- •Введение
- •1. Основные направления исследований в области искусственного интеллекта
- •Контрольные вопросы и задания
- •2. Классификация интеллектуальных информационных систем
- •2.1. Системы с интеллектуальным интерфейсом
- •2.2. Экспертные системы
- •2.3. Самообучающиеся системы
- •2.4. Адаптивные информационные системы
- •Контрольные вопросы
- •3. Представление данных и знаний
- •3.1. Данные
- •3.2. Знания
- •Контрольные вопросы
- •4. Классические способы представления знаний в интеллектуальных системах
- •4.1. Логическая модель представления знаний
- •4.2. Представление знаний правилами продукций
- •4.3. Объектно-ориентированное представление знаний фреймами
- •4.4. Семантические сети
- •Контрольные вопросы
- •5. Способы обработки знаний
- •5.1. Методы поиска решений на основе исчисления предикатов
- •5.2. Прямой и обратный вывод в экспертных системах продукционного типа
- •5.3. Обработка знаний в интеллектуальных системах с фреймовым представлением
- •Контрольные вопросы
- •6. Методы приобретения знаний
- •6.1. Проблемы структурирования знаний
- •Контрольные вопросы
- •7. Методы принятия решений на основе нечетких знаний
- •7. 1. Элементы теории нечетких множеств
- •7.2. Нечеткие операции, отношения и свойства отношений
- •7.3. Многокритериальный выбор альтернатив с использованием правила нечеткого вывода
- •7.4. Ранжирование альтернатив на множестве лингвистических векторных оценок
- •7.5. Метод нечеткого логического вывода в задаче выбора фирмой кандидата на замещение вакантной должности бухгалтера
- •Контрольные вопросы и задания
- •8. Технологии разработки экспертных систем
- •8.1. Технология проектирования и разработки экспертных систем
- •8.2. Этапы проектирования баз знаний
- •8.3. Методы проектирования баз знаний
- •8.4. Характеристика инструментальных средств
- •Контрольные вопросы и задания
- •9. Технологические процессы объектно-ориентированного программирования в проектировании интеллектуальной системы поддержки управления
- •Заключение
- •Библиографический список
- •Оглавление
Контрольные вопросы и задания
1. Сформулируйте основные отличия систем искусственного интеллекта от обычных программных средств.
2. Перечислите и охарактеризуйте основные компоненты статических экспертных систем.
4. Какого профиля специалисты привлекаются для разработки экспертных систем? Каковы их функции?
5. Чем отличаются динамические экспертные системы от статических?
6. Охарактеризуйте экспертную систему по следующим параметрам: типу приложения, стадии существования, масштабу, типу проблемной среды, типу решаемой задачи.
7. Расскажите об основных характеристиках инструментальных средств, предназначенных для разработки интеллектуальных информационных систем (уровень используемого языка, парадигма программирования; способ представления знаний, механизм вывода и моделирования, средства приобретения знаний, технологии разработки приложений).
8. Опишите основные технологические этапы разработки экспертных систем: идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию.
9. Технологические процессы объектно-ориентированного программирования в проектировании интеллектуальной системы поддержки управления
Повышение эффективности деятельности предприятия требует качественно нового подхода к постановке задач принятия решений в оперативно-диспетчерском управлении (ОДУ). Как показывает опыт проектирования автоматизированных систем оперативно-диспетчерского управления (АСОДУ), в настоящее время наиболее перспективным представляется включение в контур управления экспертных систем, позволяющих повысить интеллектуальный уровень принимаемых решений.
В случае плохо формализованных задач, а именно такие чаще всего возникают в системах ОДУ во многих предметных областях (ПО) (таких, как горное дело, атомная энергетика, химическое производство и т.п.), процедуры принятия оптимальных решений обычно слабо реализуемы. Поэтому правильному принятию решений способствует создание баз знаний, основанных на принципах объектно-ориентированного подхода (ООП). Имеющиеся в нем средства позволяют отображать реальные сущности предметной области в виде объектов, которые взаимодействуют друг с другом через сообщения. Конечный пользователь получает возможность естественным образом работать с сущностями ПО как с объектами (классами объектов), используемыми в его профессиональной деятельности. Гибкое сочетание ООП и БЗ, а также использование современных средств отображения информации позволяют определить новый подход к постановке и решению задач принятия решений в системах поддержки диспетчера (СПД).
Интеллектуализация ОДУ — проблема со многими аспектами, в числе которых находятся традиционные для искусственного интеллекта задачи, инвариантные по отношению к области применения (поддержка принятия решений, взаимодействие с пользователем на естественном языке и т.п.).
Задачи интеллектуализации СПД как предметной области связаны с вопросами одновременного распознавания многих взаимосвязанных технологических ситуаций. В большинстве практических случаев даже быстродействующие реализации процедуры принятия управленческих решений не способны оценить все возможные сочетания параметров, характеризующих ситуацию, поскольку множество их бесконечно или практически бесконечно. Кроме того, принятие эффективных управляющих решений является сложной задачей для оперативного персонала из-за неполноты информации о ситуациях, большой размерности объекта идентификации, отсутствия формализованного описания объекта (основная часть информации представляется в форме рекомендаций специалистов-экспертов). Разнообразные технологические ситуации требуют от управляющего диспетчера различных типов знаний для принятия соответствующих решений. В настоящее время процесс принятия решений по распознаванию ситуаций остается одной из самых сложных задач для оперативного персонала, особенно при возникновении нештатных ситуаций, в которых отсутствуют запрограммированные управленческие решения.
Для создания базы знаний и механизма логического вывода интеллектуальной СПД требуются:
метод описания ситуаций, позволяющий структурировать сущности предметной области в базе знаний;
алгоритм использования диагностических знаний для автоматической идентификации ситуации на ПЭВМ.
Эти задачи могли быть решены при помощи либо методов искусственного интеллекта с использованием соответствующего программного инструментария — оболочек ЭС, либо языков представления знаний. Однако применение подобных средств осложняется спецификой обсуждаемой предметной области: необходимостью работы в реальном масштабе времени, большим объемом знаний и ограниченностью вычислительных ресурсов, имеющихся в контуре управления.
Это обусловливает применение структурных элементов описания, предлагающих сравнительно низкий уровень абстракции знаний, а именно причинно-следственных деревьев с задержками по времени, называемых деревьями знаний (ДЗ).
Основной единицей описания предметной области в процессе идентификации является алгоритм обработки, который представляет собой разветвленную последовательность логических заключений, выполняемых на основании фактической информации о технологическом объекте управления и приводящих к выводу о состоянии этого объекта. Этот алгоритм реализует процедуральные (описанные в технологических регламентах и инструкциях) и когнитивные (субъективная модель процесса, сформированная оператором) знания об объекте.
Условие, содержащееся в вершине ДЗ, является минимальной единицей знаний, представляемой в процессе описания ПО. Идентификация события заключается в проверке условия одного из четырех описываемых ниже типов.
1. Анализ значения объекта
P*V ± e Si, (9.1)
где Si — идентифицируемое событие;
Р — значение объекта ( технологического параметра);
V — величина, с которой сравнивается значение Р;
* — предикатный символ (=,<>,>,>=,<,<=);
е — допустимая ошибка рассогласования, определяющая уверенность в том, что ситуация (событие) может быть распознана.
Задание значения «е» связано с определением степени принадлежности μ(Si) для нечеткого множества Sm на шкале [0,1]. Иными словами, «е» является функцией отображения Si на интервал [0, 1], т.е.
e:Si [0,l] = μSm(Si), (9.2)
где Si — некоторая распознаваемая ситуация; Sm — эталонная (полностью известная и описанная) ситуация из базы знаний.
С учетом (9.2) возможна обработка нечеткой (как числовой, так и лингвистической) информации путем введения в ДЗ соответствующих узлов. Следовательно, появляется возможность анализа состояния технологических объектов в нечетких условиях среды функционирования.
С помощью узла 1-го типа можно записать правило:
ЕСЛИ значение объекта Р достигло (превысило и др., в зависимости от предикатного символа) некоторой величины V с точностью е, ТО имеет место событие Si.
2. Анализ изменения значения параметра
dP / dt * V ± e Si, (9.3)
где dP/dt — изменение значения технологического параметра Р за время dt.
Приведенное высказывание (9.3) означает, что в узле 2-го типа может содержаться правило вида:
ЕСЛИ значение технологического параметра Р за время dt изменилось на некоторую величину V с точностью е, ТО имеет место событие Si.
3. Анализ взаимосвязей параметров
Pk * aPl + b ± e Si, (9.4)
где Рk — значение зависимого технологического параметра;
Pl — значение независимого технологического параметра;
а — коэффициент регрессии;
b — свободный член уравнения регрессии.
Приведенное высказывание (9.4) означает, что в узле 3-го типа может содержаться правило:
ЕСЛИ значение технологического параметра Рk изменяется в соответствии с линейной зависимостью от параметра Р1 с коэффициентами a, b и точностью е, ТО имеет место событие Si
4. Анализ диалоговой информации
"?" Si, (9.5)
где «?» — запрос у оператора недостающей информации.
Высказывание (9.5) означает, что событие Si (а также дальнейшее продвижение по ДЗ) определяется оператором. Введение события 4-го типа вызвано отсутствием в технологической ЭВМ ряда важных для анализа ситуации параметров и другой информации. При обработке события 4-го типа система выдает оператору запрос, который предполагает ответ в форме (да/нет/ не знаю) и определяет путь дальнейшего продвижения по ДЗ.
При принятии решений в реальном масштабе времени необходимо учитывать временной фактор. Иногда важно не только установить факт наступления события, но и проанализировать, сколько времени прошло с момента наступления предыдущего события. Для учета динамических изменений объекта управления введены временные задержки на ветвях дерева.
Итак, рассмотрена модель описания предметной области деятельности диспетчера в виде деревьев знаний.
Под предметной областью, как и раньше, будем понимать набор ее понятийных сущностей. Для задач распознавания ситуаций СПД сущностями можно считать технологические параметры состояния оборудования, технологические ситуации на объекте, диагностируемые события, последовательность действий оперативного персонала, анализируемые условия и др.
Модель ПО представляется в виде системы сущностей (объектов), в качестве которых выступают данные, их атрибуты и отношения между ними. Данные отображаются в файлах БД или БЗ; действия над ними осуществляются прикладными программами или процедурами. Каждая процедура (или прикладная программа) отражает некоторое знание об определенной функции или задаче; последующая формализация модели ПО направлена на приближение к профессиональной терминологии пользователя. Одним из возможных способов достижения этой цели является объектно-ориентированный подход.
Модель представления знаний приведена на рис. 9.1. Объект MANAGER управляет деревьями, описывающими работу различных подсистем. Каждое дерево — это отдельный алгоритм анализа ситуаций, связанных по технологическим признакам, причем ДЗ — это бинарное дерево, в каждой вершине которого содержится определенное условие. Корневые вершины являются исходными точками для поддеревьев (подалгоритмов) ДЗ. Вершины четырех типов описаны выше.
Структура ДЗ на основе ООП представлена на рис. 9.2. В ней отражены объекты сущность—атрибут—связь. Между сущностями указаны два вида связей: обязательная, которая обозначается — , и необязательная (факультативная) - - - - . На концах связей указаны поименованные ассоциации сущностей.
В данной модели MANAGER, являющийся сущностью верхнего уровня иерархии, образует обязательную связь с сущностью TREE (т.е. ни одно дерево не существует без связи с менеджером). В свою очередь, TREE имеет два обязательных атрибута: указатель на корень дерева и число вершин дерева. Из схемы видно, что узлы ROOT, FIRST, SECOND, THIRD, FOURTH обязательно связаны с сущностью BASE и наследуют ее свойства и признаки. Сущность TREE является «другом» BASE, т. е. все функции класса TREE имеют доступ к закрытой части класса BASE. Кроме этого, показано, что корневой узел (родоначальник поддерева ДЗ) должен быть узлом первого типа, а узел первого типа может не быть корневой вершиной. Узлы различных типов, наследуя признаки и атрибуты базовой сущности BASE, также имеют только им присущие атрибуты. Корневой узел ROOT, являясь по сути узлом FIRST и наследуя его свойства, должен добавить свой атрибут — время исполнения подалгоритма ДЗ.
Рис. 9.1. Модель представления знаний в виде деревьев знаний (ДЗ)
Каждая используемая в процессе управления последовательность действий при анализировании ситуаций представляет собой отдельный объект, свойства которого как элемента класса представлены в БЗ. Таким образом, с помощью понятия «объект» описываются ситуации, объединенные в логические последовательности, и атрибуты (идентифицирующие данные ситуации), свойственные этому объекту. В результате объект TREE становится носителем информации о значениях атрибутов, что отображает набор экспертных правил.
Разработав соответствующий алгоритм анализа ситуации (дерево), когнитолог заполняет БЗ, т.е. создает объект TREE в БЗ. Для объекта задаются:
номер или имя объекта, по которому к нему можно обратиться;
количество вершин в дереве.
Рис. 9.2. Структура дерева знаний
Кроме того, каждому объекту (дереву, узлу) предоставляется некоторый набор процедур, которые запоминаются в БЗ и позволяют производить те или иные действия над объектом. В соответствии с этими процедурами и функциями осуществляется создание, редактирование, загрузка, удаление, сохранение объекта, а также его обработка: сканирование дерева, раскрытие вершин (рис. 9.3).
В ООП основные понятия описания исследуемой предметной области, такие, как логическая последовательность действий, при распознавании ситуаций можно обозначить объектами с общими свойствами. В общем виде модель предметной области для задачи распознавания нештатных ситуаций в интеллектуальной СПД предприятия представляется в виде
МПО = {(T,N,P)/t}.
В этой модели используются объекты:
Рис. 9.3. Операции над объектами ДЗ
Т = {Ti}, i , T — множество задач или подсистем;
N = {NR, N1, N2, N3, N4} — множество, в котором данные сформированы по задачам из множества Т и содержатся в узлах ДЗ: корневом, первого, второго, третьего и четвертого типов;
Р = {Pj}, — множество процессов j-гo логического вывода дерева знаний, t — временной фактор.
Гибкое сочетание объектно-ориентированного программирования и баз знаний для представления реальных информационных сущностей предметной области в виде древовидных структур является наиболее оправданным подходом к интеллектуализации в данной предметной области. Конечный пользователь в итоге получает возможность естественным образом работать с сущностями предметной области как с объектами, используемыми в его профессиональной деятельности, а такие свойства ООП, как полиморфизм, инкапсуляция, наследование, позволяют достигнуть компактности программного кода системы.