Технології штучного інтелекту

З розвитком комп'ютерних технологій змінювався зміст, вкладений в поняття інформаційної системи. Сучасна інформаційна система - це набір інформаційних технологій, спрямованих на підтримку життєвого циклу інформації і включає три основні процеси: обробку даних, управління інформацією та управління знаннями. В умовах різкого збільшення обсягів інформації перехід до роботи зі знаннями на основі штучного інтелекту є, цілком ймовірно, єдиною альтернативою інформаційного суспільства.

Скористаємося визначенням "інтелектуальної системи" проф. Д.А. Поспєлова [38]: "Система називається інтелектуальної, якщо в ній реалізовані наступні основні функції:

  • • накопичувати знання про навколишній систему світі, класифікувати і оцінювати їх з точки зору прагматичної корисності і несуперечності, ініціювати процеси отримання нових знань, здійснювати співвіднесення нових знань з раніше збереженими;
  • • поповнювати надійшли знання за допомогою логічного висновку, що відображає закономірності в навколишньому систему світі або в накопичених нею раніше знаннях, отримувати узагальнені знання на основі більш приватних знань і логічно планувати свою діяльність;
  • • спілкуватися з людиною мовою, максимально наближеному до природного людського мови, і отримувати інформацію від каналів, аналогічних тим, які використовує людина при сприйнятті навколишнього світу, вміти формувати для себе або на прохання людини (користувача) пояснення власної діяльності, надавати користувачеві допомогу за рахунок тих знань, які зберігаються в пам'яті, і тих логічних засобів міркувань, які притаманні системі ".

Перераховані функції можна назвати функціями подання та обробки знань, міркування і спілкування. Поряд з обов'язковими компонентами, залежно від вирішуваних завдань і області застосування в конкретній системі ці функції можуть бути реалізовані в різній мірі, що визначає індивідуальність архітектури. На рис. 5.19 в найбільш загальному вигляді представлена структура інтелектуальної системи у вигляді сукупності блоків і зв'язків між ними [51].

База знань являє собою сукупність середовищ, що зберігають знання різних типів. Розглянемо коротко їх призначення.

Загальна структура інтелектуальної системи

Мал. 5.19. Загальна структура інтелектуальної системи

База фактів (даних) зберігає конкретні дані, а база правил - елементарні вирази, звані в теорії штучного інтелекту продукціям. База процедур містить прикладні програми, за допомогою яких виконуються всі необхідні перетворення і обчислення. База закономірностей включає різні відомості, що відносяться до особливостей того середовища , в якій діє система. база метазнаній (база знань про себе) містить опис самої системи і способів її функціонування: відомості про те, як всередині системи представляються одиниці інформації різного типу, як взаємодіють різні компоненти системи, як було отримано рішення задачі.

База цілей містить цільові структури, звані сценаріями, що дозволяють організувати процеси руху від вихідних фактів, правил, процедур до досягнення тієї мети, яка надійшла в систему від користувача, або була сформульована самою системою в процесі її діяльності в проблемної середовищі.

Управління всіма базами, що входять в базу знань, і організацію їх взаємодії здійснює система управління базами знань. З її ж допомогою реалізуються зв'язку баз знань з зовнішнім середовищем. Таким чином, машина бази знань здійснює першу функцію інтелектуальної системи.

Виконання другої функції забезпечує частина інтелектуальної системи, яка називається вирішувачів і складається з ряду блоків, керованих системою управління решателя. Частина з блоків реалізує логічний висновок. Блок дедуктивного виведення здійснює вирішувача дедуктивні міркування, за допомогою яких з закономірностей з бази знань, фактів з бази фактів і правил з бази правил виводяться нові факти. Крім цього даний блок реалізує евристичні процедури пошуку рішень завдань, як пошук шляхів вирішення завдання за сценаріями при заданої кінцевої мети. Для реалізації міркувань, які не носять дедуктивного характеру, тобто для пошуку по аналогії, по прецеденту та ін., використовуються блоки індуктивного і правдоподібного висновків. Блок планування використовується в задачах планування рішень спільно з блоком дедуктивного виведення. Призначення блоку функціональних перетворень полягає у вирішенні завдань розрахунково-логічного і алгоритмічного типів.

Третя функція - функція спілкування - реалізується як за допомогою компоненти природно-мовного інтерфейсу, так і за допомогою рецепторів і ефекторів, які здійснюють так зване невербальне спілкування і використовуються в інтелектуальних роботів.

Залежно від набору компонентів, що реалізують розглянуті функції, можна виділити наступні основні різновиди інтелектуальних систем:

  • • інтелектуальні інформаційно-пошукові системи;
  • • експертні системи (ЕС);
  • • розрахунково-логічні системи;
  • • гібридні експертні системи.

Інтелектуальні інформаційно-пошукові системи є системами взаємодії з проблемно-орієнтованими (фактографічними) базами даних на природному, точніше обмеженому як граматично, так і лексично (професійною лексикою) природною мовою (мовою ділової прози). Для них характерне використання, крім бази знань, що реалізує семантичну модель представлення знань про проблемну область, лінгвістичного процесора.

Експертні системи є одним з бурхливо розвиваються класів інтелектуальних систем. Дані системи в першу чергу стали розвиватися в математично слабоформалізованних областях науки і техніки, таких як медицина, геологія, біологія та ін. Для них характерна акумуляція в системі знань і правил міркувань досвідчених фахівців в даній галузі, а також наявність спеціальної системи пояснень.

Розрахунково-логічні системи дозволяють вирішувати управлінські та проектні завдання по їх постановкам (описами) і вихідними даними незалежно від складності математичних моделей цих завдань. При цьому кінцевому користувачеві надається можливість контролювати в режимі діалогу все стадії обчислювального процесу. У загальному випадку, за описом проблеми на мові предметної області забезпечується автоматична побудова математичної моделі і автоматичний синтез робочих програм при формулюванні функціональних завдань з даної предметної області. Ці властивості реалізуються завдяки наявності бази знань у вигляді функціональної семантичної мережі і компонентів дедуктивного виведення і планування.

Останнім часом в спеціальний клас виділяються гібридні експертні системи. Зазначені системи повинні увібрати в себе кращі риси як експертних, так і розрахунково-логічних та інформаційно-пошукових систем. Розробки в області гібридних експертних систем знаходяться на початковому етапі.

Найбільш значні успіхи в даний час досягнуті в такому класі інтелектуальних систем, як експертні системи ОС).

ЕС називають обчислювальну систему використання знань експерта і процедур логічного висновку для вирішення проблем, які вимагають проведення експертизи і дозволяють дати пояснення отриманим результатам.

ЕС має здібності до накопичення знань, видачі рекомендацій і поясненню отриманих результатів, можливостями модифікації правил, підказки пропущених експертом умов, управління метою або даними. ЕС відрізняють наступні характеристики: інтелектуальність, простота спілкування з комп'ютером, можливість нарощування модулів, інтеграція неоднорідних даних, здатність дозволу багатокритеріальних задач при обліку переваг осіб, що приймають рішення (ОПР), робота в реальному часі, документальність, конфіденційність, уніфікована форма знань, незалежність механізму логічного висновку, здатність пояснення результатів.

В даний час можна виділити наступні основні сфери застосування ЕС: діагностика, планування, імітаційне моделювання, передпроектну обстеження підприємств, офісна діяльність, а також деякі інші.

Практика показує, що в порівнянні зі статичними ЕС набагато більший ефект дають ЕС, використовувані в динамічних процесах (експертні системи реального часу - ЕСРВ), які займають близько 70% ринку таких систем і знаходять все більш широке застосування в управлінні безперервними процесами (хімічні виробництва, цементна промисловість, атомна енергетика і т.д.).

У порівнянні із загальною схемою (див. Рис. 5.19) в ЕС часто відсутня можливість спілкування з системою на близькому до природного мовою або з використанням візуальних засобів, оскільки взаємодія з такою системою здійснюється з використанням мови типу ПРОЛОГ або із застосуванням ПРОЛОГ-ідей.

Важливе місце в теорії штучного інтелекту (ІІ) займає проблема представлення знань. В даний час виділяють наступні основні типи моделей подання знань:

  • 1. Семантичні мережі, в тому числі функціональні;
  • 2. Фрейми і мережі фреймів;
  • 3. Продукційні моделі.

Семантичні мережі визначають як граф загального вигляду, в якому можна виділити безліч вершин і ребер. Кожна вершина графа являє деяке поняття, а дуга - відношення між парою понять. Мітка і напрямок дуги конкретизують семантику. Мітки вершин семантичного навантаження не несуть, а використовуються як довідкова інформація.

Різні різновиди семантичних мереж володіють різною семантичною потужністю, отже, можна описати одну і ту ж предметну область більш компактно або громіздко.

Фреймом називають структуру даних для представлення та опису стереотипних об'єктів, подій або ситуацій. Фреймова модель представлення знань складається з двох частин:

  • • набору фреймів, що становлять бібліотеку всередині подаються знань;
  • • механізмів їх перетворення, зв'язування і т.д.

Існує два типи фреймів:

  • • зразок (прототип) - интенсиональное опис деякого безлічі екземплярів;
  • • примірник (приклад) - екстенсіональності уявлення фрейм-зразка.

У загальному вигляді фрейм може бути представлений таким кортежем:

де ІФ - ім'я фрейму; ІС - ім'я слота; ЗС - значення слота; ПП - ім'я приєднаної процедури (необов'язковий параметр).

Слоти - це деякі незаповнені підструктури фрейма, заповнення яких призводить до того, що даний фрейм ставиться у відповідність деякій ситуації, явища чи об'єкту.

Як дані фрейм може містити звернення до процедур (так звані приєднані процедури). Виділяють два види процедур: процедури-демони і процедури-слуги. Процедури-демони активізуються при кожній спробі додавання або видалення даних з гнізда. Процедури-слуги активізуються тільки при виконанні умов, визначених користувачем при створенні фрейма.

Продукційні моделі - це набір правил виду "умови - дія", де умовами є твердження про вміст бази даних, а дії являють собою процедури, які можуть змінювати вміст бази даних.

Формально продукція визначається наступним чином.

де ( i ) - ім'я продукції (правила); Q - сфера застосування правила; Р- передумова (наприклад, пріоритетність); З - предикат (відношення); А → В - ядро; N - постумови (зміни, що вносяться до системи правил).

Практично продукції будуються за схемою "ЯКЩО" (причина чи інакше посилка), "ТО" (наслідок чи інакше мета правила).

Отримані в результаті спрацьовування продукцій нові знання можуть використовуватися для таких цілей:

  • • розуміння і інтерпретація фактів і правил з використанням продукцій, фреймів, семантичних ланцюгів;
  • • рішення задач за допомогою моделювання;
  • • ідентифікація джерела даних, причин розбіжностей нових знань зі старими, отримання метазнаній;
  • • складання питань до системи;
  • • засвоєння нових знань, усунення протиріч, систематизація надлишкових даних.

Процес розгляду комп'ютером набору правил (виконання програми) називають консультацією. Її найбільш зручна для користувача форма - дружній діалог з комп'ютером. Інтерфейс може бути в формі меню, на мові команд і на природній мові.

Діалог може бути побудований на системі запитань, що задаються користувачем, комп'ютером, або фактів - даних, що зберігаються в базі даних. Можливий змішаний варіант, коли в базі даних недостатньо фактів.

При прямому пошуку користувач може задавати дві групи питань, на які, комп'ютер дає пояснення:

  • 1) ЯК отримано рішення. При цьому комп'ютер повинен видати на екран трасу у вигляді посилань па використані правила;
  • 2) ЧОМУ комп'ютер поставив якесь питання. При цьому на екран видається своєрідна траса, яку комп'ютер хотів би використовувати для виведення після отримання відповіді на питання, що ставиться. Питання ЧОМУ може бути заданий як в процесі консультації, так і після виконання програми.

Специфічний алгоритм пошуку, який реалізується логічними мовами: він є фактично послідовним перебором по дереву зверху-вниз-зліва-направо.

Виділимо наступні характеристики ЕС: призначення, проблемна область, глибина аналізу проблемної області, тип використовуваних методів і знань, клас системи, стадія існування, інструментальні засоби.

Призначення визначається наступною сукупністю параметрів: мета створення експертної системи - для навчання фахівців, для вирішення завдань, для автоматизації рутинних робіт, для тиражування знань експертів і т.п .; основний користувач - не фахівець в області експертизи, фахівець, учень.

Проблемна область може бути визначена сукупністю параметрів предметної області і завдань, що вирішуються в ній. Кожен з параметрів можна розглядати як з точки зору кінцевого користувача, так і розробника експертної системи.

З точки зору користувача предметну область можна характеризувати її описом в термінах користувача, що включає найменування області, перелік і взаємини подобластей і т.п., а завдання, які вирішуються існуючими експертними системами, - їх типом. Зазвичай виділяють наступні типи завдань:

  • • інтерпретація символів або сигналів - складання смислового опису за вхідними даними;
  • • діагностика - визначення проблеми та перешкоди (захворювань) за симптомами;
  • • передбачення - визначення наслідків спостережуваних ситуацій;
  • • конструювання - розробка об'єкта з заданими властивостями при дотриманні встановлених обмежень;
  • • планування - визначення послідовності дій, що призводять до бажаного стану об'єкта;
  • • стеження - спостереження за умов, що змінюються станом об'єкта і порівняння його показників з встановленими або бажаними;
  • • управління - вплив на об'єкт для досягнення бажаного поведінки.

З точки зору розробника доцільно виділяти статичні і динамічні предметні області. Предметна область називається статичною, якщо описують її вихідні дані не змінюються в часі (точніше, розглядаються як що не змінюються за час виконання завдання). Статичність області означає незмінність описують її вихідних даних. При цьому похідні дані (виведені з вихідних) можуть і з'являтися заново, і змінюватися (не зраджуючи, проте, вихідних даних). Якщо вихідні дані, що описують предметну область, змінюються за час виконання завдання, то предметну область називають динамічною. Крім того, предметні області можна характеризувати наступними аспектами: числом і складністю сутностей, їх атрибутів і значень атрибутів; связностью сутностей і їх атрибутів; повнотою знань; точністю знань (знання точні або правдоподібні: правдоподібність знань представляється деяким числом або висловлюванням).

Завдання, які вирішуються, з точки зору розробника експертної системи, також можна розділити на статичні і динамічні. Будемо говорити, що ЕС вирішує динамічну або статичну задачу, якщо процес її рішення змінює або не змінює вихідні дані про поточний стан предметної області.

У переважній більшості існуючі ЕС виходять із припущення про статичності предметної області і вирішують статичні завдання. Будемо називати такі ЕС статичними. ЕС, які мають справу з динамічними предметними областями і вирішують статичні або динамічні задачі, будемо називати динамічними.

Завдання, які вирішуються, крім того, можуть характеризуватися такими аспектами: числом і складністю правил, які у завданню, їх зв'язності, простором пошуку, числом активних агентів, що змінюють предметну область, класом вирішуваних завдань.

За ступенем складності виділяють прості і складні правила. До складних належать правила, текст записи яких природною мовою займає 1/3 сторінки і більше. Правила, текст записи яких займає менше 1/3 сторінки, відносять до простих.

Можна сказати, що ступінь складності завдання визначається не просто загальним числом правил даного завдання, а числом правил в її найбільш зв'язковий незалежної подзадаче.

Простір пошуку може бути визначено принаймні трьома чинниками: розміром, глибиною і шириною. Розмір простору пошуку дає узагальнену характеристику складності завдання. Виділяють малі (до 3,6 • 106 станів) і великі (понад 3,6 • 106 станів) простору пошуку. Глибина простору пошуку характеризується середнім числом послідовно застосовуваних правил, що перетворюють вихідні дані в кінцевий результат, ширина простору - середнім числом правил, придатних до виконання в поточному стані.

Клас задач визначає методи, використовувані ЕС для їх вирішення. Даний аспект в ЕС набуває таких значень: завдання розширення, довизначення, перетворення. Завдання довизначення і розширення є статичними, а завдання перетворення - динамічними.

До завдань розширення відносяться такі, в процесі вирішення яких здійснюється тільки збільшення інформації про предметну область, що не приводить ні до зміни раніше виведених даних, ні до іншої області завдань.

До завдань довизначення відносяться завдання з неповною або неточною інформацією про реальну предметної області, мета вирішення яких - вибір з безлічі альтернативних поточних станів предметної області того, яке адекватно вихідними даними. У разі неточних даних альтернативні поточні стани виникають як результат ненадійності даних і правил, що призводить до різноманіття різних доступних висновків з одних і тих самих вихідних даних. У разі неповних даних альтернативні стану є результатом довизначення.

Більшість існуючих ЕС вирішують завдання розширення, в яких немає ні змін предметної області, ні активних агентів, що перетворюють її. Подібне обмеження неприйнятно при роботі в динамічних областях.

За ступенем складності структури ЕС ділять на поверхневі і глибинні. Поверхневі ЕС представляють знання про область експертизи у вигляді правил (умова-дія). Умова кожного правила визначає зразок деякої ситуації, при дотриманні якої правило може бути виконано. Пошук рішення полягає у виконанні тих правил, зразки яких зіставляються з поточними даними (поточною ситуацією в РП). При цьому передбачається, що в процесі пошуку рішення послідовність формованих таким чином ситуацій нс обірветься до отримання рішення, тобто не виникне невідомої ситуації, яка непорівнянний ні з одним правилом. Глибинні ЕС, крім можливостей поверхневих систем, мають здатність при виникненні невідомої ситуації визначати за допомогою деяких загальних принципів, справедливих для області експертизи, які дії слід виконати.

За типом використовуваних методів і знань ЕС ділять на традиційні і гібридні. Традиційні ЕС використовують в основному неформалізовані методи інженерії знань та неформалізовані знання, отримані від експертів. Гібридні ЕС використовують методи інженерії знань, формалізовані методи, а також дані традиційного програмування і математики.

Сукупність розглянутих вище характеристик дозволяє визначити особливості конкретної ЕС. Однак користувачі найчастіше прагнуть охарактеризувати ЕС будь-яким одним узагальненим параметром. У зв'язку з цим говорять про покоління ЕС. В даний час виділяють ЕС першого і другого поколінь. Однак, мабуть, слід говорити про три покоління ЕС. До першого покоління слід віднести статичні поверхневі ЕС, до другого - статичні глибинні ЕС (іноді до другого покоління відносять гібридні ЕС), а до третього - динамічні ЕС (ймовірно, вони, як правило, будуть глибинними і гібридними).

Останнім часом виділяють два великі класи ЕС (що істотно відрізняються за технологією їх проектування), які ми умовно називаємо простими і складними ЕС. До простих можна віднести поверхневу і традиційну (рідше гібридну) ЕС, виконані на персональній ЕОМ і містять від 200 до 1000 правил. До складних ЕС відносяться глибинна і гібридна ЕС, виконані або на символьної, або на потужної універсальної ЕОМ, або на інтелектуальної робочої станції, що містять від 1500 до 10 000 правил.

Стадія існування характеризує ступінь опрацьованості і налагодженості ЕС. Зазвичай виділяють наступні стадії: демонстраційний прототип, дослідний прототип, діючий прототип, промислова система, комерційна система.

Демонстраційним прототипом називають ЕС, яка вирішує частину необхідних завдань, демонструючи життєздатність методу інженерії знань. При наявності розвинених інтелектуальних систем для розробки демонстраційного прототипу потрібно приблизно 1-2 міс. Демонстраційний прототип працює, маючи 50-100 правил. Розвиток демонстраційного прототипу призводить до дослідницького прототипу.

Дослідницьким прототипом називають систему, яка вирішує всі необхідні завдання, але нестійка в роботі і не повністю перевірена. Дослідницький прототип зазвичай має в базі знань 200 - 500 правил, що описують проблемну область.

Діючий прототип надійно вирішує всі завдання, але для вирішення складних завдань може знадобитися надмірно багато часу і (або) величезна пам'ять. Число правил в такій системі дорівнює 500-1000.

Експертна система, що досягла промислової стадії, забезпечує високу якість рішення всіх завдань при мінімумі часу і пам'яті. Зазвичай процес перетворення діючого прототипу в промислову систему полягає в розширенні числа правил до 1000-1500 і переписуванні програм з використанням більш ефективних інтелектуальних систем.

Узагальнення завдань, що вирішуються на стадії промислової системи, дозволяє перейти до стадії комерційної системи, придатної як для власного використання, а й для продажу різним споживачам. У базі знань такої системи 1500-3000 правил.

Діапазон можливих засобів побудови ЕС простягається від мов високого рівня до засобів підтримки низького рівня. Розділимо інструментальні засоби побудови ЕС на чотири основні категорії:

  • • мови програмування;
  • • мови інженерії знань;
  • • допоміжні засоби;
  • • кошти підтримки.

Мови програмування, що застосовуються для роботи в області ЕС, - це, як правило, або проблемно-орієнтовані мови (Фортран, Паскаль і т.д.), або мови обробки текстів (Лісп, Пролог). Проблемно-орієнтовані мови розроблені для спеціального класу задач. Наприклад, Фортран зручний для виконання алгебраїчних обчислень і найчастіше застосовується в наукових, математичних і статистичних обчисленнях. Мови обробки текстів розроблені для прикладних областей штучного інтелекту. Наприклад, Лісп має механізми для маніпулювання символами в формі спискові структур. Список є просто набором елементів, укладених в дужки, де кожен елемент може бути або символом, або іншим списком. Спискові структури є зручним будівельним матеріалом для представлення складних понять. У мові Лісп все відносини між об'єктами описуються через списки, що містять відносини об'єкта з іншими об'єктами.

Додамо, що Лисп існує в різних версіях. Наприклад, Інтерлісп і Маклісп мають різні засоби підтримки (редактори та засоби налагодження), але однаковий синтаксис.

Мови програмування, подібні Ліспі, представляють максимальну гнучкість розробнику ЕС, але ніяк не підказують йому, як представляти знання або як побудувати механізм доступу до бази знань. З іншого боку, мови інженерії знань, такі як KAS, мають меншу гнучкість, оскільки розробник системи повинен користуватися схемою управління, яка визначається вбудованим в мову механізмом виведення. Ці мови, проте, забезпечують деякий керівництво і готові механізми виведення для управління і використання бази знань.

Мова інженерії знань є майстерним інструментальним засобом розробки ЕС, зануреним у велику підтримує оточення. Мови інженерії знань можна розділити на скелетні і універсальні, Структурний мову інженерії знань є просто "роздягненою" експертною системою, тобто ЕС без спеціальних предметних знань, що включає в себе тільки механізм виведення і засоби підтримки.

Універсальна мова інженерії знань може бути застосовний до проблем різного типу в різних прикладних областях. Він забезпечує більш широкі можливості управління пошуком даних і доступом до них, ніж скелетні системи, але може виявитися, що його важче використовувати. Різні універсальні мови значно варіюють в сенсі спільності і гнучкості.

Допоміжні засоби побудови ЕС складаються з програм, які надають допомогу в придбанні знань у експерта, і поданні їх, і програм, які допомагають розробляти проекти експертних систем.

Засоби підтримки - це просто пакети програм, які додаються до засобу побудови ЕС, щоб спростити його використання, полегшити діалог і зробити його більш ефективним. Це - засоби налагодження, введення-виведення, пояснення, редактори баз знань.

Інтелектуальні системи розрахунково-логічного типу припускають організацію бази знань у вигляді функціональної семантичної мережі. Розглянемо коротко алгоритми пошуку рішень на функціональної семантичної мережі (ФСС). Першим завданням, яка повинна бути вирішена, є вибір уявлення, в якому реалізуються процедури пошуку рішень і організації обчислювального процесу. При цьому доцільно вибрати уявлення в просторі станів. В даному поданні завдання пошуку рішень можна формально записати наступним чином:

де - початковий стан; - кінцевий стан; S - безліч проміжних станів; - безліч операторів, які переводять процес пошуку з одного стану в інший. Кожному математичного відношенню / у, поставимо у відповідність список (кортеж) параметрів, які в нього входять. Таким чином, розглянутий алгоритм передбачає роботу з обліковим структурами даних.

При знаходити власні шляхи розв'язання на ФСС як безлічі операторів виступають дозволу математичних відносин реалізуються у вигляді окремих програмних модулів, сукупність яких для даної проблемної області становить локальну (може бути, одну з багатьох) базу процедур. Тут верхній індекс η вказує на параметр, який в даному дозволі виступає як функція, а нижній індекс / - на номер відповідного математичного відносини в сукупності математичних відносин. Завдання вихідних даних визначає початковий стан S 0, а шукане рішення - кінцеве (цільове) стан. Вибір на кожному черговому кроці деякого конкретного оператора здійснюється відповідно до деякими правилами, які для даної проблемної області складають локальну базу правил.

Перший алгоритм реалізує стратегію зворотної хвилі, починаючи пошук рішення задачі з цільового стану, тобто від шуканого параметра. Суть алгоритму полягає в наступному. Відповідно до алгоритму пошуку рішень Нільсона утворюємо наступні списки: S 1 - список параметрів, які повинні бути розраховані; S 2 - список параметрів, для яких обрані дозволу для розрахунку. Додатково утворюємо ще два списки: S 3 - список дозволів, що включаються до плану рішення задачі, і S 4 - список оцінок складності реалізації дозволу, вибрали в план рішення задачі. Дані оцінки дозволяють при наявності декількох планів вибрати найкращий, тобто реалізувати класичну постановку задачі прийняття рішень.

У другому алгоритмі реалізується стратегія прямої хвилі, тобто планування йде від вихідних даних до цільового параметру.

Багатофункціональність розроблюваних систем обробки інтелектуальної інформації може бути забезпечена за рахунок сучасного підходу до збереження та використання знань проектувальників.

Основний принцип даного підходу полягає в тому, що завдання вирішуються на основі не просто даних, а знань. Останні є істотно більш потужними і дозволяють вирішувати на їх основі складні завдання.

Традиційні ЕС мають лише один механізм підтримки прийняття рішень - логічний висновок і лише один засіб представлення знань - правила. Останнім часом активно розвивається нове покоління ЕС - гібридні експертні системи (ГЕС).

Для використання ГЕС як засіб підтримки прийняття управлінських рішень необхідно передбачити можливість обліку характеристик особи, що приймає рішення (ОПР). У цьому випадку в експертній системі має бути присутня гнучка схема логічного висновку, а підтримка прийняття рішень має здійснюватися відповідно до конкретної аналітичної моделлю користувача. На рис. 5.20 приведена спрощена архітектура ГЕС.

Дана архітектура нс претендує на повноту і характеризує відмінність ГЕС від традиційних ЕС.

Експерт відповідної предметної області повинен мати можливість задавати оцінки об'єктів, виявлені в результаті його взаємодії з підсистемою обробки експертних знань. Отримані таким чином експертні знання будуть зберігатися в базі експертних знань.

Одним з основних етапів розв'язання задачі багатокритеріального вибору є налагодження моделі на систему переваг ОПР. Вона виявляється в результаті взаємодії ЛПР і підсистеми виявлення переваг ОПР. Знайдені таким чином характеристики ЛПР зберігаються в базі характеристик ЛПР.

Банк моделей повинен містити широкий набір вирішальних правил, що виражають різні стратегії поведінки користувача.

Спрощена архітектура ГЕС

Мал. 5.20. Спрощена архітектура ГЕС

 
< Попер   ЗМІСТ   Наст >