- •Введение
- •1. Искусственный интеллект в роботах
- •1.1. Обеспечение взаимодействия системы управления с человеком
- •1.2. Схема интеллектуального управления в робототехнических комплексах
- •1.3. Интеллектуальное программирование и интеллектуальный интерфейс
- •1.4. Организация интеллектуальных систем
- •2. Экспертные системы
- •2.1. Структура экспертных систем
- •2.2. Технология разработки экспертных систем
- •2.3. Механизм вывода в экспертных системах
- •2.4. Методы поиска решений в экспертных системах
- •2.5. Поиск в одном пространстве состояний
- •2.6. Поиск решения методом редукции
- •2.7. Поиск решения во множестве факторизованных пространств
- •2.8. Поиск в фиксированном множестве пространств
- •2.9. Поиск в изменяющемся множестве пространств (метод нисходящего уточнения)
- •2.10. Поиск в альтернативных пространствах
- •2.11. Поиск с использованием нескольких моделей
- •3. Представление знаний в системах
- •3.1. Продукционные системы
- •3.2. Системы поиска на основе классической логики
- •3.3. Использование логики предикатов первого порядка при представлении знаний
- •3.4. Использование фреймов при представлении данных
- •3.5. Семантические сети
- •4. Нейронные сети в системах искусственного интеллекта
- •4.1. Области применения нейронных сетей
- •4.2. Персептронные нейронные сети
- •4.3. Обучение персептронных сетей
- •4.4. Сети встречного распространения
- •4.5. Обучение нейронных сетей методом обратного распространения ошибки
- •4.6. Обучение без учителя
- •4.7. Сети без обучения
- •4.8. Нейронные сети с радиальными базисными функциями (вероятностные сети)
- •4.9. Коллективы нейронных сетей
- •4.10. Аппаратно-программные средства реализации нейронных сетей для задач робототехники
- •2. Использование сетей для распознавания речи
- •3. Использование сетей для формирования законов управления
- •5. Методы нечеткой логики в интеллектуальных системах
- •5.1. Логические операции над нечеткими множествами
- •5.2. Получение выводов в нечеткой логике
- •5.3. Алгоритмы поиска решения в нечеткой логике
- •Заключение
- •Библиографический список
- •394026 Воронеж, Московский просп., 14
2.6. Поиск решения методом редукции
Этот метод применяется в тех случаях, когда пространство признаков можно представить в виде подзадач.
Подзадача – часть графа, итоговые вершины которого можно считать частными решениями.
18
Частные решения могут быть очевидными, тупиковыми, или решаемыми. I вид соответствует солевым вершинам графа; II – терминальным; III – совокупности вершин, к которым можно применять операторы. При редукции граф пространства состояний заменяется графом подзадач, имеющих очевидное решение. При построении графа подзадач применяются понятия конъюнктивных и дизъюнктивных вершин. Эти понятия применяются к вершинам, из которых исходят не менее двух направлений поиска. Конъюнктивной вершиной является
такая, для разрешения которой необходимо разрешение (поиск очевидного решения) по всем направлениям. Для дизъюнктивных вершин достаточно одного очевидного решения по одному из направлений.
При редукции могут применяться поиск в глубину и ширину, как и в пространстве состояний.
1(!) 2(7)
3(2) 4(5) 5(8)
6(3) 7(4) 8(6) 9(9) 10(10)
Рис. 6. Варианты направлений поиска в пространстве состояний
Рассмотренные выше методы поиска являются “слепыми”, т.к. они не отдают приоритета ни одной вершине нулево-
19
го слоя при выборе начальной точки поиска и ни одному направлению поиска при выбранной начальной вершине. В результате в предельном случае для нахождения решения может потребоваться раскрытие всех вершин. Объем поиска зависит и от цели поиска: необходим поиск всех решений или достаточно нахождения одного из возможных решений.
Рис. 7. Факторизованные подпространства в пространстве состояний
ПП – полное пространство (пространство признаков);
ПП1-ПП3 – факторизованное подпространство;
ЧР1-ЧР3 – частные решения;
ПР – полное решение.
Для некоторой минимизации объема поиска применяются эвристические методы, которые состоят в введении некоторых предварительных знаний в механизм поиска. Эти знания представляются или как оценка перспективности вершин с позиций вероятности нахождения решения, или как оценка перспективности поиска при раскрытии определенного направления, или как оценка объемов поиска при раскрытии направлений. В первом и втором случаях вводятся весовые оценки, которые оценивают вероятность нахождения решения при раскрытии определенной вершины или определенного на-
20
правления. В третьем случае вводятся весовые оценки, которые определяют объем порождаемых вершин при раскрытии направления. Все оценки перспективности устанавливаются экспертным путем и формируются в виде метапространства, дополняющего основное пространство состояний. В алгоритме поиске приоритет отдается вершинам и направлениям, имеющим наилучшие весовые показатели.
2.7. Поиск решения во множестве факторизованных пространств
Факторизованным пространством называется подпро- странство во множестве признаков, которые имеют частные решения (Рис. 7). Это означает, что во множестве промежуточных вершин графа поиска можно выделить вершины, кото-
рые можно квалифицировать как решения.