28. Нечеткое отношение предпочтения.

При моделировании реальных систем могут быть такие ситуации, когда у ЛПР нет четкого представления (информации) об отношении предпочтения между всеми или некоторыми альтернативами, а можно лишь оценить степень выполнения того или иного предпочтения между парами альтернатив в виде числа из интервала [0;1]. В таком случае с помощью ЛПР (или эксперта) можно ввести нечеткое отношение предпочтения .

Нечетким отношением нестрогого предпочтения на множестве альтернатив будем  называть любое заданное на этом множестве нечеткое рефлексивное отношение  Итак, нечеткое отношение предпочтения  на  будем описывать функцией принадлежности , обладающей свойством рефлексивности, то есть  для всех . Если - нечеткое отношение предпочтения на множестве  , то для любой пары альтернатив  значение  следует понимать как степень выполнения предпочтения . На основе заданного на  нечеткого отношения нестрогого предпочтения  можно однозначно определить три соответствующих ему нечетких отношения: 1) безразличия ; 2) эквивалентности ; 3) строгого предпочтения , которые используются для определения и анализа свойств множества недоминируемых альтернатив в задачах принятия решений [20; 37]. По аналогии с обычными (то есть

четкими) отношениями предпочтения они определяются так:

; ,

.

То есть отношение эквивалентности  определяется так: альтернатива  эквивалентна  ,если одновременно выполняются отношение  и . Используя ранее введенные определения операций нетрудно получить выражения для функций принадлежности этих отношений :

1) нечеткое отношение безразличия

  (9.4.3)

2) нечеткое отношение эквивалентности

 ;                (9.4.4)

3) нечеткое отношение строгого предпочтения

       (9.4.5)

29. Машинное обучение в системе искусственного интеллекта.

Эффективность методов машинного обучения в основном определяется их способностью исследовать большее количество взаимосвязей данных, чем может человек. Машинное обучение используется позднее для поиска зависимостей в уже отлаженном проекте. Машинное обучение предполагает использование различных методов

Большинство экспертных систем ограничены негибкостью их стратегий принятия решений и трудностью модификации больших объемов кода. Очевидное решение этих проблем — заставить программы учиться самим на опыте, аналогиях или примерах.

Хотя обучение является трудной областью, существуют некоторые программы, кото­рые опровергают опасения о ее неприступности. Одной из таких программ является AM — Автоматизированный Математик, разработанный для открытия математических законов [Lenat, 1977, 1982]. AM строил теоремы, модифицируя свою базу знаний, и использовал эвристи­ческие методы для поиска наилучших из множества возможных альтернативных теорем. Из недавних результатов можно отметить программу Коттона [Cotton и др., 2000], кото­рая изобретает "интересные" целочисленные последовательности.

К ранним трудам, оказавшим существенное влияние на эту область, относятся иссле­дования Уинстона по выводу таких структурных понятий, как построение "арок" из на­боров "мира блоков" [Winston, 1975я]. Алгоритм ID3 проявил способности в выделении общих принципов из разных примеров [Quinlan, 198ба]. Система Meta-DENDRAL выво­дит правила интерпретации спектрографических данных в органической химии на при­мерах информации о веществах с известной структурой. Система Teiresias — интеллек­туальный "интерфейс" для экспертных систем — преобразует сообщения на высоко­уровневом языке в новые правила своей базы знаний [Davis, 1982]. Программа Hacker строит планы для манипуляций в "мире блоков" посредством итеративного процесса выработки плана, его испытания и коррекции выявленных недостатков [Sussman, 1975]. Ра­бота в сфере обучения, основанного на "пояснениях", продемонстрировала эффектив­ность для обучения априорному знанию [Mitchell и др., 1986], [DeJong и Моопеу, 1986]. Сегодня известно также много важных биологических и социологических моделей обу­чения. Они будут рассмотрены в главах, посвященных коннекционистскому и эмерджентному обучению.