![](/user_photo/2706_HbeT2.jpg)
- •1 Основные понятия и структурная схема приборного комплекса.
- •17 Принципы построения измерителей навигационных параметров в живом организме.
- •2.Комплексы оборудования самолетов.
- •10 . Основные направления развития исследований и систем искусственного интеллекта
- •4. Основные характеристики и требования, предъявляемые к системам отображения информации.
- •5. Навигационные комплексы. Общие сведения и классификация.
- •11.Диалоговые системы искусственного интеллекта.
- •12 Бионика, как наука.
- •6.Основные закономерности построения навигационных комплексов.
- •7.Навигационные комплексы на базе микропроцессоров.
- •8.Иерархические структуры навигационных комплексов. Системы искусственного интеллекта в навигационных комплексах.
- •18 Общие принципы построения биологических навигационных комплексов.
- •22 Интеллектуальный биологический навигационный комплекс.
- •9.Понятие об искусственном интеллекте. Интеллектуальные системы.
- •13 Обобщенная модель живого организма.
- •14 Основные функции живого организма.
- •15 Навигационная бионика. Общность задач и основных принципов навигации в живой природе и технике.
- •16 Общая характеристика методов навигации.
- •19 Информационное обеспечение пространственной навигации животных.
- •20 Обеспечение точности и надежности функционирования навигационных биосистем.
- •21 .Накопление априорной информации в биологических навигационных комплексах при обучении.
- •23 Основные особенности биологических навигационных комплексов.
- •24 Системы искусственного интеллекта – системы, базирующиеся на знаниях.
- •25 Основные структуры систем искусственного интеллекта.
- •26 Представление знаний.
- •27. Семантические сети.
- •28 Фреймовые модели.
- •29 Логические модели знаний и системы логического вывода.
- •30 Продукции и продукционные системы.
- •31. База знаний систем искусственного интеллекта.
- •32 Стратегия управления и механизм вывода в системах искусственного интеллекта.
- •33 Прямая цепочка рассуждений. База знаний. Обобщенный алгоритм работы.
- •34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
- •35 Общие методы поиска решений в пространстве состояний.
- •41)Нечеткие множества и лингвистические переменные.
- •42)Операции с нечеткими множествами.
- •37 Особенности разработки баз знаний бортовых экспертных систем.
- •43)Нечеткие алгоритмы.
- •47) Программная и аппаратная реализация нечетких регуляторов.
- •44)Общие принципы построения интеллектуальных систем управления на основе нечеткой логики.
- •45) Процедура синтеза нечетких регуляторов.
- •46) Синтез адаптивной сау с эталонной моделью на основе нечеткой логики.
- •48)Общая характеристика проблемы построения искусственных нейронных сетей. История проблемы.
- •49)Моделирование механизмов человеческого мышления. Модели нейронов.
- •50_Реализация логических функций на формальных нейронах. Проблема «Исключающего или».
- •51 .Искусственные нейронные сети. Общие положения.
- •52 . Персептрон ф. Розенблатта.
- •53 .Адаптивный пороговый элемент.
- •55. Общие принципы построения интеллектуальных сау с использованием нейронных сетей.
- •39 Нечеткая логика: история проблемы, практические приложения.
- •54. Многослойные персептроны. Алгоритм обратного распространения.
- •57 Применение нейронных сетей в задачах адаптации алгоритмов управления нелинейными объектами.
- •62. Нейрокомпьютер фирмы аас.
- •61. Способы реализации нейронных сетей. Примеры реализации нейрокомпьютеров.
- •1. Нейрокомпьютеры на базе транспьютеров.
- •58. Применение нейронных сетей в задачах идентификации математических моделей динамических объектов.
- •59 Обзор возможных вариантов построения нейронных сетей.
- •63.Генетические алгоритмы. Особенности построения и реализации
- •38 Системы искусственного интеллекта с использованием нечеткой логики.
- •36.Проблемы разработки бортовых оперативно-советующих экспертных систем.
34 Обратная цепочка рассуждений. Дерево решений. База знаний. Обобщенный алгоритм работы.
Обратной цепочка рассуждений начинается с уже происшедшего события и идет к его истокам. Программные средства, работающие по принципу обратной цепочки рассуждений, предназначены для поиска причин по уже известному результату. Цепочка выполняется с помощью серии вопросов, которые система ИИ задает человеку. Система, реализующая прямую цепочку рассуждений, на основании имеющихся условий делает возможные логические выводы; система, реализующая обратную цепочку рассуждений по имеющимся выводам, ищет необходимые для них условия.
Разработка базы знаний: дерево решений
Прежде всего, поставим задачу, для решения которой будет разрабатываться экспертная система. Представим ситуацию: к директору крупной технической фирмы пришел человек, желающий устроится на работу. Директор располагает сведениями о его квалификации, о потребностях фирмы в специалистах и общем положении дел в фирме. Ему нужно решить, какую должность в фирме может занять посетитель.
Для описания подобных задач обычно используются диаграммы, которые называются деревьями решений.
На рис. показано дерево решений для примера с приемом на работу. Диаграмма состоит из кружков и прямоугольников, которые называются вершинами. Каждой вершине присваивается номер. На вершины можно ссылаться по этим номерам. Линии, соединяющие вершины, называются дугами или ветвями. Кружки, содержащие вопросы, называются вершинами решений. Прямоугольники содержат цели диаграммы и означают логические выводы. Линии показывают направление диаграммы. Многие вершины имеют сразу по несколько ветвей, связывающих их с другими вершинами. Выбор выходящей из вершины ветви определяется проверкой условия, содержащегося в вершине.
Рис 34
35 Общие методы поиска решений в пространстве состояний.
Методы перебора.
Задачу поиска в пространстве состояний можно сформулировать в общем виде так. Пусть исходная задача описывается тройкой (S, F, Т), где S – множество начальных состояний; F – множество операторов, отображающих одни состояния в другие;
Т – множество целевых состояний.
Решение задачи заключается в нахождений последовательности операторов 1, 2, ..., k (iF), которые преобразуют начальные состояния в целевые.
Эвристические методы поиска. Эти методы поиска возможно использовать тогда, когда располагают некоторыми эмпирическими правилами, которые позволяют сокращать объем просматриваемых вариантов решений. Эвристическая информация основывается на опыте, здравом смысле и интуитивных допущениях разработчика.
При использовании эвристических методов поиска открытые вершины стремятся упорядочить таким образом, чтобы процесс поиска распространялся в наиболее перспективных направлениях. Для определения направления поиска используется некоторая мера, характеризующая перспективность вершины или пути, где эта вершина находится
Метод редукции. При использовании метода редукции поиск необходимой совокупности данных для решения задачи сводится к решению составляющих подзадач. Задачи описываются различными способами: в виде списков, деревьев, массивов и т.д.
Если дуга исходит из вершины pi и направлена к вершине pj то вершину pi по отношению к pj называют родителем, а вершину рj по отношению к pi – преемником.
Последовательность вершин рi1, pi2, ..., pik, где каждая рij является преемником pi(j–1) для j=2, ..., k, называется путем длиной k от pi1 к рjk.
Таким образом, задача поиска в пространстве состояний описывается с помощью понятий теории графов. Задается начальная вершина (исходное состояние) и множество целевых вершин Т. Для построения пространства состояний используются операторы F. Последовательно, начиная с корня, к вершинам дерева применяются операторы, относящиеся к этому yровню, для определения (построения) вершин – преемников следующего уровня. Процесс применения соответствующих операторов к какой – либо вершине для определения ее преемников называется раскрытием вершины.
Дуги, связывающие начальную вершину с преемником, идентифицируются как соответствующие операторы преобразования.
Получаемые вершины – преемники проверяются: не являются ли они целевыми. После этого переходят к раскрытию вершин следующего уровня. Кроме того, есть вершины, к которым нельзя применить никаких операторов. Они называются терминальными. Процесс раскрытия вершин графа продолжается до тех пор, пока в результате не будут получены целевые или терминальные вершины.
Поиск на графе состояний можно рассматривать как процесс построения некоторого графа G, содержащего целевую вершину.
Поиск, в глубину. прежде всего раскрывается та вершина, которая имеет наибольшую глубину. Из вершин, расположенных, на одинаковой глубине, выбор вершины для раскрытия осуществляется произвольно. Для сдерживания возможного следования по бесперспективному пути вводится ограничение на глубину. Вершины, находящиеся на граничной глубине, не раскрываются.
Поиск в ширину. раскрываются в последовательности их порождения. Поиск идет по ширине дерева, так как раскрытие вершины происходит вдоль одного уровня. Целевая вершина выбирается сразу же после порождения. При поиске в ширину возможно нахождение наиболее короткого пути к целевой вершине, если такой путь есть.
Поиск на основе стоимости дуг. Во многих случаях дугам ставят в соответствие некоторую стоимость, чтобы внести оценку для использования соответствующего правила. Стоимость пути между двумя вершинами определяется как сумма стоимостей всех дуг, соединяющих вершины, лежащие на этом пути. При поиске целевой вершины стремятся найти путь минимальной стоимости. Раскрытие вершин производится в порядке возрастания их стоимости.
Поиск с возвратом (бэктрекинг). при выборе правила определяется точка возврата, т. е. если дальнейший поиск в выбранном направлении приведет к сложностям или будет бесперспективным, то осуществляется переход к точке возврата, пройденной на ранних этапах поиска. Далее применяется другое правило, и процесс поиска продолжается.