События

    События, происходящие в системе VPI, вызывают формирование структуры данных домена event в соответствии с типом события. Эти структуры посылаются обработчику событий для окна и будут являться вторым аргументом в обработчике событий. Далее будут представлены описания структур домена событий и рекомендуемые действия обработчика события для каждого из них. В тех случаях, когда нет предложения для обработки события, выполняется обработка по умолчанию.

32.Обработка списков в программах на Прологе.

Обработка списков как обработка последовательности элементов - это мощная техника, используемая в Прологе. В Прологе список (list) является объектом, содержащим внутри произвольное число других объектов. Списки соответствуют, грубо говоря, массивам в других языках, но, в отличие от массивов, список не трубует декларирования его размера до начала его использования.

Список, содержащий числа 1, 2 и 3. Список [ 1, 2, 3 ] и список [ 1, 3, 2 ] различны. Каждый компонент списка называется элемент (element). Для того, чтобы сформировать списковую структуру данных, следует разделять элементы запятыми и заключать их всех в квадратные скобки[“dog”,”cat”,”canary”]. Для объявления домена - списка целых используется декларация домена(domains integer_list = integer*.). Звездочка означает "список этого"; то есть, integer* означает "список целых". Элементами в списке может быть что угодно, включая другие списки. Но все элементы в списке должны принадлежать одному домену, и дополнительно к декларации спискового домена должна быть декларация domainsдля элементов. Список на самом деле является рекурсивным составным объетом. Он состоит из двух частей - головы списка, которым является первый элемент, и хвоста - списка, который включает все следующие элементы. Хвост списка всегда есть список; голова списка есть элемент. Пустой список не может быть разбит на голову и хвост. Списки имеют древовидную структуру подобно другим составным объектам. Пролог содержит метод для явного обозначения головы и хвоста списка. Вместо разделения элементов запятыми можно отделять голову от хвоста вертикальной чертой (|). Например, [a, b, c] эквивалентно [a|[b, c]] и, продолжая процесс, [a|[b,c]] эквивалентно [a|[b|[c]]], что эквивалентно [a|[b|[c|[]]]]. Можно даже использовать оба способа разделения в одном и том же списке, рассматривая вертикальную черту как разделитель самого низкого уровня. Следовательно, можно записать [a, b, c, d] как [a, b|[c, d]]. Поскольку списки являются в действительности рекурсивными составными структурами данных, для их обработки необходимы и рекурсивные алгоритмы. Самый естественный способ обработки списков - сквозной просмотр, в ходе которого что-то делается с каждым элементом, до тех пор, пока не достигнут конец. Списки могут содержать произвольное число элементов; Вы объявляете их простым добавление звездочки (*) в конце ранее определённого домена. Список является рекурсивным составным объектом, состоящим из головы и хвоста. Голова есть первый элемент, а хвост - остальная часть списка (без первого элемента). Хвост списка - всегда список; голова списка - всегда элемента. Список может содержать ноль или более элементов; Пустой список обозначается []. Элементами списка может быть что угодно, включая другие списки; все элементы списка должны принадлежать одному домену.

29.Основные понятия искусственного интеллекта.

Термин интеллект происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект — ИИ 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.

Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

В этом определении под термином "знания" подразумевается не только ту информацию, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности.

Под алгоритмом понимают точное предписание о выполнении в определенном порядке системы операций для решения любой задачи из некоторого данного класса (множества) задач. В математике и кибернетике класс задач определенного типа считается решенным, когда для ее решения установлен алгоритм. Нахождение алгоритмов является естественной целью человека при решении им разнообразных классов задач. Отыскание алгоритма для задач некоторого данного типа связано с тонкими и сложными рассуждениями, требующими большой изобретательности и высокой квалификации. Принято считать, что подобного рода деятельность требует участия интеллекта человека

27.Определение функции нечеткой меры.

Теория нечёткой меры рассматривает ряд специальных классов мер, каждая из которых характеризуется специальным свойством. Некоторые из мер, используемых в этой теории — это меры уверенности и правдоподобности из теории возможностей, функция принадлежности, а также классические вероятностные меры. В теории нечёткой меры условия точно определены, но информации об отдельных элементах недостаточно, чтобы определить, какие специальные классы мер надо использовать. Центральное понятие теории нечёткой меры — нечёткая мера, было введено Мичио Сугэно.

18.Основные задачи, решаемые на логических моделях, их суть.

Под логическим моделированием понимают составление математической модели и дальнейшее ее исследование по выходной реакциям этой модели. Под логическим моделированием цифровых (дискретных устройств) понимается исследование прохождение дискретных сигналов нулей и единиц от входа схемы к ее выходам. Целью логического моделирования является получение логико-временной картины (временных диаграмм) работы устройства. 

Основные задачи, решаемые с помощью логического моделирования

1. Проверка правильности функционирования дискретного устройства

2. Проверка временных характеристик работы дискретного устройства

3. Анализ состязаний сигналов и рисков сбоев

4. Разработка обнаруживающих и диагностических тестов для проверки неисправности возникающих в дискретных устройствах

5. Анализ полноты тестов

15.Особенности реализации динамических экспертных систем управления бизнес-процессами

Современные технологии бизнеса характеризуются высокой динамичностью, связанной с постоянно изменяющимися потребностями рынка, ориентацией производства товаров и услуг на индивидуальные потребности заказчиков и клиентов, непрерывным совершенствованием технических возможностей и сильной конкуренцией. В этих условиях требуется разработка информационных систем, которые, с одной стороны, должны оперативно поддерживать функционирование существующих бизнес-процессов, а, с другой стороны, давать прогнозы на долговременной основе об эффективности организации бизнес-процессов и рекомендации по их реорганизации. Первой цели соответствуют динамические экспертные системы оперативного управления бизнес-процессами, второй цели – интеллектуальные системы моделирования бизнес-процессов.

К динамическим бизнес-процессам на предприятии относят: • управление заказами; • управление запасами; • оперативно-календарное планирование и управление производством.

Бизнес-процессы определяют прохождение потоков работ независимо от иерархии и границ подразделений, которые их выполняют, и представляют последовательность взаимосвязанных операций. Модель бизнес-процесса должна отражать как направление рабочих потоков, так и бизнес-правила обработки событий, в зависимости от которых выполняются операции.

Модель бизнес-процесса отражает динамические потоки событий (управления) и рабочих объектов (данных) типичными задачами, которые решаются динамическими экспертными системами оперативного управления бизнес-процессами, являются:

• Мониторинг бизнес-процессов и оперативное информирование лиц, принимающих решение, об отклонениях;

• Упреждающая диагностика, прогнозирование отклонений в параметрах операций бизнес-процессов;

• Динамическое распределение ресурсов в соответствии с изменяющейся обстановкой;

• Планирование действий, диспетчирование и составление сетевых графиков работ;

• Моделирование последствий принимаемых решений по изменению процессов.

1. Особенности и признаки интеллектуальности информационных систем

Любая информационная система(ИС) выполняет следующие функции:

- воспринимает вводимые пользователем информационные запросы и необходимые исходные данные,

-обрабатывает введенные их ранимые в системе данные в соответствии с известным алгоритмом и формирует требуемую выходную информацию.

С точки зрения реализации перечисленных функций ИС можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем- исходныеданные, продуктом- требуемая информация, а инструментом(оборудованием) - знание, спомощью которого данные преобразуются в информацию.

Знание имеет двоякую природу: фактуальную и операционную •

Фактуальное знание- это осмысленные и понятые данные.

Операционное знание- это те общие зависимости между фактами, которые позволяю тинтерпретировать данные или извлекать из них информацию

Информация посути- это новое и полезное знание для решения каких-либо задач. Часто фактуальное знание называю тэкстенсиональным (детализированным), а операционное знание- интенсиональным (обобщенным).

Недостатками являются плохая жизнеспособность ИС или неадаптивность к изменениям информационных потребностей.

Для интеллектуальных информационных систем, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

-развитые коммуникативные способности

- умение решать сложные плохо формализуемые задачи

-способность к самообучению.

13.Принятие решений в условиях неопределенности и риска

Принятие решений в условиях неопределенности основано на том, что вероятности различных вариантов ситуаций развития событий субъекту, принимающему рисковое решение, неизвестны. В этом случае при выборе альтернативы принимаемого решения субъект руководствуется, с одной стороны, своим рисковым предпочтением, а с другой — соответствующим критерием выбора из всех альтернатив по составленной им «матрице решений».

Основные критерии, используемые в процессе принятия решений в условиях неопределенности, представлены ниже.

1. критерий Вальда (критерий «максимина») предполагает, что из всех возможных вариантов «матрицы решений» выбирается та альтернатива, которая из всех самых неблагоприятных ситуаций развития события имеет наибольшее из минимальных значений.

2. критерий «максимакса» из всех возможных вариантов «матрицы решений» выбирается та альтернатива, которая из всех самых благоприятных ситуаций развития событий имеет наибольшее из максимальных значений.

3. критерий Гурвица (критерий «оптимизма-пессимизма» или «альфа-критерий») позволяет руководствоваться при выборе рискового решения в условиях неопределенности некоторым средним результатом эффективности, находящимся в поле между значениями по критериям «максимакса» и «максимина».

4. критерий Сэвиджа (критерий потерь от «минимакса») предполагает, что из всех возможных вариантов «матрицы решений» выбирается та альтернатива, которая минимизирует размеры максимальных потерь по каждому из возможных решений. При использовании этого критерия «матрица решения» преобразуется в «матрицу потерь», в которой вместо значений эффективности проставляются размеры потерь при различных вариантах развития событий.

21.Понятие машины вывода. Правила вывода.

Машина вывода— программа, которая выполняет логический вывод из предварительно построенной базы фактов и правил в соответствии с законами формальной логики.

• Факт в данном случае — утверждение, являющееся постоянно истинным, например: «Адам является человеком».

• Правило в данном случае — параметризованное утверждение, состоящее из двух частей: условия и результата, например: «Если X является потомком человека, то X является человеком». В данном примере правило определяет условие «X является потомком человека». Если для значения параметра X это условие истинно, то правило превращается в факт «X является человеком».

Для построения базы фактов и правил применяются формальные языки, обычно напоминающие естественный язык, но гораздо более строгие и ограниченные.

Машина вывода обычно может выполнять одну или обе из следующих операций:

• Проверка истинности некоторого факта — истинным считается факт, если он может быть выведен по законам формальной логики из имеющейся базы фактов и правил.

• Нахождение множества значений параметра некоторого правила, при котором данное правило превращается в истинный факт.

В теории построения машин логического вывода не имеет однозначного решения так называемая проблема логического отрицания — проблема способа определения не-истинности факта. В большинстве случаев машина вывода делает вывод о не-истинности факта, если истинность факта не является выводимой из базы фактов и правил, но это может приводить к неправильной интерпретации знаний, поскольку результаты «A ложно» и «A недоказуемо» не различаются.

Машина вывода является базовым элементом экспертных систем и систем исполнения программ, написанных на языках логического программирования, таких какProlog.

25.Построение диагностического классифицирующего дерева.

Деревья классификации - это метод, позволяющий предсказывать принадлежность наблюдений или объектов к тому или иному классу категориальной зависимой переменной в зависимости от соответствующих значений одной или нескольких предикторных переменных.

Цель построения деревьев классификации заключается в предсказании (или объяснении) значений категориальной зависимой переменной, и поэтому используемые методы тесно связаны с более традиционными методами Дискриминантного анализа, Кластерного анализа, Непараметрической статистики и Нелинейного оценивания. Широкая сфера применимости деревьев классификации делает их весьма привлекательным инструментом анализа данных. Если выполнены более строгие теоретические предположения, налагаемые традиционными методами, и выборочное распределение обладает некоторыми специальными свойствами, то более результативным будет использование именно традиционных методов. Однако, как метод разведочного анализа, или как последнее средство, когда отказывают все традиционные методы, деревья классификации, по мнению многих исследователей, не знают себе равных.

Пример деревья классификации: представляем, что нужно придумать устройство, которое отсортирует коллекцию монет по их достоинству (например, 1, 2, 3 и 5 копеек). Предположим, что какое-то из измерений монет, например - диаметр, известен и, поэтому, может быть использован для построения иерархического устройства сортировки монет. Заставим монеты катиться по узкому желобу, в котором прорезана щель размером с однокопеечную монету. Если монета провалилась в щель, то это 1 копейка; в противном случае она продолжает катиться дальше по желобу и натыкается на щель для двухкопеечной монеты; если она туда провалится, то это 2 копейки, если нет (значит это 3 или 5 копеек) - покатится дальше, и так далее. Таким образом строится дерево классификации. Решающее правило, реализованное в этом дереве классификации , позволяет эффективно рассортировать горсть монет, а в общем случае применимо к широкому спектру задач классификации.

Изучение деревьев классификации широко используются в таких прикладных областях, как медицина (диагностика), программирование (анализ структуры данных), ботаника (классификация) и психология (теория принятия решений). Деревья классификации идеально приспособлены для графического представления, и поэтому сделанные на их основе выводы гораздо легче интерпретировать, чем если бы они были представлены только в числовой форме.