- •2 Основные направления исследований в области искусственного интеллекта:
- •6 Этапы разработки экспертных систем
- •9.Логическая модель представления знаний
- •12. Продукционные модели и системы и вывод решений на их основе
- •13. Пример базы знаний с правилами продукций
- •14. Методы формирования решений в экспертной системе
- •15. Способы прямого и обратного вывода на множестве правил
- •16.Особенности, назначение, принципы работы экспертной системы ReSolver
- •17.Разработка экспертной системы с использованием ReSolver
- •18.Вывод, основанный на прецедентах
- •19.Основные особенности базы знаний, основанной на прецедентах. Схема работы экспертной системы с базой знаний, основанной на прецедентах
- •20.Особенности обработки знаний в условиях неопределенности
- •21.Вероятностный подход к обработке знаний в условиях неопределенности. Байесовские сети доверия
- •22.Оценка неопределенности суждений с использованием фактора уверенности
- •24. Обобщенная структура экспертной системы с использованием нечетких знаний.
- •28. Нечеткое отношение предпочтения.
- •29. Машинное обучение в системе искусственного интеллекта.
- •30. Пример обучения символьной системы методом индукции.
- •31. Методы интеллектуального анализа данных.
- •32. Пример дерева решений в избранной предметной области.
- •33. Методы классификации и кластерного анализа
- •35. Инструментальные средства поддержки принятия решений пользователей в информационной экономической системе.
- •36. Инструментальные средства искусственного интеллекта.
- •37. Перспективные направления и проблемы исследований в области искусственного интеллекта.
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.