2 Основных этапа многокритериальной оптимизации.

Постановка задачи критериального анализа: ЛПР имеет несколько вариантов выбора, несколько альтернатив u€U (U – мн-во возможных альтернатив, u - альтернатива), U должно содержать не меньше двух альтернатив.

Существует 2 вида принятия решения:

1. стратегическое планирование (U всегда дискретно и конечно).

2. тактическое планирование (U м.б. как дискретным, так и непрерывным).

Мнгокритериальная оптимизация - задача принятия решения, когда невозможно использовать теорию оптимизации. Она проходит в 2 этапа:

1 этап оптимизации: определение множеств эффективных векторных оценок (безусловная оптимизация). Она дает нам возможность отбросить изначально заведомо невыгодные альтернативы. При это весовые коэффициенты не учитываются. Пример: аксиома Парето.

Перед 2 этапом оптимизации критерии обычно приводят к 1 размерности и 1му диапазону измерений (нормализуют). Частные критерии считаются нормализованными, если области их изменения [Нi = 1 : m] совпадают.

Нормализацию проводят различными способами - от применения более грубых шкал при измерении оценок, до вычисления разного рада статистик.

О дна из распространенных форм нормализации:

[Она удобна тем, что все , причем min k'_i(v) = 0, max k'_i(v) = 1. Т.о., нормализованный частный критерий показывает, на какую часть всего диапазона изменений [0; 1] данный частный критерий превосходит мин значен.]

2 этап оптимизации (условная оптимизация): частные критерии и использование дополнительной информации для принятия решения (нормализация критериев и методы построения обобщенного критерия.)

Второй этап многокритериальной оптимизации требует привлечения дополнительнйо информации об относительной важности частных критериев, которые всегда являются субъективными. Поэтому второй этоп многокритеральной оптимизации называется условной оптимизацией.

Дополнительная информация о важности критерия может задаваться отношениями, аналогичными:

k(u)Pk(v)<=> u >v (u предпочтительнее v)

k(u)Ik(v)<=> u эквивалентно v (*)

k(u)Nk(v)<=> u и v – несравнимы

, и эта дополнительная информация д.б. полной и непротиворечивой.

Полнота доп.информации требует, чтобы для любой пары частных критериев можно было выделить одно из трех допустимых отношений (*), а непротиворечивость – для любой пары критериев, не д.б. справедливы несколько отношений одновременно.

С помощью нормализации частных критериев строятся пошаговые математические алгоритмы сужения исходного множества векторных критериев до единственного решения, которое можно оценить с заданной точностью. На каждом новом шаге обычно требуется новая уточняющая информация о важности критериев, что делает эти (многошаговые) методы трудоемкими («-» - трудоемки, «+» - гибкие). Более удобными для использования на практике, но менее точными являются одношаговые методы («-» - не гибкие, «+» - легкие).

В одношаговых методах вся исходная информация задается сразу при постановке задачи (т.е. вводится 1 раз и не меняется). Как правило, одношаговые методы позволяют получить единственное решение, но принимаемые при этом допущения настолько сильны, что использовать их разумно только для первичных оценок, прикидок или при принятии не ответственных решений (одношаговые методы не точны – большая вер-ть того, что не будет получен искомый рез-т).

Одношаговые методы делятся на две подгруппы: эвристические (не имеют строгого обоснования, применяются только для конкретных типов задач – основаны на субъективном упорядочивании критериев по важности) и аксиоматические (базируются на некоторой системе аксиом).

Эвристические методы заключаются в том, что нам необходимо найти какой-то конструктивный метод, для получения общей оценки.

Имеется некоторый критерий: W¯={W1,W2,……,Wn} – скалярный набор критериев.

Существует 4 эвристических метода скалярной оптимизации:

1. метод скаляризации – строится некоторая скалярная ф-ия всех аргументов:

W0=f (W1,W2,……,Wn)

[Простой пример – взвешенная сумма: W0'= 1/n∑αiWi (∑ - по i = 1 до n)

Скользящая сумма ∑αi=1 (∑ - по i=1 до n)]

Критерии д.б. предварительно нормализованы.

Каждому критерию присваивается весовой коэф-т (по важности – чем важнее критерий, тем выше вес.коэффициент. Сумма весовых коэффициентов равна 1).

2. Метод главного критерия – предварительный этап – упорядочивание критериев по важности (и в последующих методах). Задача сводится к скалярной – решаем задачу только для самого важного критерия, а остальные используются как ограничения.

W1→max (max-ем самый важный критерий )

W2≤C2

W3≤C3

…

Wn≤Cn

При определении const-ты исходят из оптимальных значений критериев.

3. Методы уступок (компромисов) – применяется чаще всего.

а) На первом шаге оптимизируем только 1ый критерий: W1→max=>W1*=>∆W1

Затем назначаем уступку ∆W1 по первому критерию.

б) оптимизируем второй критерий, (рассматривая 1ый), который будет меняться в интервале:

W2→max=>W2=>∆W2

W*1-∆W1≤W1≤W*1

Рассматриваем 2ой критерий при ограничении 1го критерия.

Получаем W2 и назначаем уступку (W2=>∆W2)

в) W3→max

W*1-∆W1≤W1≤W*1

W*2-∆W2≤W2≤W*2

…

Варианты этого метода:1) строится пр-во критерия – в нем строится утопическая точка, у кот. координаты имеют оптимальное значения;2) вводится метрика в этом пр-ве китериев (напр., *); 3) наилучшая точка определяется по min-му расстоянию до утопической точки W¯*.

4. Метод последовательной оптимизации (группу критериев оптимизируют поочередно, если получили не единственное решение, то то на след. iаге ищут max 2-го критерия и т.д. Для всех альтернатив по 1му критерию):

а) W1→max=>{a1,a2,..}=A1 решение оказалось не единственным.

б) W2→max=>A2 ai€A1

Если опять содержит не единственный элемент, то переходим к 3-му шагу:

в) W3→max ai€A2

….

Принципиальная разница – по этому методу нельзя учитывать все критерии («оправдание» - они менее важные).

Аксиома Парето и эффективные варианты. Определение множества Парето в дискретном и непрерывном случаях

Есть векторный критерий, который представляет собой мн-во частных критериев K={K₁,…,Kn}. Есть мн-во альтернатив: U={u,v,t,s}. Каждый критерий принимает свое значение при каждой из альтернатив.

	k1	k2	k3
u	9	5	6
v	7	2	6
s	8	5	5
t	8	5	7

Хотим, чтобы ki →max.

Варианты V и S – доминируемые: k(u)Pk(v); k(u)Pk(s).

Варианты U и T – несравнимые: k(u)Nk(t).

Т.е. если вариант имеет абсолютный max по к.-л. из показателей, то он не м.б. доминирован.

Альтернатива эффективная, если она не хуже др. альтернатив по каждому из критериев и лучше хотя бы по 1 из них. Альтернативы, которые не доминируют друг друга образуют множество эффективных альтернатив (Эджворта-Парето) H⁰. Их оценки образуют множество эффективных оценок V.

Аксиома Парето: пусть даны 2 векторные оценки K(U)={K₁(U),…,Kn(U)} и K(V)={K₁(V),…,Kn(V)} . Альтернатива K(u) предпочтительнее K(v), если каждый из показателей 1й оценки не хуже соответствующего показателя 2й оценки, а для какого-то он лучше.

k(u)Pk(v): сущ-ет i=1..m: для всех j≠i Kj(u) I Kj(v) и Ki(u) P Ki(v).

[Аксиома Парето: для любого векторного критерия k(u) из любого набора альтернатив u и для любых 2х оценок выполняется одно из трех отношений P, I, N.

k(u)Pk(v) - u предпочтительнее v; k(u)Ik(v) - u эквивалентно v; k(u)Nk(v) - u и v – несравнимы]

Анализ на доминирование – 1 этап многокрит. оптимизации (уменьшает мн-во альтернатив).

Определение множества Парето (св-во – все оптимальные точки обязательно будут на границе)

Непрерывный случай. Когда имеется 2 критерия и задана допустимая область изменения этих критериев, оба критерия хотим максимизировать.

Для сложных конфигураций границ применяется метод поиска Парето – оптимальных точек (областей) с помощью конусов.[конус – часть телесного угла, ограниченная лучами, соответствующими направлениям оптимизациям частных критериев]

Вершина конуса помещается во все точки границы, точка является Парето оптимальной если при помещении вершины конуса на эту точку весь конус находится вне допустимой области критерия.

Для минимизации конус направлен в другую сторону.

Образующие конусы ортогональны (90º) если критерии не зависимы друг от друга.

Дискретный случай. Когда оба критерия хотим минимизировать. Необходимо найти точки которые никакими другими не доминируются.

1. Фиксируются самые левые точки множества альтернатив, если их несколько, то из них выбирается нижняя;

2. Через эту точку проводятся горизонталь и вертикаль;

3. Фиксируются самые нижние точки, если их несколько, то выбирается самая левая из них;

4. Через эту точку проводятся горизонталь и вертикаль;

5. Все точки, лежащие на границе получившегося прямоугольника принадлежат множеству Парето;

6. Все точки лежащие вне получившегося прямоугольника отбрасываются;

7. К внутренним точкам прямоугольника применяется этот же алгоритм с первого шага.

Количественная оценка эффективности решений: функция полезности.

Общий подход к оценке эффективности решений – это выбор такого решения, которое приведет к исходу или исходам, имеющим наилучшую полезность.

Предметом ТПР является закономерности переработки инф-ии по состоянию системы в командную инф-ию (управление или решение). При этом формальная часть ТПР является исследованием операции, и цетральным понятием исследованя опрации является – операция.

Операция – это этап функционирования системы, связанный с определением достижения определенной цели.

+картинка

Xi – возможные решения, Ri – результаты операции. ПИОi – показатели исхода операции (определяет ЛПР). Нужно выбрать решение, которое приведет к исходу с наибольшей полезностью.

Решения, удовлетворяющие имеющимся ресурсам и ограичениям, называются допустимыми. Соответственно из них необходимо выбрать наилучшее решение.

[Последовательность решений, необходимых для выполнения операций, называютсястратегией:

Стратj={Реш1, Реш4, Реш2,…}

Стартегии делятся на жесткие (все решения принимаются до начала операции) и гибкие (последующее решение выбирается на основе анализа последствий пардыдущего решения).]

Результаты операции называются исходами. Исход операции – это ситуация, сложившаяся или прогнозируемая на момент завершения операций. Оценка исходов производится с помощью показателя исхода операции, который может включать один или несколько параметров операции.

Не существует универсальной меры ни полезности, ни эффективности – все субъективно. Эксперт – оценивает полезность исходов, а ПИО оценивает субъективную полезность.

ПИО должен отражать: 1) полезные результаты операции; 2) затраты ресурсов на получение результатов; 3) нежелательные результаты операции.

Существует три категории операций, в которых применяется ПИО:

1 – определенные операции. В детерминированных операциях неопределенных параметров нет. Основное свойство – каждому решению соответствует только один исход.

для любого xi€X=> rj→R

2 – случайные операции (вероятностные или стохастические). В вероятностных операциях любому решению соответствует несколько исходов, причем заданы вероятности появления этих исходов

[для любого xi€X=> Ri содержится в R

P (ri €Ri) = P (ri/x) =W(x, f(y)) – условная вер-ть]

xi→r1(p1);r3(p3)

В этих операциях критерии качества вероятностны, т.е. они описывают результаты операции только в среднем, с учетом полных вероятностей (условные вероятности заданы).

Принципиальная разница с предыдущим – выбираем такое решение, при кот. мат.ожидание будет наилучшим.

3 – неопределенные операции. Неопределенные операции – это когда любому возможному решению соответствует некоторое множество исходов, но вероятности этих исходов не известны.

для любого xi€X=> Ri содержится в R

В зависимости от тяжести возможных последствий в решении либо применен метод гарантированного результата (игровые методы, минимаксные), либо сводят задачу к вероятностной путем задания субъективных плотностей распределения исходов (в том случае, если нет опасности ошибки).

Универсальные меры полезности, обладающие физическим смыслом, не существует, особенно при неравномерных шкалах, поэтому используются субъективные оценки ЛПР.

Сущность функции полезности. Первая часть работы – определение полезности исходов. Для этого ЛПР расставляет показатели исходов операции (оценки).

Шкалу для расстановки ПИО выбирает ЛПР, это м.б. ранговые или количественные шкалы. ПИО характеризует предпочтительность одного исхода операции по сравнению с другим.

ri>rj=>ПИОi>ПИОj - прямая шкала

ri>rj=>ПИОi<ПИОj – обратная шкала

ri≈rj=>ПИОi=ПИОj

Можно подобрать функцию f(ri) при которой для любых i:

f(ri) = ПИОi

Такая функция называется функцией полезности и отражает только относительную полезность исходов (если f(ri) – ф-ия полезности, то и ф-ия φ(ri) – тоже ф-ия полезности):

φ(ri) = a* f(ri)+b , a > 0 (обязательно).

Можно подобрать (всегда) такие a и b, чтобы φ(ri)€[0,1].

Если даны значения f(r1)=1, f(r2)=2 не значит, что f(r1) в 2 раза (или на 1) хуже, чем f(r2).

Функции полезности могут быть непрерывными и дискретными, скалярными и векторными (применяются те же методы, что и при решении многокритериальных задач).

Представление знаний в ИС

Фридман А.Я.

Модели представления знаний в прикладных системах ИИ: особенности и сравнительная характеристика.

Модели представления знаний обычно делят на логические (формальные) и эристические (формализованные). В основе логических моделей представления знаний лежит понятие формальная система (теория).Эвристические модели имеют разнообразный набор средств, передающих специфические особенности той или иной проблемной области.

1)Семантические модели. В основе этой модели, лежит понятие сети образованной помеченными вершинами и дугами (граф). Вершины сети представляют некоторые сущности (объекты, события и т.п.), а дуги – отношения между сущностями, которые они связывают.

Наложив ограничения на описание вершин и дуг, можно получить сети различного вида. Если вершины не имеют собственной внутренней структуры, то такие сети называют иерархическими.

В семантических сетях есть возможность разделить сеть на подсети (пространства) и установить отношения не только между вершинами, но и между пространствами. Различные пространства могут быть упорядочены в виде дерева пространств, его вершинам соответсвует пространства, а дугам – отношения видимости.

Отношение видимости позволяет группировать пространства в упорядоченные множества – перспективы.

2)Фреймы.Фрейм – стурктура данных (т.е. деклоративное представление), отображающая некоторую стандартную ситуацию. С каждым фреймом ассоциируется разнообразная информация (о нем). Фрейм можно представить в виде сети, состоящей из вершин и отношений (дуг). Верхние уровни фрейма фиксированы и представляют сущности, всегда истинные в ситуации, которую он описывает. Нижние уровни заканчиваются слотами, заполняемые конкретной информацией при вызове фрейма. Фреймы удобно соединять в сети (значение к-л слота – имя другого фрейма).

Fr= {<имя слота>,<значение слота>} – пар м.б. несколько.

3)Логические модели.В основе логических моделей лежит понятие формальной теории, [задаваемой четверкой S::=<B,F,A,R>, где B – счетное множество базовых символов (алфавит) теории S;F- подмножество выражений теории S, называемых формулами теории;A – выделенное множество формул, называемых аксиомами теории S; R – конечное множество отношений {r1….rn} между формулами, называемыми правилами вывода.] Тройка AS (алгебраическая система) = <M,O,R>, где M – носитель, O – операции, R – отношения.

4)Продукционные системы образованы из правил, в которых сопоставление и планирование (управление) являются явными функциями системы, зафиксированными в интерпритаторе.Вида PS={<ri,qi>}, где ri условие применимости продукции (предпосылки), qi – действия, кот. надо выполнить при выполнении продукции.

5)Объектные МПЗ (модель представления знаний). Этот подход является развитием фреймового представления. В его основе лежат понятии «объект» и «класс», в качестве объектов могут рассматриваться конкретные предметы, а также абстрактные и реальные сущности. Класс определяет общие св-ва для всех его объектов.

Объекты и классы обладают характерными св-вами, которые активно используются при ООП и во многом определяют его преимущества.К ним относятся:

Инкапсуляция (скрытие информации)

Наследование (возможность создавать из классов новые классы по принципу от общего к частному)

Полиморфизм (способность объектов выбирать метод на основе типов данных, принимаемых в сообщении)

Сравнительная хар-ка:

1 и 2 - можно переходить от одного к другому.

2 – более гибкий; фреймы похожи на объекты, но объект не будет работать, если данные неполные, во фрейме же не все слоты могут быть определены.

3 «-» монотонность, негибкость (истина не станет ложным)

4 «+» чаще всего используются «-» низкая эффективность (медленно работает)

Фреймы – самая эффективная модель применения знаний.

Архитектура динамических и статических экспертных систем.

Э С – имитируют узкого специалиста в к-л области. Цель исследований по ЭС состоит в разработке программ, кот. при решении задач, трудных для эксперта-человека, получают рез-ты, не уступающие по качеству и эф-ти решениям, получаемым экспертом. Программные средства, базирующиеся на технологии ЭС, получили значительное распространение в мире.

Типичная статическая ЭС состоит из след. основных компонентов: решателя (интерпретатора); рабочей памяти (БД); базы знаний (БЗ); компонентов приобретения знаний; объяснительного компонента; диалогового компонента.

БД (раб. память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи, напр., факты, введенные пользователями или полученные самой ЭС (аналог – комп - ОЗУ).

БЗ в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области (комп - ПЗУ).

Во время запуска ЭС БЗ не меняется.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке ЭС участвуют представители следующих специальностей: 1. эксперт(обязан знать только свою область) в проблемной области, задачи которой будет решать ЭС. Определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭС знаний.

2. инженер по знаниям (обязан знать ср-ва разработки ЭС, правила работы ЭС и предметную область) - специалист по разработке ЭС. Помогает эксперту выявить и структурировать знания, необходимые для работы ЭС, определяет способ представления знаний в ИС; выделяет и программирует (традиционными средствами) стандартные функции, которые будут использоваться в правилах, вводимых экспертом, выбирает механизм вывода, стр-ру БД, БЗ.

3. программист (обязан знать ср-ва разработки ЭС) по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС. Разрабатывает ИС.

Структуру статической ЭС используют в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Сущ-т огр. класс приложений, в кот. треб. учитывать динамику. Это необх. В ЭС, рез-ты к-х непосред-но изменяют внеш. мир. В архитектуру динамической ЭС по сравнению со статической ЭС вводятся два компонента: подсистема моделирования внешнего мира (отвеч. За преобр-е инфы БЗ, БД, реш-ля) и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров. Кроме того, традиционные компоненты статической ЭС (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.

В динамических ЭС меняют БЗ; БД тоже меняют, т.к. мир меняется. Все остальное меняется в случае, когда необходимо изменить решатель. Решатель не изменяется, а заменяется=> необходимо менять все блоки.

ЭС работает в двух режимах:

1)режим приобретения знаний. В нем общение с ЭС осуществляет (через инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Этап закончен, когда сис-ма правил. осущ. обработку знаний.

2)режим консультации (экспертизы). Общение с ЭС осущ. кон. пользователь, к-ого интересует результат и (или) способ его получения. В зависимости от назначения ЭС пользоватеьл может не быть спец-том в данной проблемной области или быть специалистом.

Дерево решений и направления вывода в прикладных системах ИИ.

Общая неформальная структура систем продукций: <S,G>, где S(state) – начальная ситуация, G(goal) – цель, цель кот надо выяснить(какая-то инф-ция, кот есть в правой части правил). Реш-ие задачи- это некот. путь от S к G, кот соответствуют правилам перехода R. Бывают различные варианты работы ЭС: 1. надо найти хотя бы один такой путь; 2. найти все пути и выбрать наилучший по заданным критериям(кроме правил, задан некот критерий сравнения)/ Напр-р: длина пути или кол-во исходных данных.

БД – хранилище фактической информации о ходе решения задачи. БЗ – хранилище долговременной инф-и о правилах обработки данных в задан. задаче.

Напр-р: БД: {А,В,С}

БЗ: 1) {F,B}→Z; 2) {D,C}→F; 3) A→D; 4) {B,D}→X; 5) E→D

Исх. данные- это только те данные, кот есть в лев. Части, система не может их вычислить. Глобальные цели- то, что в прав. частях, а в лев. не встречаются (Z,X). Целями экспертизы м.б. глобальные и промежуточные цели.

Смысл логического вывода: выведение из фактов новой инфы. Процесс применения правил порождает цепочку вывода. Сущ-ет 2 осн-х способа ее порождения:

1) Прямой вывод – если истинна лев. часть, то истинна пр.ч. +картинка

На 1’ом шаге применимо только 3’е правило → БД: { A,B,C,D}. На 2ом шаге сработает второе правило → БД: { A,B,C,D,F}.

Просматриваем сверху вниз: применяется 1ое правило → БД: { A,B,C,D,F,Z}. Те правила, кот применились, повторно не использ. Примен-ся 4ое правило → БД: { A,B,C,D,F,Z,X}.

На 2ом шаге мы могли еще применить 4ое правило → БД: { A,B,C,D,X}, затем 2ое → {A,B,C,D,X,F}. Затем 1ое → {A,B,C,D,F,Z,X}, т.е. пришли к тому же самому.

При добавлении фактов мех-зм разрешения конфликтов роли не играет, т.к. все равно приходим к тому же самому результату.

При исследовании прямого вывода обычно применяют дерево реш-й, кот имеют вид:

2) Обратный вывод: рисуют И\Или граф, кот. показывает как целевая задача разбивается на подзадачи.

Цель – Z; необходимо узнать истинна ли она.

Элементы в квадратах - д.б. обязательно истинно. D – вершина ИЛИ-графа.

Направление вывода выбирается из соотношения кол-ва глобальных целей и исх. данных. Если глобальных целей существенно меньше, чем мно-во исх.данных, то выбирается обратный вывод, и наоборот.

Общие определения И/Или-графа: 1)заключительные вершины всегда разрешимы 2) вершина типа ИЛИ разрешима тогда, когда разрешима хотя бы одна, следующая за ней вер-на 3) вершина И разрешима, если разрешимы все следующие за ней вершины.

Системы, работающ в прямом направлении вывода снизу вверх (БД- это низ) назыв Bottom-up(восходящие), а методы – методы поиска в пространстве состояний.

Системы. Работающ. В обратном направлении(от цели к факту) – top-down(нисходящие), а методы – редукция задач(декомпозиция).

Поиск по графам – методы возврата назад с сохранением инф-и.

Двусторонний поиск- система начинает работать в прямом напр. и пополняет БД, но происходит холостая операция (нет больше таких правил, кот-е пополнят БД) и цель еще не достигнута, система переходит в обр. режим поиска. Пр. система Prospector (геология) – use двустор. вывод. Сперва раб. в прямом режиме, затем в обр. – из частично подтвержденных целей выбир-ся одна – с макс. достов-тью, затем снова прямой. Рез-т работы – выдача всех подтвержденных гипотез.

Прикладные системы искусственного интеллекта: классификация и основные характеристики.

В современном мире прогресс производительности программиста достигается только в тех случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из способов в этой области, является "искусственный интеллект". Искусственный интеллект - обычно толкуется, как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Мы можем перефразировать определение интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Задачи прикладных систем: распространение компьютерных подходов на творческие задачи. Прикл. Системы ИИ – системы, кот. решают творческие з-чу не хуже специалиста.

[[ Основная задача ИИ – дать способность человеку творчески мыслить, принимать решение в той или иной ситуации. При этом пользователь не должен понять с кем работает с человеком или программой.

В задаче имитации человеческой деятельности выделяют 2 задачи: имитация структуры мозга (Апар.Обесп: 15-20 млд. нейронов, связей сотни триллионов, в технике существуют 200-250 тыс. микропроцессоров, реализующих до 10 млн. связей – нейронокомпьютеры, они в решении этой задачи много не дали), Прогр.Обесп.(здесь упор не делается на АО, а с помощью обычных компов, делая программы пытающиеся заставить машину думать).

Логика является фундаментом для прикладных систем ИИ.

ЭС – экспертные системы – имитируют узкого специалиста в какой-либо области. Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Программные средства, базирующиеся на технологии экспертных систем, получили значительное распространение в мире. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Область применения: советчик по разработке, советчик-проводник по сложн. системам. Пимер: SIRA – предсказание неисправности трубопровода, в Австрии, MONSANTO – химическая безопасность.