ИИС ЭКЗАМЕН

4
Определения и высказывания об интеллекте
- Тест Тьюринга: если поведение машины, отвечающей на вопросы, невозможно отличить от поведения человека, отвечающего на аналогичные вопросы, то она обладает интеллектом.
- Нильсон: "..цель работ по ИИ состоит в создании машин, выполняющих такие действия, для которых обычно требуется интеллект человека".
- Маккарти и Хэйес. "Существо разумно, если оно имеет адекватную модель окружающего мира (включающую интеллектуальный мир математики, понимание своих собственных целей и другие мыслительные процессы), если оно достаточно "умно", чтобы уметь дать ответ на широкий круг вопросов, используя для этого модель мира, и если оно может в случае надобности получать дополнительную информацию из внешнего мира и может выполнять во внешнем мире задачи, диктуемые его целями и не противоречащие его физическим возможностям".
- Мичи: определяет систему ИИ, используя вопросы:
1. Использует ли система модель мира?
2. Использует ли система модель мира для формирования планов действия, выполняемого в этом мире?
3. Включают ли планы направленный анализ альтернативных возможностей?
4. Может ли система переформулировать план, если его выполнение ведет к непредсказанным состояниям мира?
5. "Может ли система использовать прошлый опыт для индуктивного расширения и корректировки модели мира?
При положительных ответах система является системой ИИ.
- А.В. Тимофеев:
"Интеллект - способность кибернетической системы решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам".
Под знаниями понимается не только информация от органов восприятия, но и модель окружающей среды.
В этой модели объекты реального мира, их свойства и отношения между ними не только отображаются и запоминаются, но и могут мысленно (абстрактно) "целенаправленно преобразовываться".




№5 Понятия данных, информации, знаний. Эволюция ИС









Три аспекта информационного процесса:
- Синтаксический
- Семантический
- Прагматический
Синтаксический аспект - отображение объективной реальности в какой-либо среде и на каком-либо языке, которое представляет собой данные.
Семантический аспект – понимание, осмысливание и интерпретация данных на основе знаний субъекта, которые отражают зависимости, закономерности взаимодействия объектов.
Прагматический аспект – оценка полезности полученного нового знания (приращения знания) субъекта в соответствии с целевой установкой для принятия решения, то есть получение информации в узком смысле.
Информация включает:
- в широком смысле - все три аспекта отражения информационного процесса;
- в узком смысле - прагматический аспект.
Знание имеет двоякую природу:
- фактуальную
- операционную.
Фактуальное знание - известные сведения об объектах отражаемой реальности и накапливается в обычных базах данных
Операционное знание - зависимости и отношения между объектами, которые позволяют интерпретировать данные или извлекать из них информацию.
Эволюция искусственных систем:
400г. до н.э.
Греческий философ Акрит
Сконструировал летающих орла и голубя, а также ползающую улитку, которых с большим трудом можно было отличить от настоящих.
Времена фараона Птолемея II Филадельфа (III в. до н.э.)
По свидетельству анонимного древнеегипетского папируса, был создан первый механический человек.
Гомеровская «Илиада» содержит такие весьма информативные строки:
Навстречу ему золотые служанки вмиг подбежали,
Подобные девам живым, у которых
Разум в груди заключен, и голос, и сила,
Которых самым различным трудам обучили бессмертные боги.
Аристотель
Упоминает о статуе Венеры, передвигающейся благодаря какому-то секретному устройству, помещенному внутри нее и приводимому в действие с помощью ртути
Аристотель, Платон, Сократ
Изучение природы знаний и природы размышлений
Раймонд Луллий (XIII век)
Механическая машина для решения различных задач, на основе разработанной им всеобщей классификации понятий
Император Священной Римской империи Карл V (1519-1556гг.)
Обожал всякого рода механические игрушки. Отрекшись от престола, значительную часть своего досуга он проводил, созерцая, как миниатюрные конные и пешие рыцари маршировали и сражались между собой.
Швейцарские часовщики Пьер-Жак Дро и его сын Анри XVIII в.
Изготовлены андроиды.
Механический писарь с напускным важным видом макал гусиное перо в чернильницу и каллиграфическим почерком выводил длинную приветственную фразу, двигая при этом головой и любовно оглядывая написанное. Закончив работу, он посыпал, как было тогда принято, бумажку песком и встряхивал ее.
Механические рисовальщик и музыкантша, пользовавшиеся, огромным успехом на парижской выставке 1774 года.
Иван Кулибин
Замысловатые часы с движущимися фигурками людей и животных
Конец XIX в., США, Дж. Мор
Двухметровый железный андроид. Приводился в движение скрытой внутри паровой машиной. Мог переставлять ноги, двигаться по кругу со скоростью 78 км/ч, пугая окружающих горячими клубами пара изо рта
1939 год Всемирная выставка в Нью-Йорке,
Экспонируется советский шагающий робот «Электро» с верным маленьким помощником роботом-собакой «Снарко». «Хозяин» при этом любезно беседовал с многочисленными посетителями, а «собака» лаяла и служила.
1930-1940 гг.
Появились советские роботы: «Телевокс», «Эрик», «Альфа». Они умели двигать руками, отвечать на вопросы, садиться и вставать.


№6 Логические методы представления знаний
Модели представления знаний – продукционные, логические, семантические, фреймовые, интегрированные (смешанные).
Логическая
Содержание предметной области – знания о логических зависимостях между понятиями, причинно-следственных связях между событиями, закономерностях, эвристике.
Классы решаемых задач – доопределения, планирования.
МПЗ - продукции, логические модели.
Формальные логические модели
Основа: Логика высказываний
Предметная область: Описывается в виде фактов и утверждений, представляемых формулами в некоторой логике
Отображение знаний: Совокупность формул в некоторой логике
Получение новых знаний: С помощью процедур логического вывода
Запись факта РМ с помощью атомарных формул: P (x, y, z, )
где P - отношение, а x, y, z, - объекты на которых задано отношение.
Представления фактов с помощью предикатов:
ОБСЛУЖИВАНИЕ (менеджер, клиент):
менеджер обслуживает клиента
УЧИТСЯ (Смирнов, институт):
Смирнов учится в институте
ЛУЧШИЙ_СПЕЦИАЛИСТ (Рыбин):
Рыбин – лучший специалист

Пример фрагмента базы знаний на языке ПРОЛОГ
Обозначения: ":-" - "если", "," - "и", "." - "конец утверждения".
vibor (Fio,Dolgnost) :-
pretendent (Fio, Obrazov, Stag),
vacancy (Dolgnost, Obrazov, Opyt),
Stag>=Opyt.
pretendent ("Иванов","среднее" 10).
pretendent ("Петров","высшее", 12).
vacancy ("менеджер", "высшее", 10).
vacancy ("директор", "высшее", 15).
Правильно построенные логические формулы включают кванторы существования (() и общности ((). (( x) {ПРЕДПРИЯТИЕ (x) ( РЕНТАБЕЛЬНОСТЬ (x) }: некое предприятие является рентабельным (( x) {СОТРУДНИК ОТДЕЛА (x) ( ВЫСШЕЕ ОБРАЗОВАНИЕ (x) ( СТАЖ РАБОТЫ (х) }: все сотрудники отдела имеют высшее образование и стаж работы.
Достоинства логических моделей
единственность теоретического обоснования и возможность реализации системы формально точных определений
использование формальных методов вывода (метод резолюций)
поддержка языком логического программирования (Пролог)
Недостатки логических моделей
высокие требования и ограничения к предметной области
сложность создания подсистемы объяснений
необходимость использования в промышленных СОЗ различных модификаций и расширений формальных логических моделей

№13 Системы с интеллектуальным интерфейсом
ИИС – системы с интеллектуальным интерфейсом, системы основанные на знаниях, обучающиеся и самообучающиеся системы, системы использующие эволюционные модели, системы использующие множество источников знаний. Все вместе – системы управления знаниями.
Системы с интеллектуальным интерфейсом
интеллектуальные базы данных;
естественноязыковый интерфейс;
гипертекстовые системы;
системы контекстной помощи;
системы когнитивной графики.

Интеллектуальные базы данных
Имеется возможность выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющихся в базе данных.
Вывод неявной информации осуществляется путем интерпретации следующих зависимостей:
- вычислительных зависимостей атрибутов, например, “вывести список товаров, цена которых выше среднеотраслевой”,
- структурных отношений объектов, например, “вывести список товаров-заменителей некоторой продукции”,
- логических зависимостей факторов принятия решений, например, “вывести список потенциальных покупателей некоторого товара”.
Запрос – вывести список товаров, цена которых выше среднеотраслевой. Решаемые задачи – а) статистический расчет среднеотраслевой цене по всей БД б) запрос на отбор данных по условию
Запрос – вывести список товаров-заменителей для некоторой продукции. Решаемые задачи - а) нахождение характерных признаков объекта б) запрос на поиски аналогичных объектов
Запрос – вывести список потенциальных покупателей некоторого товара. Решаемые задачи – а) определение списка посредников-продавцов, осуществляющих продажу данного товара б) поиски соответствующих покупателей.
Запрос Х. Решаемые задачи – а) доопределение условия б) поиск по условию
Естественно-языковой интерфейс
Транслирует естественно-языковые конструкции на внутримашинный уровень представления знаний.
Используется для:
-доступа к интеллектуальным базам данных;
-контекстного поиска документальной текстовой информации;
-голосового ввода команд в системах управления;
-машинного перевода с иностранных языков.
Гипертекстовые системы
Реализуют поиск по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов
Системы контекстной помощи
Частный случай интеллектуальных гипертекстовых и естественно-языковых систем.
Системы когнитивной графики
Осуществляют интерфейс пользователя с ИИС в виде графических образов, которые генерируются в соответствии с происходящими событиями.
№14 Самообучающиеся системы
Основа: методы автоматической классификации примеров ситуаций реальной практики (обучения на примерах).
Примеры реальных ситуаций накапливаются за некоторый исторический период и составляют обучающую выборку.
Примеры описываются множеством признаков классификации.
Обучающая выборка может быть:
“с учителем” - для каждого примера задается в явном виде значение признака его принадлежности некоторому классу ситуаций (классообразующего признака);
“без учителя” - по степени близости значений признаков классификации система сама выделяет классы ситуаций.
Результат обучения:
строятся обобщенные правила или функции, определяющие принадлежность ситуаций классам, которыми обученная система пользуется при интерпретации новых возникающих ситуаций.
автоматически формируется база знаний, используемая при решении задач классификации и прогнозирования.
Недостатки, свойственные всем самообучающимся системам:
- возможна неполнота и/или зашумленность (избыточность) обучающей выборки и, как следствие, относительная адекватность базы знаний возникающим проблемам;
- возникают проблемы, связанные с плохой смысловой ясностью зависимостей признаков и, как следствие, неспособность объяснения пользователям получаемых результатов;
- ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.

№15 Системы, использующие эволюционные модели
Согласованность и эффективность работы элементов биологических организмов наводит на мысль – можно ли использовать принципы биологической эволюции для оптимизации практически важных для человека систем?
В 1975 г. вышла основополагающая книга Дж. Холланда “Адаптация в естественных и искусственных системах”, в которой был предложен генетический алгоритм.
В общем виде эволюционный алгоритм – это оптимизационный метод, базирующийся на эволюции популяции “особей”.
Каждая особь характеризуется приспособленностью – многомерной функцией ее генов.
Задача оптимизации состоит в максимизации функции приспособленности.
В процессе эволюции в результате отбора, рекомбинаций и мутаций геномов особей происходит поиск особей с высокими приспособленностями.
Основные эволюционные алгоритмы
- Генетический алгоритм. Оптимизация функций дискретных переменных. Акцентируется внимание на рекомбинациях геномов.
- Эволюционное программирование. Оптимизация непрерывных функций без использования рекомбинаций.
- Эволюционная стратегия. Оптимизация непрерывных функций с использованием рекомбинаций.
- Генетическое программирование. Оптимизация компьютерных программ.
Особенности эволюционных алгоритмов
- параллельный поиск,
- случайные мутации и
- рекомбинации уже найденных хороших решений.
- хорошо подходят как простой эвристический метод оптимизации многомерных, плохо определенных функций.
Наибольшее распространение получил генетический алгоритм.
На основе ГА осуществляются:
решение задач логистики,
оптимизация профилей балок в строительстве,
распределение инструментов в металлообрабатывающих цехах,
обработка рентгеновских изображений в медицине,
оптимизация работы нефтяных трубопроводов и т.д.
Одна из основных областей применения ГА – решение задач комбинаторной оптимизации (например, задача о коммивояжере).
Генетический алгоритм (ГА) – это компьютерная модель эволюции популяции искусственных "особей".
Каждая "особь" характеризуется своей хромосомой Sk,
хромосома есть "геном" особи.
Хромосома определяет приспособленность особи f (Sk);
k = 1,..., m; m – численность популяции.
Хромосома есть цепочка символов Sk = (Sk1, Sk2,...,SkN),
N – длина цепочки.
Символы интерпретируются как "гены" особи, расположенные в хромосоме Sk .
Задача алгоритма состоит в максимизации функции приспособленности f(Sk).
Эволюция состоит из последовательности поколений.
Для каждого поколения отбираются особи с большими значениями функции приспособленности.
Хромосомы отобранных особей рекомбинируются и подвергаются малым мутациям.
Пошаговое описание ГА
(популяция t-го поколения обозначается как {Sk(t)})
Шаг 0. Создать случайную начальную популяцию {Sk(0)}.
Шаг 1. Вычислить приспособленность f(Sk) каждой особи Sk популяции {Sk(t)}.
Шаг 2. Производя отбор особей Sk в соответствии со значениями их функций приспособленности f(Sk) и, применяя генетические операторы (рекомбинации и точечные мутации) к отобранным особям, сформировать популяцию следующего поколения {Sk(t+1)}.
Шаг 3. Повторить шаги 1,2 для t = 0, 1, 2, ... , до тех пор, пока не выполнится некоторое условие окончания эволюционного поиска
(прекращается рост максимальной приспособленности в популяции, число поколений t достигает заданного предела и т.п.).
Имеется ряд конкретных вариантов генетического алгоритма, которые отличаются по схемам отбора, рекомбинаций, по форме представления хромосом и т.д.
Наиболее традиционный вариант генетического алгоритма базируется на следующей конкретной схеме:
НАЧАЛО /* Описание работы ГА */
Создать начальную популяцию
Оценить каждую особь - вычислить f(Sk)
Признак завершения работы ГА := FALSE
ПОКА Признак завершения работы ГА = FALSE
ВЫПОЛНЯТЬ
НАЧАЛО /* новая итерация (поколение)
Применить оператор отбора
ПОВТОРИТЬ (m/2) РАЗ
НАЧАЛО /* цикл воспроизводства */
Выбрать две особи (родителей) из множества особей предыдущего поколения (итерации)
Применить оператор скрещивания с заданной вероятностью к выбранным особям и получить две новые особи (потомки)
НАЧАЛО /* цикл воспроизводства */
Выбрать две особи (родителей) из множества особей предыдущего поколения (итерации)
Применить оператор скрещивания с заданной вероятность к выбранным особям и получить две новые особи (потомки)
Оценить вновь полученные особи
Если оператор скрещивания не применяется,
ТО потомки становятся копиями своих родителей
Поместить потомков в новое поколение
КОНЕЦ
Применить оператор мутации с заданной вероятностью
ЕСЛИ популяция сошлась,
ТО Признак завершения работы ГА:= TRUE
КОНЕЦ
КОНЕЦ.
ГА случайным образом генерирует начальную совокупность (популяцию) структур (особей).
Работа ГА представляет собой итерационный процесс, который продолжается до тех пор, пока не выполнятся заданное число поколений или какой-либо иной критерий остановки.
На каждом поколении ГА реализуется:
- отбор пропорционально приспособленности,
- одноточечный оператор кроссовера и
- оператор мутации.
- Пропорциональный отбор назначает каждой особи вероятность Pg(k), равную отношению ее приспособленности к суммарной приспособленности популяции.
- Затем происходит отбор (с замещением) всех m особей для дальнейшей генетической обработки, согласно величине Pg(k).
-Простейший пропорциональный отбор - рулетка (roulette-wheel selection, Goldberg, 1989c) - отбирает особей с помощью m "запусков" рулетки.
-Колесо рулетки содержит по одному сектору для каждого члена популяции. Размер i-ого сектора пропорционален соответствующей величине Pg(k).
-Т.О. члены популяции с более высокой приспособленностью чаще выбираются, чем особи с низкой приспособленностью.
После отбора, h выбранных особей подвергаются кроссоверу (иногда называемому рекомбинацией или скрещиванием).
С заданной вероятностью Pc h особей случайным образом разбиваются на h/2 пары.
Для каждой пары с вероятность Pc может применяться кроссовер.
Соответственно с вероятностью 1-Pc кроссовер не происходит и неизмененные особи переходят на стадию мутации.
Если кроссовер происходит, полученные потомки заменяют собой родителей и переходят к мутации.
Одноточечный кроссовер.
Сначала, случайным образом выбирается одна из l-1 точек разрыва. (Точка разрыва - участок между соседними битами в строке.)
Обе родительские структуры разрываются на два сегмента по этой точке.
Затем, соответствующие сегменты различных родителей склеиваются и получаются два генотипа потомков.
Например, предположим, один родитель состоит из 10 нолей, а другой - из 10 единиц. Пусть из 9 возможных точек разрыва выбрана точка 3.
Родители и их потомки показаны ниже
0000000000 000-0000000 -> 111-0000000 1110000000
1111111111 111-1111111 -> 000-1111111 000-1111111
После того, как закончится стадия кроссовера, выполняются операторы мутации.
В каждой строке, которая подвергается мутации, каждый бит с вероятностью Pw изменяется на противоположный. Популяция, полученная после мутации записывает поверх старой и этим цикл одного поколения завершается.
Потомок1 1110000000
Потомок2 0001111111
Потомок1 1100000000
Потомок2 0101111101
Пропорционально-вероятностный отбор
Отбор особей для генетических операций производится с вероятностями, пропорциональными приспособленностям fk особей (fk = f(Sk)) .
Эту схему можно представить, как выбор особи с помощью рулетки, относительные площади секторов которой равны qk = 1/fk [S l fl ].
Ранжированный отбор
Все особи ранжируются по приспособленностям и заданная часть (скажем, лучшая половина) лучших особей отбирается для формирования следующего поколения.
Турнирный отбор
Реализует d турниров, чтобы выбрать d особей.
Каждый турнир построен на выборке v элементов из популяции, и выбора лучшей особи среди них.
Наиболее распространен турнирный отбор с v=2.
Элитные методы отбора
Гарантируют, что при отборе обязательно будут выживать лучший или лучшие члены популяции совокупности.
Наиболее распространена процедура обязательного сохранения только одной лучшей особи, если она не прошла как другие через процесс отбора, кроссовера и мутации.
Элитизм может быть внедрен практически в любой стандартный метод отбора.
Генетическое программирование
Идею ГП - впервые предложил Коза в 1992 году, опираясь на концепцию генетических алгоритмов (ГА).
Эта идея заключается в том, что в отличие от ГА в ГП все операции производятся не над строками, а над деревьями.
При этом используются такие же операторы, как и в ГА: селекция, скрещивание и мутация.
В ГП хромосомами являются программы.
Программы представлены как деревья с функциональными (промежуточные) и терминальными (конечные) элементами.
Терминальными элементами являются константы, действия и функции без аргументов,
функциональными - функции, использующие аргументы.
Пример.
Функция d -x/21*b
Терминальные элементы
T = {d,x,21,b},
Функциональные
F = {-,/,*}.
Для того чтобы применить ГП к какой-либо проблеме, необходимо определить:
- Множество терминальных элементов.
- Множество функциональных элементов.
- Меру приспособленности (fitness).
- Параметры, контролирующие эволюцию.
- Критерий останова эволюции.
Особенности операторов ГП
Алгоритм работы ГП такой же как и ГА:
- селекция,
- скрещивание
- мутация.
Особенности: поскольку ГП оперирует над деревьями, а не над строками, то операторы скрещивания и мутации имеют отличия.
Оператор скрещивания работает следующем образом:
выбираются случайные части родительских деревьев и эти части меняются местами.
В ГП размер хромосомы меняется.
Чтобы предотвратить чрезмерное разрастание дерева, вводят:
максимальное количество функциональных элементов в дереве или
максимальную глубину дерева.
Однако при операции скрещивания возможна ситуация, когда при скрещивании двух деревьев получится одно из деревьев, превосходящее заданный лимит.
В этом случае вместо конфликтного дерева копируется родительское дерево.
Оператор мутации случайно удаляет часть дерева и заменяет ее новым деревом
Примеры использования ГП – робот собирающий еду, газонокосильщик, искусственный муравей, игра змейка, символьная регрессия.

№22 Идентификация проблемной области
В ходе работ по созданию экспертных систем сложилась определенная технология их разработки, включающая шесть следующих этапов: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация и внедрение.
Этап идентификации проблемной области - определение требований к разрабатываемой ЭС, контуров рассматриваемой проблемной области (объектов, целей, подцелей, факторов), выделение ресурсов на разработку ЭС.
Этап идентификации проблемной области включает определение назначения и сферы применения экспертной системы, подбор экспертов и группы инженеров по знаниям, выделение ресурсов, постановку и параметризацию решаемых задач.
Начало работ по созданию экспертной системы инициируют руководители компаний. Обычно необходимость разработки экспертной системы связана с затруднениями лиц, принимающих решение, что сказывается на эффективности функционирования проблемной области. Как правило, назначение экспертной системы связано с одной из следующих областей:
- обучение и консультация неопытных пользователей;
- распространение и использование уникального опыта экспертов;
- автоматизация работы экспертов по принятию решений;
- оптимизация решения проблем, выдвижение и проверка гипотез.
После предварительного определения контуров разрабатываемой экспертной системы инженеры по знаниям совместно с экспертами осуществляют более детальную постановку проблем и параметризацию системы. К основным параметрам проблемной области относятся следующие:
- класс решаемых задач (интерпретация, диагностика, коррекция, прогнозирование, планирование, проектирование, мониторинг, управление);
- критерии эффективности результатов решения задач (минимизация использования ресурсов, повышение качества продукции и обслуживания, ускорение оборачиваемости капитала и т.д.);
- критерии эффективности процесса решения задач (повышение точности принимаемых решений, учет большего числа факторов, просчет большего числа альтернативных вариантов, адаптивность к изменениям проблемной области и информационных потребностей пользователей, сокращение сроков принятия решений);
- цели решаемых задач (выбор из альтернатив, например, выбор поставщика или синтез значения, например, распределение бюджета по статьям);
- подцели (разбиение задачи на подзадачи, для каждой из которых определяется своя цель);
- исходные данные (совокупность используемых факторов);
- особенности используемых знаний (детерминированность/ неопределенность, статичность/динамичность, одноцелевая/ многоцелевая направленность, единственность/ множественность источников знаний).

Проблема.
- в принципе разрешима, но средства для ее выявления, формулирования и решения необходимо создать.
- в проблеме не только не сформулированы исходные позиции - "дано и требуется получить", но даже нет языковых средств, с помощью которых это можно сформулировать.
- отсутствуют или участникам неизвестны средства для разрешения проблемы.
- неизвестен и сам состав участников.
Все это требуется найти или создать в процессе:
- выявления,
- формулирования и
- разрешения проблемы.

Проблемные области для аналитических задач классифицирующего и доопределяющего типов:
- Интерпретация данных - выбор решения из альтернатив на базе Sтек. Назначение - определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов (ЭС анализа фин. сост предприятия).
- Диагностика - выявление причин, приведших к возникновению ситуации. Предварительно интерпретируется ситуация и проверяются доп. факты (выявление факторов снижения эффективности производства).
- Коррекция - диагностика с возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния исходных ситуаций.
Проблемные области синтезирующих динамических СОЗ:
- Проектирование - определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.
- Прогнозирование - предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.
- Диспетчирование - распределение работ во времени, составление расписаний, например, планирование графика освоения капиталовложений.
Проблемные области синтезирующих динамических СОЗ:
- Планирование - выбор последовательности действий пользователей для достижения поставленной цели (планирование процессов поставки продукции).
- Мониторинг - слежение за текущей ситуацией с возможной последующей коррекцией. Выполняется диагностика, прогнозирование, а в случае необходимости планирование и коррекция действий пользователей (мониторинг сбыта готовой продукции).
- Управление - мониторинг, дополненный реализацией действий в автоматических системах.

№23 Концептуальная модель проблемной области
Этап концептуализации проблемной области - построение концептуальной модели, отражающей в целостном виде сущность функционирования проблемной области на объектном (структурном), функциональном (операционном), поведенческом (динамическом) уровнях
На этапе построения концептуальной модели создается целостное и системное описание используемых знаний, отражающее сущность функционирования проблемной области. От качества построения концептуальной модели проблемной области во многом зависит насколько часто в дальнейшем по мере развития проекта будет выполняться перепроектирование базы знаний. Хорошая концептуальная модель может только уточняться (детализироваться или упрощаться), но не перестраиваться.
Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования:
- объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов;
- функциональная модель отражает действия и преобразования над объектами;
- поведенческая модель рассматривает взаимодействия объектов во временном аспекте.
Первые две модели описывают статические аспекты функционирования проблемной области, а третья модель - динамику изменения ее состояний. Естественно, что для различных классов задач могут требоваться разные виды моделей, а следовательно, и ориентированные на них методы представления знаний. Рассмотрим каждую из представленных видов моделей.
Объектная модель - отражение на семантическом уровне фактуального знания о классах объектов, их свойств и отношений.
Концептуальное проектирование - сбор, анализ и редактирование требований к данным. Для этого осуществляются следующие мероприятия:
- обследование предметной области, изучение ее информационной структуры;
- выявление всех фрагментов, каждый из которых характеризуется пользовательским представлением, информационными объектами и связями между ними, процессами над информационными объектами
- моделирование и интеграция всех представлений
По окончании данного этапа получаем концептуальную модель, инвариантную к структуре базы данных. Часто она представляется в виде модели "сущность-связь".
Логическое проектирование - преобразование требований к данным в структуры данных. На выходе получаем СУБД-ориентированную структуру базы данных и спецификации прикладных программ. На этом этапе часто моделируют базы данных применительно к различным СУБД и проводят сравнительный анализ моделей.
Физическое проектирование - определение особенностей хранения данных, методов доступа и т.д.

№24 Формализация проблемной области
На этапе формализации все ключевые понятия и отношения, выявленные на этапе концептуализации, выражаются на некотором формальном языке, предложенном (выбранном) инженером по знаниям. Здесь он определяет, подходят ли имеющиеся инструментальные средства для решения рассматриваемой проблемы или необходим выбор другого инструментария, или требуются оригинальные разработки.
Основными задачами в процессе формализации являются проблемы структуризации исходной задачи и знаний в выбранном (разработанном) формализме, а именно:
структуризация общей задачи на связанные подзадачи;
структуризация предметной области на основе иерархии классов;
структуризация знаний на декларативные и процедурные;
структуризация приложения на основе иерархии «часть/целое».
1. Структуризация общей задачи на связанные подзадачи
Модульная организация базы знаний составляет важную часть разработки прикладной системы, хотя трудно предложить единственно правильный способ разбиения системы на модули. Процесс эволюции прикладной системы может потребовать пересмотра и ее модульной структуры. В большинстве современных средств разработки сложных экспертных систем и в особенности динамических предусматривается поддержка разбиения базы знаний на модули.
Важность модульной организации экспертной системы определяется тем, что разбиение приложения на модули существенно ускоряет разработку (так как независимые группы разработчиков могут одновременно разрабатывать различные модули), снижает затраты на сопровождение и поддержку, упрощает повторное использование модулей базы знаний в последующих разработках. С другой стороны, разбиение прикладной экспертной системы на модули несколько повышает накладные расходы на загрузку и сборку прикладной системы, например: восстановление после сбоев и перезапуск системы.
2. Структуризация предметной области на основе иерархии классов
Необходимость ускорения темпов разработки и модификации экспертной системы всегда являлась актуальной задачей прикладной инженерии знаний. Применение объектно-ориентированного подхода в современных экспертных системах естественным образом реализует возможность декомпозиции задачи на совокупность подзадач. Знания при этом подходе организованы в классы. Каждый класс определяется специфическим набором атрибутов. Классы организуются в иерархию классов. Каждый класс в иерархии наследует атрибуты и ограничения своего родительского класса. Обычно производный класс определяет дополнительные специфические атрибуты и (или) ограничения.
В большинстве существующих экспертных систем пользователю разрешено производить новый класс только от одного родительского. Такой подход хотя и проще в реализации, требует дополнительных усилий во время формирования предметно-ориентированной иерархии классов, так как в этом случае иерархия наследования должна представляться в виде дерева. Добавление в иерархию наследования нового класса может потребовать существенных концептуальных изменений на различных уровнях. Избежать подобных непроизводительных затрат позволяет концепция множественного наследования, в рамках которой новый класс может наследовать свойства у двух и более классов родителей. Однако следует отметить, что к использованию механизмов множественного наследования следует подходить аккуратно, так как получающаяся в этом случае сетевая схема иерархии наследования затрудняет понимание структуры базы знаний.
Основными механизмами структурирования проблемно-ориентированной иерархии классов являются два противоположно направленных, но взаимосвязанных процесса: обобщение и специализация (конкретизация).
Процесс обобщения заключается в создании родительских классов для обобщения свойств, присущих более чем одному классу объектов в приложении. Например, так как автомобили, самолеты и лодки характеризуются скоростью передвижения, в приложении, работающем с этими объектами, целесообразно ввести новый класс транспортных средств, обладающий этим свойством. Самолеты, автомобили и лодки будут производными классами от транспортного средства и унаследуют от него атрибут «скорость передвижения». Кроме атрибутов, характеризующих наблюдаемые свойства объектов, целесообразно провести обобщение и их поведенческих аспектов.
Процесс специализации заключается во введении новых классов для описания объектов, отличающихся значениями характеристик, их набором и поведением от уже описанных. Рассмотрим далее приведенный выше пример. Если разработчику потребуется описать новый тип лодок (например, моторные лодки), он должен определить его как подкласс существующего класса «лодки». Новый класс наследует все свойства, взаимосвязи и поведение своего родителя. Для его описания необходимо указать только его особенности.
3. Структуризация знаний на декларативные и процедурные
По форме описания знания подразделяются на:
декларативные;
процедурные.
Декларативные знания – это знания, которые записаны в памяти интеллектуальной системы так, что они непосредственно доступны для использования после обращения к соответствующему полю памяти. Обычно декларативные знания используются для представления информации о свойствах и фактах предметной области. По форме представления декларативные знания противопоставляются процедурным знаниям.
Процедурные знания – это знания, хранящиеся в памяти интеллектуальной системы в виде описания процедур, с помощью которых их можно получить. Обычно процедурные знания используются для представления информации о способах решения задач в проблемной области, а также различные инструкции, методики и т.п.
4. Структуризация приложения на основе иерархии «часть/целое»
Модульный принцип создания приложения предоставляет разработчику различные возможности разбиения приложения на подсистемы, легче поддающиеся сопровождению и модификации. Разбиение приложения на модули упрощает процесс тестирования за счет использования групповой работы над тестируемой системой. Модульность также обеспечивает базовые возможности для повторного использования фрагментов системы.

















Приложенные файлы

  • doc 8895977
    Размер файла: 137 kB Загрузок: 0

Добавить комментарий