- •Часть 1
- •Оглавление
- •Часть 1
- •Лекция 1 введение
- •1. Цели и задачи дисциплины. Ее место в учебном процессе.
- •2. История развития систем ии
- •3. Философские аспекты систем ии
- •Лекция 2 искуственный интеллект как научное направление
- •1. Человеко-машинные системы с искусственным интеллектом
- •2. Проблема искусственного интеллекта
- •3. Основные направления исследований в системах с искусственным интеллектом
- •Лекция 3 знания и данные
- •1. Знания - необходимая компонента ии
- •2. Макрознания и макроидеи
- •3. Данные и знания. Классификация знаний
- •4. Проблемы представления знаний
- •Лекция 4 представление знаний и рассуждений
- •Лекция 5 логические модели представления знаний
- •1. Предварительные замечания
- •2. Логическая модель представления знаний
- •Лекция 6 псевдофизичесие логики
- •1.Нечеткость в представлении знаний
- •2.Нечеткие множества.
- •3. Нечеткие отношения
- •2.Нечеткие выводы
- •3.Построение Функций принадлежности.
- •Лекция 7 псевдофизические логики
- •Нечеткaя логика
- •1. Нечеткая и лингвистическая переменные.
- •2. Нечеткая и лингвистическая логика
- •Лекция 8 псевдофизические логики
- •Нечеткие высказывания. Нечеткие алгоритмы
- •1. Нечеткие высказывания
- •2. Свойства высказываний.
- •3. Правила преобразования высказываний.
- •4. Понятие нечеткого оператора и алгоритма
- •5. Выполнение нечетких алгоритмов.
- •Лекция 9 продукционные модели представления знаний
- •3. Классификация ядер продукции.
- •4. Методы поиска решений
- •5. Методы логического вывода. Дедуктивный вывод
- •3. Повышение эффективности поиска
- •Лекция 10 методы представления и обработки нечетких знаний в продукционных системах
- •1. Представление экспертной информации
- •2. Представление экспертной информации в виде
- •Лекция 11 методы представления и обработки нечетких знаний в продукционных системах
- •1. Нечеткий вывод на основе дедуктивного логического вывода
- •2. Нечеткий вывод на основе индуктивного логического вывода
- •Лекция 12 сетевые семантические модели представления знаний
- •1. Основные понятия семантических сетей
- •Лекция 13 сетевые семантические модели представления знаний
- •4. Модели семантических сетей. Активные семантические сети (м-сети).
- •Лекция 14 фреймы и объекты
- •Лекция 15 сценарии
- •1. Основные определения
- •3. Каузальные сценарии
- •Лекция 16 модели обучения
- •1. Неформальные модели
- •2. Формальные модели
- •3. Обучение по примерам
- •Лекции 17 обучение по примерам
- •1. Итеративные алгоритмы обучения
- •2. Спецификация задач обучения по примерам
- •Библиографический список
3. Повышение эффективности поиска
Путь повышения эффективности поиска с обратной стратегией является выделение подзадач, решение которых рассматривается как достижение промежуточных целей на пути к конечной. Например, поиск неисправностей в автомобиле: вначале выясняется отказавшая подсистема (электропитания, охлаждения и т.д.), что значительно сужает пространство поиска. Уменьшить пространство состояний можно также путем удаления в нем ветвей, неперспективных для поиска успешного решения. Рассматриваются только те вершины, в которые можно попасть в результате следующего шага, а неперспективные направления исключаются из дальнейшего рассмотрения (альфа-бета метод). Например, если цвет предмета не красный, то его бессмысленно искать среди красных предметов.
Эвристические методы поиска используют некоторую информацию о проблемной области для рассмотрения не всего пространства поиска, а таких путей в нем, которые с наибольшей вероятностью приводят к цели. Один из способов - использование эвристической информации для определения на каждом шаге дальнейшего направления перебора. Для этого вводится мера перспективности вершины в виде некоторой оценочной функции. Оценочные функции, как правило, пытаются количественно оценить расстояние от текущей вершины до конечной. Из двух вершин при одинаковой глубине перспективней та, от которой меньше расстояние до цели. Процесс поиска может быть сформулирован в терминах "генерация проверка". При этом генерируется очередное возможное решение (состояние или подзадача) и проверяется, не является ли оно результирующим.
Помимо самих методов поиска решений в ПС важное место при разработке ПС занимают вопросы объяснения и обоснования полученных решений. Система объяснений функционально предназначена для формирования ответов на вопросы пользователя относительно поведения ПС в процессе получения ею заключения или решения. Большинство практических систем объяснений реализуются на одних и тех же принципах в основном двумя способами:
- фиксацией событий и состояний о помощью заготовленных текстов на естественном языке;
- трассировкой рассуждений, обратным развертыванием дерева целей с указанием подцелей.
При реализации каждого из этих способов предварительно выделяются ситуации, факты и узлы перехода в новые состояния. требующие объяснений. Им ставится в соответствие некоторый текст объяснения.
При способе фиксации событий объяснения составляются из кратких текстов, которые хранятся вместе с правилами и фактами. Эти тексты предварительно помещаются в программу и используются в случае, когда задан вопрос по соответствующей ситуации. этот способ имеет два основных ограничения для широкого применения:
1 ) объяснения должны исправляться каждый раз, когда меняется БЗ или соответствующие эвристики;
2) объяснение трудно адаптируется к конкретному пользователю, а его часто интересует именно цепочка логических выводов, приведших к заключению.
Способ трассировки рассуждений при объяснении предусматривает просмотр дерева целей для ответа на вопросы. Основываясь на дереве целей, можно объяснить, как было подучено заключение. Это достигается путем нахождения подцелей, которые были пройдены при движении к цели. Если требуются более детальные объяснения, то можно повторить каждое из задействованных правил, представив их в краткой формулировке на естественном языке.