2.7. Методика решения неформализуемых задач принятия решений

2.7.1. Архитектура экспертной системы

Неформализуемые решения не имеют модели и ма­тематических методов решений. Они основаны на здра­вом смысле, опыте и интуиции руководителя. Для реше­ния неформализуемых за дач используются некоторые новые математические методы, а также экспертная оцен­ка ситуации (экспертные системы). Первой экспертной системой считается программа, обладающая свойствами искусственного⁴интеллекта и разработанная в конце 60-х годов в Стэндфордском университете (США) под руковод­ством проф. Э. Фейнгбаума.

Экспертная система - это информационная систе­ма, построенная на знаниях экспертов-специалистов в определенной области и предназначенная для поддерж­ки решения неформализуемых (интеллектуальных) за­дач пользователей.

Экспертные системы (ЭС) создаются для решения задач, обладающих следующими характеристиками:

• отсутствие математической модели задачи и ме­тодов ее решения;

• большой объем пространства (исходные данные, параметры управления, искомые переменные), в котором ищется решение;

• наличие «шума» в исходных данных (ошибки, недостаточность или избыточность информации):

• наличие квалифицированных экспертов;

• возможность структуризации (формализации) знаний предметной области.

Архитектура ЭС (рис. 4) включает:

• интерфейсы пользователей (П), специалистов по ЭС (СЭС), которые работают совместно с экспер­тами (Э), и коммуникационные интерфейсы;

• базу знаний (БЗ) - совокупность структуриро­ванных знаний о предметной области, организо­ванную так, чтобы на основе этих знаний с помо­щью программ ЭС можно было делать рассуж­дения, находить решение и объяснять выбор того или иного решения;

а систему управления базой знаний (СУБЗ) - со­вокупность языковых и программных средств для создания и ведения БЗ;

П

СЭС

З

Интерфейсы

СУБЗ

СОВР

СПР

ВЗУ

База знаний

Рис. 4. Архитектура экспертной системы

• систему поиска решения (СПР) - комплекс про­грамм, позволяющих на основе БЗ с помощью ма­тематических, логических и эвристических методов дать пользователю рекомендации по приня­тию решения;

• систему объяснения выбранного решения (СОВР) — комплекс программ, поясняющих пользователю, почему СПР выбрала то или иное решение.

Для формализации знаний в БЗ используются сле­дующие структуры:

• понятия (математические и нематематические);

• факты (объекты, явления, ситуации);

• правила (зависимости, закономерности, связи);

• процедуры (алгоритмы).

Названные структуры являются основой для пост­роения моделей представления знаний в БЗ.

2.7.2. Модели представления знаний, поддерживаемые эс

В соответствии со структурами формализованных знаний в БЗ применяются следующие модели представ­ления знаний:

Модели формальной логики используют основные элементарные функции логики: дизъюнкцию, конъюнк­цию, инверсию, импликацию и др. БЗ представляет со­бой цепочки логических функций, которые позволяют получить выводы из имеющихся исходных данных.

Ф₃

Ф₁

Продукционные модели представляют набор фак­тов (Ф), соединенных правилами (продукциями — П), которые объединяют определенные факты (рис. 5). Пра­вила являются неизменной частью модели, факты же могут изменяться. Правила связывают факты условия­ми типа «Если имеет место факт Ф , то наступает факт Ф₅» и т. д. Такие цепочки Рассуждений приводят к тре­буемому выводу.

П П

Ф₁₀

П

Ф₅

Ф₇

П П

П

Рис. 5 Фрагмент продукционной модели знаний

Фреймовые модели, которые в последнее время явля­ются наиболее популярными в некоторых предметных об­ластях. Фрейм - это минимальная структура информации о факте в БЗ. Каждый фрейм содержит информации о факте и условиях существования факта (рис. 6). Фрейм может быть условием существования другого факта. Таким обра­зом, группа фреймов образует семантическую (смысловую) цепочку, которая позволяет сделать необходимый вывод.

ФАКТ

ФРЕЙМ

УСФ1

. . . .

УСФN

УСФ2

ФРЕЙМ

ФРЕЙМ

ФРЕЙМ

Рис. 6. Фрагмент фреймовой модели знаний.

Обозначение: УСФ - условие существования факта.

Модели нечеткой логики отличаются от моделей формальной (математической) логики тем, что кроме двух высказываний «истинно (1)» и «ложно (0)» используют­ся такие высказывания, как «много», «мало», «часто», «редко», «около 90», «приблизительно 250», «не менее 5,0», «не более 1000», «в диапазоне от 0,5 до 0,75» и др. Значение истинности в этой модели принимает дроб­ное значение от 0 до 1. Определение значения истинности входных данных в этом случае во многом зависит от че­ловека. Так же, как в формальной логике, в нечеткой логике используются свои логические функции, позволя­ющие учесть в выводах неопределенности входной инфор­мации. Нечеткая логика позволяет делать приближенные рассуждения, основанные на нечетких исходных данных.

В последние годы по программам развития искусст­венного интеллекта в различных фирмах мира ведутся ин­тенсивные исследования по новым моделям знаний в БЗ.