119. Системы искусственного интеллекта с использованием нечеткой логики.

Последние годы характеризуются все более широким внедрением методов искусственного интеллекта в теорию и практику автоматического управления сложными техническими объектами.

Системы с нечеткой логикой (Fuzzy Logic). Рассмотрим возможность использования нечетких множеств для преодоления сложностей, связанных с неопределенностью информации о значениях характеристик объекта и о ресурсах управления, присущих проблемным ситуациям. В соответствии с принципом несовместимости А.Заде: «чем сложнее система, тем менее мы способны дать точные и в то же время имеющие практическое значение суждения о ее поведении. Для систем, сложность которых превосходит некоторый пороговый уровень, точность и практический смысл становятся почти исключающими друг друга характеристиками». В силу специфики проблемных ситуаций лица, принимающие решения, не всегда могут количественно определить критерии управления. Кроме того, многие признаки проблемных ситуаций определяются на качественном уровне, следовательно, неопределенность есть неотъемлемое качество процесса управления в проблемных ситуациях.

Суть подхода, основанного на использовании нечетких множеств (англ.: fuzzy sets) и нечеткой логики (англ.: fuzzy logic), заключается в следующем:

-в нем используются так называемые “лингвистические” переменные вместо обычных числовых переменных или в дополнение к ним;

-простые отношения между переменными описываются с помощью нечетких высказываний;

-сложные отношения описываются нечеткими алгоритмами.

Примерами нечетких ситуаций могут служить модели и принятие решения для процессов перегрузки каналов вычислительной сети, износа оборудования и т.д. Все эти процессы протекают монотонно и трудно бывает выделить четкую границу между допустимыми и недопустимыми состояниями (например, до которой можно считать нагрузку каналов передачи данных нормальной и за которой сеть становится перегруженной). Существуют достаточно четкие области, где классификация, а соответственно и решения, будут достаточно однозначными - область, близкая к идеальному (расчетному) состоянию сети, и область, близкая к полной перегрузке (большое запаздывание в передаче сообщений). Наиболее сложно принимать решение, когда состояние системы приходится на переходный режим между этими двумя крайними состояниями, и когда этот переход не скачкообразен, а непрерывен. Такая ситуация очень типична для реальных систем, и многие понятия естественного языка не могут быть формализованы с помощью классических математических понятий, так как граница между двумя классифицируемыми состояниями является нечеткой, размытой.

Преимущества fuzzy-систем по сравнению с прочими информационными системами состоят в следующем:

-возможность оперировать входными данными, заданными нечетко: например, непрерывно изменяющиеся во времени значения (динамические задачи), значения, которые невозможно задать однозначно;

-возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "возможно", предпочтительно", определение нечетких мер сходства «примерно равно», «несколько меньше» и т.д.,

-возможность качественных оценок как входных данных, так и выводимых результатов, значениями которых являются термы (слова, фразы, предложения), выраженные на естественном языке, называемые лингвистическими переменными (англ.: linguistic variables).

-возможность проведения быстрого моделирования сложных динамических систем и сравнительного анализа различных вариантов выходных значений с заданной степенью точности.