- •1.1. Методы искусственного интеллекта в прикладных системах и системах принятии решений
- •1.2. Интеллектуальные информационные технологии в прикладных системах и системах принятия решений
- •1.3. Типология задач интеллектуализации систем
- •Лекция 2. Представление знаний в интеллектуальных системах
- •2.1. Модели представления знаний
- •2.2. Системы, основанные на правилах
- •2.3. Системы, основанные на автоматическом доказательстве теорем
- •2.4. Системы, основанные на автоматическом порождении (выдвижении) гипотез
- •Лекция 3. Структура и основные компоненты прикладных интеллектуальных систем
- •3.1. Прикладные системы, основанные на знаниях
- •3.2. Структура системы управления, основанной на знаниях
- •3.3. Структура интеллектуальных систем поддержки принятия решения
- •3.4. Обобщенная структура экспертной системы
- •Лекция 4. Классификация прикладных интеллектуальных систем
- •4.1. Классификация экспертных систем
- •4.2. Примеры прикладных интеллектуальных систем
- •Лекция 5. Основные понятия и определения теории принятия решений
- •5.1. Роли людей в процессе принятия решений
- •5.2. Альтернативы
- •5.3. Критерии
- •5.4. Основные этапы процесса принятия решений
- •5.5. Математические методы теории принятия решений
- •Лекция 6. Принятие решений с помощью статистической проверки гипотез
- •6.1. Статистические решения
- •6.2. Основные задачи статистических решений
- •6.3. Статистическая проверка гипотез
- •6.4. Ошибки решения
- •6.5. Решающее правило при проверке гипотез
- •Лекция 7. Байесовская и последовательная процедуры принятия решения.
- •7.1. Байесовские процедуры принятия решения
- •7.1.1. Байесовская процедура при проверке простой гипотезы
- •7.1.2. Байесовские процедуры в задаче классификации
- •7.2. Принятие решения с помощью последовательной процедуры Вальда
- •Лекция 8. Принятие решения методом дискриминантнного анализа
- •8.1. Классификация в случае, когда распределения классов определены полностью
- •8.1.1. Модель двух нормальных распределений с общей ковариационной матрицей (модель Фишера)
- •8.1.2. Модель двух нормальных распределений с разными ковариационными матрицами
- •8.1.3. Модель нескольких нормальных распределений с общей ковариационной матрицей
- •8.2. Классификация при наличии обучающих выборок
- •8.2.1. Подстановочный алгоритм в модели Фишера
- •8.2.3. Правила классификации
- •8.3. Ошибка решающего правила
- •Лекция 9. Древообразные классификаторы
- •9.1. Назначение древообразных классификаторов
- •9.1. Структура дерева классификации
- •9.3. Вычислительные задачи древообразных классификаторов
- •9.3.1. Определение качества предсказания
- •9.3.2. Выбор разбиений
- •9.3.3. Определение правила прекращения разбиения
- •Лекция 10. Деревья решений
- •9.1. Характеристики дерева решений
- •9.2. Построение дерева решений
- •Лекция 11. Методы прогнозирования
- •11.1. Анализ временных рядов
- •11.1.1. Модель временного ряда
- •11.1.2. Тренд, сезонная и циклическая компоненты
- •11.1.3. Декомпозиция временного ряда
- •11.1.4. Экспоненциальное сглаживание
- •11.2. Каузальные методы прогнозирования
- •11.3. Качественные методы прогнозирования
- •Лекция 12. Основная задача линейного программирования
- •12.1. Математическая модель основной задачи линейного программирования
- •12.2. Задача линейного программирования с ограничениями-неравенствами
- •12.3. Примеры задач линейного программирования
- •12.3.1. Транспортная задача
- •12.3.2. Задача о назначениях
- •Лекция 13. Симплекс-метода решения задачи линейного программирования
- •13.1. Характеристика симплекс–метода
- •13.2. Табличный алгоритм замены базисных переменных
- •13.3. Отыскание опорного решения основной задачи линейного программирования
- •13.4. Отыскание оптимального решения основной задачи линейного программирования
- •Лекция 14. Многокритериальные методы принятия решений при объективных моделях
- •14.1. Объединение критериев
- •14.2. Метод главного критерия
- •14.3. Метод последовательных уступок
- •14.4. Метод целевого программирования
- •14.5. Метод, использующий принцип гарантированного результата
- •14.6. Метод равных наименьших относительных отклонений
- •14.7. Процедура STEM поиска удовлетворительных значений критериев
- •Лекция 15. Выбор Парето–оптимальных решений
- •15.1. Основные определения
- •15.2. Графическая интерпретация
- •15.3. Постановка задачи
- •Лекция 16. Оценка многокритериальных альтернатив с помощью теории полезности
- •16.1. Теория полезности
- •16.2. Принятие решения на основе значения ожидаемой полезности
- •16.3. Многокритериальная теория полезности (MAUT)
- •Лекция 17. Сравнение альтернатив методом аналитической иерархии
- •17.1. Основные этапы метода аналитической иерархии
- •17.2. Декомпозиция задачи
- •17.3. Попарное сравнение критериев и альтернатив
- •17.4. Свойства идеальной матрицы сравнений
- •Лекция 18. Приоритеты для критериев и альтернатив и выбор наилучшей альтернативы в методе анализа иерархий
- •18.1. Вычисление собственных характеристик обратно симметричной матрицы
- •18.2. Вычисление величины приоритетов
- •18.3. Определение наилучшей альтернативы
- •18.4. Проверка согласованности
- •18.5. Пример применения метода анализа иерархий
- •Лекция 19. Оценка многокритериальных альтернатив методами ELECTRE
- •19.1. Этапы подхода, направленного на разработку индексов попарного сравнения альтернатив
- •19.2. Свойства бинарных отношений
- •19.3. Метод ELECTRE I
- •19.4. Метод ELECTRE II
- •19.5. Метод ELECTRE III
- •Лекция 20. Основные понятия и математическая модель игровых методов обоснования решений
- •20.1. Основные понятия теории игр
- •20.2. Математическая модель игры
- •20.3. Нижняя и верхняя цена игры. Принцип минимакса
- •Лекция 21. Методы решения игр
- •21.1. Решение игры в чистых стратегиях
- •21.2. Решение игры в смешанных стратегиях
- •21.3. Упрощение игр
- •21.4. Решение игры 2х2
- •21.5. Графический метод решения (2х2)-игр
- •Лекция 22. Игры 2 х п
- •Лекция 23. Решение игр т х 2 и т х п
- •23.1. Решение игр т х 2
- •23.2. Решение игр т х п
- •Лекция 24. Критерии принятия решений в условиях риска и неопределенности
- •24.1. Основные понятия. Математическая модель
- •24.3. Максиминный критерий Вальда
- •24.4. Критерий минимаксного риска Сэвиджа
- •24.5. Критерий пессимизма-оптимизма Гурвица
- •Литература
не |
является причиной ai. Значения Jm+ и |
Jm− образуют две прямоугольных матрицы J + |
и |
J − |
оценок обоснованности гипотез. |
Основная процедура ДСМ-метода состоит |
в |
нахождении новых гипотез (т. е. элементов матриц J + и J − ) на основе работы с
положительными и отрицательными примерами. Формирование оценки достоверности причинно-следственной связи между двумя факторами X и Y описывается с помощью систем многозначных логик.
Автор ДСМ-метода В. К. Финн выделяет три основных уровня рассматриваемого метода. На первом уровне, или уровне сходства, задается структура данных, характеризующих объекты предметной области, а также операция сходства, сопоставляющая двум объектам из предметной области третий объект, выражающий сходство первых двух.
На втором уровне, уровне правил, объекты из предметной области делятся на положительные примеры (объекты, вызывающие некоторый интересующий нас эффект W) и отрицательные примеры (объекты, не вызывающие эффект W). Правила находят сходства положительных примеров и проверяют ряд условий, позволяющих называть найденные свойства гипотезами о структурных причинах эффекта W.
На третьем уровне, уровне рассуждений, составляются последовательности применения правил правдоподобного вывода и проверок некоторых условий на множестве всех исходных данных и полученных гипотез. Это необходимо для получения вывода об обоснованности ДСМ–вывода.
ДСМ-метод применим к тем предметным областям, в которых данные хорошо структурированы, но плохо формализованы. Примерами таких данных могут служить:
1)объекты–множества, причины–множества;
2)объекты–кортежи, причины–кортежи;
3)объекты–слова, причины–слова;
4)объекты–графы, причины–графы.
Для формализации схем Милля в ДСМ-методе используются предикаты сходства, различия и аналогии. Эти предикаты применяются как к множеству положительных примеров, на основании которых формируются гипотезы, так и к множеству отрицательных примеров.
Лекция 3. Структура и основные компоненты прикладных интеллектуальных систем
3.1. Прикладные системы, основанные на знаниях
Интеллектуальными системами называются обычно такие технические или программные системы, которые обладают способностью решать задачи, традиционно считающиеся творческими, интеллектуальными и принадлежат конкретной предметной области [25]. Знания о предметной области хранятся в памяти интеллектуальной системы. Для систем ИИ наиболее характерны следующие функции: экспертность, структуризация,
хранение и поиск информации, управление исполнением.
К системам ИИ относятся [9]: системы обработки текстов естественного языка (ЕЯсистемы), системы речевого общения, системы обработки визуальной информации, системы машинного перевода, системы управления, системы принятия и планирования решений, экспертные системы, оболочки экспертных систем и др.
Основным видом интеллектуальных компонент прикладных систем являются программные модули, реализующие логические модели представления знаний, а также модели в виде правил, семантических сетей и фреймов. Интеллектуальные компоненты таких систем проектируются в виде экспертных систем различного назначения (принятия
17
решений, планирования, мониторинга, обеспечения требуемых функций и др.) или систем, основанных на знаниях [17,18].
Экспертную систему (ЭС) от других автоматизированных систем на этапе ее использования отличают бóльшая интеллектуальность, специализация и ориентация на решение задач в определенной области.
Под экспертной системой будем понимать систему с языком не слабее языка логики предикатов первого порядка, имеющую непустое множество фактов и непустое множество знаний (базу знаний). При этом имитируется решение человеком определенного класса задач. Под имитацией понимается получение результатов, сравнимых с результатами квалифицированного эксперта.
Система экспертной поддержки содержит в качестве основных следующие компоненты:
базу знаний, которая предназначена для хранения информации, описывающей предметную область, и правил, описывающих целесообразные преобразования данных этой области;
интерпретатор, который формирует последовательность правил, обеспечивающих решение задачи;
компоненту приобретения знаний, которая автоматизирует процесс наполнения ЭС знаниями, получаемыми от эксперта.
Пользовательский интерфейс обеспечивает взаимодействие прикладной системы с конечным пользователем или внешними подсистемами. Под интеллектуальным интерфейсом (интеллектуальные средства общения) понимается такой интерфейс, который связан с процессом распознавания образов, речевым вводом и выводом, техническим зрением. Такой интерфейс основан на программно-аппаратных средствах искусственного интеллекта, обеспечивающих взаимодействие с ЭВМ на естественных языках. В состав интеллектуального интерфейса должны входить следующие компоненты:
семантическая модель предметной области; программно-аппаратные средства логического вывода, которые используются для
решения задач пользователя и для накопления знаний; система общения пользователя и ЭВМ на языке, близком к естественному.
Любая прикладная система должна строиться на основе определенных знаний о соответствующей предметной области. Множество этих знаний будем называть моделью знаний (М). Кроме модели М в системе всегда присутствует некоторый механизм принятия решений в виде совокупности определенных процедур. Этот механизм будем обозначать символом F.
3.2. Структура системы управления, основанной на знаниях
Рассмотрим структуру системы управления, основанной на знаниях. Система управления получает информацию от среды и объекта через входной преобразователь D. Решения, формируемые системой управления, поступают на объект через выходной преобразователь R. Символом W обозначен объект управления.
Структурная схема системы управления, называемой модельной, показана на рис. 3.1. В нее включен блок М, носящий название модели. Модель содержит в себе совокупность определенных знаний об объекте, используемых при управлении. В ряде случаев представлений знаний об объекте в модели оказывается более компактным, чем их отражение в алгоритме. В результате существенно упрощается описание системы управления и ее функционирования. Это положение нашло отражение в появлении специальных названий для этих двух способов хранения знаний. Хранение знаний в моделях называют декларативным представлением знаний, а хранение их в описании алгоритмов – процедурным представлением знаний.
18
D |
|
F |
М |
R |
|
W |
|
Рис. 3.1. Структурная схема модельной системы управления
Появление модели М в структуре системы управления приводит к необходимости организовать поиск знаний в этой модели. Этот поиск осуществляется блоком F. Разделение информации между блоками М и F удобно тем, что сменить информацию в М гораздо легче, чем написать новые процедуры для блока F. Если набор процедур блока М достаточно представителен, то такая модель управления за счет небольших усилий, связанных с введением новой информации в М, может адаптироваться к новому объекту управления.
Для описанных выше систем предполагается, что содержимое блока М в процессе управления остается неизменным. Другими словами, предполагается, что априорные знания об объекте и протекающих в нем процессах обладают достаточной полнотой и достоверностью. Для сложных объектов, изменяющихся во времени, для которых критерии управления четко не сформулированы, это предположение неверно. На самом деле содержимое блока М меняется в процессе работы системы управления: обновляется, уточняется, пополняется.
Структурная схема системы с перестраиваемой моделью знаний показана на рис. 3.2. Перестройка модели происходит с помощью специального блока I, называемого интерпретатором. Основной его задачей является интерпретация в терминах блока М наблюдаемых ответных реакций среды и объекта управления на воздействия системы управления и процессов, протекающих в W. Это осуществляется с помощью специальных процедур, реализуемых в интерпретаторе, таких как выделение причинно-следственных цепочек, обнаружение закономерностей, фиксация фактов заданного типа и т.п. Кроме того, в интерпретаторе могут реализовываться и специальные вычислительные процедуры, связанные с обработкой поступающей информации для представления в модели (например, процедуры статистической обработки, позволяющие строить статистические модели блока
М).
19
D |
|
F |
М |
R |
I |
W |
|
Рис. 3.2. Структурная схема системы управления с моделью знаний
Интерпретатор меняет структуру блока М, причем работает без заранее заданного плана, так как заложенные в него процедуры носят универсальный характер. Специфика управления заложена только в интерпретации найденных фактов и закономерностей в терминах, понятных блоку F конкретной системы управления.
3.3. Структура интеллектуальных систем поддержки принятия решения
Интеллектуальные системы поддержки принятия решений (ИСППР)
предназначены для помощи лицам, принимающим решения, при управлении сложными объектами и процессами различной природы в условиях временных ограничений и наличия различного рода неопределенностей (неполноты, нечеткости и противоречивости исходной информации, недетерминированности стратегии управления и т.д.). Такие системы относятся к классу интегрированных интеллектуальных систем, сочетающих строгие математические методы и модели поиска решения с нестрогими, эвристическими (логико-лингвистическими) моделями и методами, базирующихся на знаниях специалистов-экспертов, моделях человеческих рассуждений и накопленном опыте.
ИСППР включает ряд взаимодействующих между собой интеллектуальных модулей. К числу таких модулей относятся:
•база данных и знаний;
•решатель;
•модуль накопления и пополнения знаний,
•модули объяснения и организации взаимодействия с пользователем;
•модули моделирования проблемной ситуации и прогнозирования;
•модуль связи с внешними объектами;
•модуль организации различных видов интерфейса.
Поиск решения может осуществляться как с использованием традиционных механизмов принятия решений, так и на базе моделей и методов оперирования знаниями.
Структура интеллектуальной системы поддержки принятия решений приведена на рис. 3.3.
20
|
ОУ |
|
|
Технологический |
|
|
объект |
|
|
Датчики |
Подсистема |
|
|
моделирования |
|
База знаний |
База данных |
|
Блок |
|
|
прогнозирования |
|
|
|
Решатель |
ЛПР |
Блок отображения |
|
|
|
|
|
Блок |
|
|
документирования |
|
Рис. 3.3. Структура интеллектуальной системы поддержки принятия решений Рассмотрим базовые модули ИСППР.
База данных (БД) – хранилище информации об объекте управления, поступающей от объекта управления, от подсистемы моделирования, от ЛПР. Данные в БД представляют собой совокупность непрерывных и дискретных параметров объекта или его подсистем. Для представления элементов БД используется концепция иерархии классов в объектноориентированной технологии представления данных и знаний.
База знаний содержит экспертные знания, на основе которых проводится анализ состояния объекта. Вид представления знаний в БЗ определяется выбранной моделью представления знаний. Большое распространение в интеллектуальных системах получила продукционная модель с правилами типа:
Если <антецедент>, то <консеквент1> [, иначе < консеквент2>].
В ИСППР антецедент (условие) обычно представляет собой логическое выражение относительно параметров состояния объекта. Консеквент описывает некоторое действие, которое следует предпринять в случае истинности (консеквент1) или ложности (консеквент2) антецедента.
Решатель – модуль, который реализует алгоритм (стратегию) поиска решения на основе применения знаний из БЗ к данным из БД. Стратегия поиска решения формируется на основе анализа состояния ситуации (состояния объекта или его подсистемы) с учетом поступающей информации и информации, хранящейся в БЗ.
Блок прогнозирования осуществляет функции прогнозирования аномальных ситуаций и последствий управляющих воздействий. Прогнозирование производится по команде ЛПР на основе данных о текущем состоянии управляемого объекта, поступающих из БД, и знаний, хранящихся в БЗ.
Блок отображения информации выполняет функции представления информации ЛПР. Исходными данными для него являются данные из БД, результаты оценки состояния объекта, полученные решателем, результаты прогнозов, сделанных блоком прогнозирования.
21