможенник;
P (x)
– «x» способствует провозу наркотиков.
Тогда произвольные предложения на естественном языке могут
быть записаны в виде:
1.
Таможенники обыскивают всех, кто въезжает в
страну, кроме высокопоставленных лиц:
x (E (x) ۸ ┐ ۷ (x) → (y (S
(x,y) ۸ C (y)))).
2.
Некоторые люди, въезжавшие в страну и
способствовавшие провозу наркотиков, были обысканы исключительно людьми,
способствовавшими провозу наркотиков:
x (E (x) ۸ P (x) ۸ (y (S
(x,y) → P (y)))).
3.
Никто из высокопоставленных лиц не способствовал
провозу наркотиков:
x (P (x) → ┐ ۷ (x)).
4.
Некоторые таможенники способствуют провозу
наркотиков:
x (P (x) ۸ C
(x)).
Задача состоит в том, чтобы, признав фактами предложения 1,
2, 3, доказать, что предложение 4 является истинным.
Для машинного решения вышеприведенной задачи используется
методика автоматического формирования суждений, или метод дедукции. При этом
последовательно реализуются процедуры: исключение знаков импликации;
ограничение области действия знака отрицания; переименование переменных;
вынесение кванторов в начало формулы; исключение кванторов и др. При
автоматизации вывода доказательств методами исчисления предикатов требуется
определить ряд процедур для выбора правил, позволяющих предотвратить
«комбинаторный взрыв» и обеспечить проведение немонотонных рассуждений.
Решением стало создание декларативных (непроцедурных) языков программирования,
в частности Пролога. Программирование на Прологе состоит из этапов:
-
объявление некоторых фактов об объектах и
отношениях между ними;
-
определения некоторых правил об объектах и
отношениях между ними;
-
формулировки вопросов об объектах и отношениях
между ними.
Реально исчисление предикатов первого порядка в промышленных
ЭС практически не используется. Формально-логическая модель представления
знаний применима в основном в
исследовательских системах, т.к. предъявляет очень высокие требования и
ограничения к предметной области.
Фреймовая модель
Термин «фрейм» (англ. frame – каркас, рамка) был предложен Марвином Минским в 70-е годы
XX века для обозначения структуры знаний при восприятии пространственных сцен. Фрейм – это абстрактный образ для
представления стереотипа объекта, понятия или ситуации. В психологии и
философии известно понятие абстрактного образа. Например, произнесение слова
«комната» порождает образ жилого помещения (стены, потолок, пол, дверь, окна).
Из этого описания ничего нельзя убрать, но есть «слоты» – незаполненные
значения некоторых атрибутов (количество окон, высота потолков, цвет стен). В
теории фреймов такой образ называется фреймом комнаты.
Различают фреймы-образцы (прототипы), хранящиеся в БЗ и
фреймы-экземпляры, которые создаются для отображения реальных фактических
ситуаций на основе поступающих данных. Модель фрейма является достаточно
универсальной, поскольку позволяет отобразить все многообразие знаний через
фреймы-структуры (заем, залог), фреймы роли (клиент, менеджер), фреймы-сценарии
(банкротство, собрание акционеров), фреймы-ситуации (тревога, авария).
Структура фрейма представляется как список свойств:
(имя ФРЕЙМА:
(имя 1-го слота: значение 1-го слота),
(имя 2-го слота: значение 2-го слота),
…
(имя N-го слота: значение N-го слота)).
При описании предметной области для классов задач
структурно-параметрической идентификации, прогнозирования временных рядов,
распознавания образов используются классификационные фреймы (КФ) и фреймы-смысловые
связки (ФСС) [9].
В нормальных формах Бэкуса – Науэра КФ определяется
следующим образом:
<КФ>::=<идентификатор><имя
фрейма>:=<список классификаций>
<список
классификаций>::={[<поле>:]}<классификация>
<поле>::=<идентификатор>
<классификация>::={<вариант>}
<вариант>::=<идентификатор>{<условие><альтернатива>}|<иденти-фикатор>
<альтернатива>
<альтернатива>::=<текст>{<указание>}
<указание>::=<ссылка на фрейм>|<описание
фрейма>|<принуди-тельное разрешение фрейма>
Пример 1. Применительно
к предметной области регрессионного анализа КФ имеет вид:
К0 <цель исследования>:=
V1
<регрессионный анализ данных>
К1 <этапы решения задачи>:=
V1
<предварительный анализ исходных данных>
V2 <структурно-параметрическая идентификация
регрессионных моделей>
V3
<оценка качества регрессионных моделей>
К2 <предварительный анализ исходных данных>:=
V1
<анализ корректности исходных данных>
V2
<проверка условий применимости регрессионного анализа>
V3
<функциональное преобразование матрицы регрессоров>
К7 <оценка качества регрессионных моделей>:=
V1
<для К6 = 1 ۷ К6 = 4>
V2
<для мультипликативных моделей>
V3
<для нелинейных нереализуемых моделей>
ФСС определяется конструкцией
<ФСС>::=<идентификатор><входной аргумент>
<глагол> <выходной аргумент>
Пример 2. Применительно
к предметной области регрессионного анализа ФСС имеет вид:
C0 <начало работы> требует
A
<обеспечить ввод исходных данных>
B
<назначить режим работы>
C1
<предварительный анализ исходных данных>
A
<восстановление отсутствующих значений>
B
<исключение аномальных значений отклика>
C
<проверку значений отклика на нормальность распределения>
D
<проверку значений отклика на статистическую независимость>
E
<проверку матрицы регрессоров на мультиколлинеарность>
. . .
C3
<оценка качества регрессионных моделей> требует
A
(если К7 = 1, то)
А1 <проверку нормальности распределения значений
остатков>
А2 <проверку статистической независимости значений
остатков>
. . .
С (если К7=3, то)
С1 <вычисление F-статистик>
С2 <визуальный анализ значений остатков>
Множество КФ и ФСС служат основой для построения фрейм-фраз,
совокупность которых образует семантическую модель предметной области.
В качестве значения слота может выступать имя другого
фрейма, так образуются сети фреймов.
Рис. Сеть фреймов
Существует несколько способов получения слотом значений во
фрейме-экземпляре:
-
по умолчанию от фрейма-образца;
-
через наследование свойств от фрейма, указанного
в слоте АКО («это»);
-
по формуле, указанной в слоте;
-
через присоединенную процедуру;
-
явно из диалога с пользователем;
-
из БД.
Важнейшим свойством теории фреймов является наследование
свойств по АКО-связям. Слот АКО указывает на фрейм более высокого уровня
иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных
слотов. В общем случае на наследование свойств ориентируют указатели
наследования:
U – уникальный,
показывает, что значение не наследуется;
S – показывает, что значение слота наследуется;
R – показывает,
что значения слота должны находится в пределах значений, указанных в
одноименных слотах родительского фрейма;
O – выполняет
одновременно функции U
и S (при отсутствии значения наследуется, в противном случае не наследуется).
Тип значения слота показывают указатели типа данных: frame (указатель на фрейм); real; integer; boolean; text; list; table.
Демон – это
процедура, автоматически запускаемая при
выполнении некоторого условия. Демоны запускаются при обращении к
соответствующему слоту. Демон IF-NEEDED запускается, если в
момент обращения к слоту его значение не было установлено. Демон IF-ADDED
запускается при попытке изменения значения слота. Демон IF-REMOVED запускается
при удалении значения слота.
Основным преимуществом фреймов как модели представления
знаний является то, что она отражает концептуальную основу организации памяти
человека, а также ее гибкость и наглядность. Фреймовый подход реализуется на
основе специальных языков представления знаний FRL, KRL, фреймовая «оболочка» Карра.
Семантические сети
Семантика – это наука, устанавливающая отношения между
символами и объектами, которые они обозначают, т.е. наука, определяющая смысл
знаков.
Семантическая сеть – это ориентированный граф, вершины
которого – понятия, а дуги – отношения между ними.
В качестве понятия выступают абстрактные или конкретные
объекты, а отношения – это связи типа: «принадлежит», «имеет частью», «это».
Можно предложить несколько классификаций семантических сетей, связанных с
типами отношений между понятиями. По количеству типов отношений: однородные (с
единственным типом отношений); неоднородные (с различными типами отношений). По
типам отношений: бинарные, в которых отношения связывают два объекта; N-арные, в которых есть
специальные отношения, связывающие более двух понятий.
Характерной особенностью семантических сетей является
обязательное наличие трех типов отношений:
- класс – элемент класса (цветок – роза);
- свойство – значение (цвет – красный);
- пример элемента класса (роза - чайная).
Наиболее часто в семантических сетях используются отношения:
- атрибутивные связи – «иметь свойство» (память - объем);
- часть-целое – «имеет частью» (велосипед – руль);
- функциональные связи –
«производит», «влияет»;
- количественные –
«больше», «меньше», «равно»;
- пространственные – «далеко», «близко», «за», «под», «над»;
- временные – «раньше», «позже», «в течение»;
- логические связи – «и», «или», «не».
Фрагмент семантической сети приведен на рис.
Рис.Семантическая сеть
Недостатком этой модели является сложность организации
вывода на семантической сети. Эта проблема сводится к нетривиальной задаче
поиска фрагмента сети, соответствующего некоторой подсети, отражающей
поставленный запрос к БЗ.
Для реализации семантических сетей существуют специальные сетевые языки, например NET, SIMER+MIR.
3.Нечеткие знания и нечеткая логика.
При формализации знаний существует проблема, затрудняющая использование традиционного математического аппарата. Это проблема описания понятий, оперирующих качественными характеристиками объектов (много, мало, больно). Эти характеристики обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию. В задачах, решаемых ИИС, часто приходится пользоваться неточными знаниями, которые не могут быть интерпретированы как полностью истинные или ложные.
Существуют знания, достоверность которых выражается некоторым значением, например 07. Таким образом, возникает проблема размытости и неточности. Для разрешения таких проблем в начале 70-х годов ХХ века Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики. В последующем это направление получило название «мягкие вычисления». Л. Заде ввел одно из главных понятий в нечеткой логике – лингвистическая переменная (ЛП). ЛП – это переменная, значение которой определяется набором вербальных (словесных) характеристик некоторого свойства. Например, ЛП «рост» определяется через набор {карликовый, низкий, средний, высокий, очень высокий}.
Значения ЛП определяются через нечеткие множества (НМ), которые в свою очередь определены на некотором базовом наборе значений или базовой числовой шкале, имеющей размерность. Каждое значение ЛП определяется как НМ, например «низкий рост».
НМ определяется через некоторую базовую шкалу В и функцию
принадлежности НМ – μ(х), х Î В, принимающую значения на интервале [0;1]. Таким
образом, нечеткое множество А – это совокупность пар вида (х, μ(х)), где х
Î
В. Часто используется такая запись:
,
где хi
– i-е значение базовой
шкалы;
n –
число элементов НМ.
Функция принадлежности определяет субъективную степень
уверенности эксперта в том, что данное конкретное значение базовой шкалы
соответствует определяемому НМ. Эту функцию нельзя путать с вероятностью,
носящей объективный характер и подчиняющейся определенным математическим
зависимостям.
Пример1. Для двух
экспертов определение НМ «высокая цена» для ЛП «цена автомобиля» в условных
единицах может существенно отличаться в зависимости от их социального и
финансового положения.
«Высокая цена автомобиля 1 » = {50000/1 + 25000/0,8 +
10000/0,6 + 5000/0,4};
«Высокая цена автомобиля 2 » = {25000/1 + 10000/0,8 +
5000/0,7 + 3000/0,4}.
Пример2. Пусть необходимо решить задачу интерпретации значений ЛП «возраст», таких как «младенческий», «детский», «юный»,…, «старческий» возраст. Для ЛП «возраст» базовая шкала – это числовая шкала от 0 до 120. На рис. отражено, как одни и те же значения В могут участвовать в определении различных НМ.
Рис. Формирование нечетких множеств
При этом НМ определяются следующим образом:
«младенческий» = 
;
«детский» = 
.
Таким образом, НМ позволяют при определении понятия учитывать субъективные мнения отдельных экспертов.
Для операций с нечеткими знаниями, выраженными при помощи ЛП, существует много различных способов, которые являются в основном эвристическими и реализующими логику Заде или вероятностный подход. Усиление или ослабление лингвистических понятий достигается введением специальных квантификаторов. Для вывода на НМ используются специальные отношения и операции над ними. В настоящее время в большинство инструментальных средств разработки систем, основанных на знаниях, включены элементы работы с НМ, кроме того разработаны специальные ПС реализации нечеткого вывода, например «оболочка» Fuzzy CLIPS.
Для обработки нечетких знаний используется нечеткая логика, опирающаяся на теорию Байеса. Эта теория занимается условными вероятностями и входит в качестве раздела в классическую теорию вероятности. Методика разработана на основе утверждения, что «некоторое событие произойдет, потому что раньше уже произошло другое событие». Нечеткая логика играет ту же роль, что и двузначная (булева) логика в классической теории множеств. В общем случае вместо классических истинных значений «истина» и «ложь» рассматриваются классические величины, учитывающие различные степени неопределенности. Они могут принимать целый ряд значений: «верно», «неверно», «в высшей степени верно», «не совсем верно», «более или менее верно», «не совсем ошибочно», «в высшей степени ошибочно» и т.п.
Нечеткая логика имеет дело с ситуациями, когда и
сформулированный вопрос и знания, которыми мы располагаем, содержат нечетко
очерченные понятия. Однако нечеткость формулировки понятий является не
единственным источником неопределенности, поскольку порой нет уверенности в
самих фактах. Например, если утверждается: «Возможно, что студент Иванов сейчас
находится на лекции по ИИС», то говорить о нечеткости понятия «студент Иванов»
и «лекция по ИИС» не приходится. Неопределенность заложена в самом факте,
действительно ли студент Иванов находится на лекции.
Теория возможностей является одним из направления в нечеткой
логике, в котором рассматриваются точно сформулированные вопросы, базирующиеся
на некоторых знаниях.
Пример2. Пусть на
занятии присутствуют 10 студентов и известно, что несколько из них готовы
ответить на вопросы преподавателя. Какова вероятность того, что преподаватель
вызовет отвечать того, кто готов?
Обозначим искомую вероятность через Р. Просто вычислить
искомое значение, основываясь на знаниях, что несколько студентов знают
материал, – нельзя.
Согласно теории возможности определяется понятие «несколько»
как НМ:
«несколько» = {(3;0,2), (4;0,6), (5;1), (6;1), (7;0,6),
(8;0,3)}
В этом определении выражение (3;0,2) означает, что 3 из 10
вряд ли можно признать как «несколько», а выражения (5;1) и (6;1) означают, что
значения 5 и 6 из 10 идеально согласуются с понятием «несколько». В определении
НМ не входят значения 1 и 10, поскольку интуитивно ясно, что «несколько»
означает «больше одного» и не «все». Значение 9 не внесено в НМ, потому как 9
из 10 это «почти все».
Распределение возможностей для Р рассчитывается по обычной
формуле»
,
которая после подстановки дает
Р = {(0,3;0,2), (0,4;0,6), (0,5;1), (0,6;1), (0,7;0,6),
(0,8;0,3)}
Выражение (0,3;0,2) означает, что шанс на то, что Р = 0,3, составляет 20%. Р рассматривается как нечеткая вероятность.
4. Нейронные сети с прямой связью.
Нейронная сеть представляет
собой совокупность большого числа нейронов, топология соединения которых
зависит от типа сети. Нейронные сети с прямой связью состоят из статических
нейронов, так что сигнал на выходе сети появляется в тот же момент, когда
подаются сигналы на вход. Наиболее общий тип архитектуры сети получается в
случае, когда все нейроны связаны друг с другом, но без обратных связей.
Рис. Нейронная сеть с прямой
связью и одним скрытым слоем
Каждому нейрону соответствует
свой вектор синаптических весов
,
множество которых образуют синаптическую матрицу 
.
Связь с нейронами выходного слоя определяет синаптическая матрица 
, где
m – число нейронов скрытого слоя, k – число нейронов
выходного слоя.
Число нейронов скрытого слоя
неограниченно возрастает при увеличении точности решения задачи. На практике
рекомендуется выбирать m = (n + k)/2.
Согласно теоретическим
результатам, нейронные сети с прямой связью и с сигмоидными функциями активации
являются универсальным средством для аппроксимации различных функций. Любую
многослойную сеть можно трансформировать в однослойную без потери информации
путем пересчета синаптических матриц.
Применение нейронных сетей
целесообразно для решения задач моделирования, прогнозирования, распознавания
образов, если:
- отсутствует алгоритм или неизвестны принципы решения
задач, но накоплено достаточно большое количество примеров;
- задача характеризуется
большим объемом входной информации;
- входные данные неполны,
зашумлены и противоречивы.
Характер разработок в области
нейронных сетей принципиально отличается от ЭС: последние построены на правилах
типа «если …, то…», которые вырабатываются на основе формально-логических
структур. В основе нейронных сетей лежит преимущественно-поведенческий подход к
решаемой задаче: сеть «учится на примерах» и подстраивает свои параметры при
помощи алгоритмов обучения через механизм обратной связи.
Пример1: Пусть
n=2, m=2,k=2. Порог возбуждения отсутствует, 
.
Задана структура сети (рис.6.3).
Рис. Структура нейронной
сети с одним скрытым слоем
, x1 = 1, x2 = - 1.
Определить значения y1, y2.
Решение:
Пример2: Пусть
задана нейронная сеть с двумя скрытыми слоями. Порог возбуждения отсутствует, .
Рис. Структура нейронной сети
с двумя скрытыми слоями
, 
, x1 = - 1, x2 = 1.
Определить значения y1, y2, и
преобразовать сеть в однослойную.
Решение:
Для преобразования нейронной
сети в однослойную необходимо переопределить семантическую матрицу, т.е.
вычислить новую матрицу Wп.
.
Самым важным свойством
нейронной сети является ее способность обучаться на примерах. Цель
обучения состоит в настройке синаптических
матриц.
5. Мультиагентные системы.
Мультиагентные системы состоят из следующих компонент:
- множество системных единиц, в котором выделяется
подмножество активных единиц–агентов, манипулирующих подмножеством пассивных
единиц–объектов;
- среда – некоторое пространство, в котором существуют
агенты и объекты;
- множество задач (функций, ролей), которые поручаются
агентам;
- множество отношений (взаимодействий) между агентами;
- множество организационных структур (конфигураций),
формируемых агентами;
- множество действий агентов.
Возникновение, структура и динамика МАС как класса
(сообщества агентов) определяются ситуацией взаимодействия агентов в
зависимости от совместимости целей, уровня взаимных обязательств и
ответственности, ограниченности ресурсов.
Распределенный ИИ:
МАС образуется для решения некоторой задачи. Осуществляется централизованное
управление и координация действий нескольких интеллектуальных агентов.
Децентрализованный
ИИ: исследуется деятельность
автономного агента в динамической многоагентной среде.
Искусственная жизнь:
исследуются и моделируются процессы децентрализованного управления, эволюции,
адаптации и кооперации в МАС, состоящей из большого числа реактивных агентов.
Основными направлениями в разработке МАС являются распределенный
ИИ и искусственная жизнь.
Главной проблемой в РИИ является разработка интеллектуальных
групп и организаций, способных решать задачи путем рассуждений, связанных с
обработкой символов. Групповое интеллектуальное поведение образуется на основе
индивидуальных интеллектуальных поведений в связи с чем необходимо согласование
целей, интересов и стратегий отдельных агентов, координация их действий,
разрешение конфликтов путем переговоров.
Системы РИИ определяются тремя основными характеристиками:
- способ распределения задач между агентами;
- способ распределения властных полномочий;
- способ коммуникации агентов.
Искусственная жизнь
(ИЖ) в большей степени связана с трактовкой интеллектуального поведения в
контексте выживания, адаптации и самоорганизации в динамичной, враждебной
среде. Глобальное интеллектуальное поведение всей системы рассматривается как
результат локальных взаимодействий большого числа простых агентов. Основные
положения:
- МАС – популяция простых и зависимых друг от друга агентов;
- каждый агент самостоятельно определяет свои реакции на
события в локальной среде и взаимодействия с другими агентами;
- связи между агентами являются горизонтальными, т.е. не
существует агента-супервизора, управляющего взаимодействием других агентов;
- нет точных правил, чтобы определить глобальное поведение
агентов;
- поведение, свойства и структура на коллективном уровне порождаются только локальными взаимодействиями агентов.
В децентрализованных
ИИ управление происходит только за счет локальных взаимодействий между
агентами. Наряду с распределенными знаниями и ресурсами описываются локальные
задачи отдельных агентов, решаемые на базе локальных концептуальных моделей и
локальных критериев.
В целом задачи агентов в МАС могут изменяться от чисто индивидуальных до совместных, а сами агенты могут изменяться от узкоспециализированных до универсальных (автономных). По этим критериям можно выделить следующие ситуации взаимодействия агентов в МАС: сосуществование (автономные агенты, индивидуальные задачи); сотрудничество (автономные агенты, совместная задача); совместная работа (специализированные агенты, совместная задача), распределенная работа (специализированные агенты, индивидуальные задачи).
Типичная схема распределенного решения задач несколькими
агентами включает этапы:
- декомпозиция исходной проблемы на отдельные задачи
(агент-субординатор);
- распределение задач между агентами-исполнителями;
- решение подзадач;
- интеграция частных результатов (агент-интегратор).
ИЖ в узком смысле есть раздел теории и приложений МАС, где изучаются вопросы возникновения интеллектуального поведения на основе локальных взаимодействий агентов. При этом сами агенты могут быть необязательно интеллектуальными.
Искусственный рой – множество агентов, способных взаимодействовать друг с другом, формировать и перестраивать функциональные паттерны (образы ситуации) и совместно решать различные задачи путем параллельных действий. Таким образом, рой представляет собой динамическую сеть взаимодействующих агентов, в которой происходят согласованное восприятие сигналов и воздействие на среду.
Основные принципы формирования интеллекта роя: принцип соседства; принцип определения качества среды обитания; принцип разнообразия ответных реакций в рое; принцип устойчивости роя; принцип адаптации.
ИЖ в широком смысле есть очень обширная междисциплинарная
научно-техническая область, в которой проводятся работы по созданию и
исследованию искусственных организмов и систем, реализующих принципы и
механизмы организации живого.
