- •История возникновения и развития искусственного интеллекта
- •2. Развитие искусственного интеллекта в России
- •3. Основные направления современных исследований в области искусственного интеллекта
- •Понятие знаний и данных
- •Классификация моделей представления знаний. Преимущества и недостатки каждой модели
- •Продукционные модели представления знаний
- •Преимущества и недостатки продукционных моделей. Классификация ядер продукции
- •Управление системой продукций. Вывод на продукционной базе знаний
- •Фреймовые модели представления знаний. Классификация фреймов
- •Фреймовые модели представления знаний. Конкретизация фрейма, связи между фреймами
- •Сетевые модели представления знаний
- •Представление знаний в виде семантических сетей
- •Механизмы вывода на семантической сети
- •-15. Логические модели представления знаний
- •Исчисление высказываний. Интерпретация и свойства высказываний
- •Исчисление высказываний как формальная система
- •Нормальные формы в логике высказываний. Алгоритм преобразования формулы в дизъюнктивную нормальную форму (днф)
- •19. Нормальные формы в логике высказываний. Алгоритм преобразования формулы в конъюнктивную нормальную форму (кнф)
- •20. Нормальные формы в логике высказываний. Алгоритм преобразования в сднф
- •21. Метод резолюций в логике высказываний
- •Предикаты и операции над ними
- •Исчисление предикатов 1-го порядка как формальная система
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к снф
- •Логические эквивалентные преобразования в исчислении предикатов 1-го порядка. Алгоритм приведения к пнф
- •Подстановка и унификация в логике предикатов 1-го порядка. Алгоритм нахождения наиболее общего унификатора
- •Алгоритм метода резолюций для проверки невыполнимости множества дизъюнктов в логике высказываний
- •Алгоритм применения метода резолюций в логике предикатов 1-го порядка
- •Стратегии метода резолюций
- •Назначение, определение и структура экспертных систем
- •Расширенная структура эс
- •Классификация экспертных систем (эс)
- •Основные этапы разработки экспертных систем
- •Выбор проблемы
- •Разработка прототипа эс
- •Доработка до промышленной эс
- •Оценка эс
- •Стратегии получения знаний при разработке экспертных систем. Подсистемы накопления знаний.
- •С применением эвм
- •Подсистемы объяснений в экспертных системах
- •Интеллектуальные подсистемы в современных сапр
- •Особенности и причины появления «мягких» вычислений. Основные направления «мягких» вычислений.
- •37. Эволюционное моделирование. Назначение и принципы построения генетических алгоритмов.
- •38. Назначение, определение и основные преимущества нечетких моделей представления знаний
- •Назначение и принципы работы искусственных нейронных сетей (инс)
Преимущества и недостатки продукционных моделей. Классификация ядер продукции
Преимущества продукционных моделей:
Модульность. Удаление, изменение, добавление любой продукции может выполняться независимо от всех остальных продукций (не приводит к изменениям в остальных продукциях). Знания вводятся неупорядоченно как в словаре или энциклопедии. Практика показывает, что это естественный способ пополнения своих знаний для эксперта.
Модифицируемость. Если добавляется или модифицируется какое-либо правило, то все, что было сделано ранее, остается в силе и к новому правилу не относится. Каждое изменение обладает свойством аддитивности и локальности.
Доступность чтения. Подавляющая часть человеческих знаний может быть записана в виде продукций. Человеческие знания являются модульными и поэтому продукционные системы более близки для их представления и легки для чтения.
Способность к самообъяснению. Связано с правилами и их структурами внешнего управления. Система легко прослеживает цепочку правил, которую она использовала для получения вывода.
Универсальность. Системы продукций при необходимости могут реализовать любые алгоритмы и способны отражать любое процедурное знание, доступное ЭВМ.
Эффективность организации памяти.
Наличие в продукциях указателей на сферу применения продукции позволяет эффективно организовать память, сократив время поиска в ней необходимой информации. Классификация сфер может быть многоуровневой, что еще более повышает эффективность поиска знаний.
При объединении систем продукций и сетевых представлений получаются средства, обладающие большой вычислительной мощностью.
Параллелизм в системе продукций, асинхронность их реализации делают продукционные системы удобной моделью вычислений для ЭВМ новой архитектуры, в которой идея асинхронности и параллельности является центральной.
Недостатки продукционной системы:
При большом числе продукций становится сложной проверка непротиворечивости системы продукций.
Из-за присущей системе недетерминированности (неоднозначного выбора выполняемой продукции из фронта активизированных продукций) возникают принципиальные трудности при проверке корректности работы системы.
Наблюдение из практики: если число продукций > 1000, то мало шансов, что система продукций во всех случаях будет правильно функционировать.
Программные средства, реализующие продукционный подход:
Язык: OPS 5;
«оболочки» или «пустые» ЭС: EXSYS Professional, Карра, ЭКСПЕРТ
САПР: TechCard,T-Flex/TechnoPro, метаинструментальная САПР «СПРУТ»
Классификация ядер продукции:
Детерминированные - при актуализации ядра и при выполнимости А правая часть ядра B выполняется обязательно (ЕСЛИ А, ТО B ОБЯЗАТЕЛЬНО)
Недетерминированные - В может выполняться и не выполняться. Интерпретация ядра в этом случае может, например, выглядеть так: (ЕСЛИ А, ТО ВОЗМОЖНО В .
Типы детерминированных ядер:
однозначные (ЕСЛИ А, ТО В);
альтернативные - в правой части ядра указываются альтернативные возможности выбора, которые оцениваются специальными весами выбора.В качестве таких весов могут использоваться вероятностные оценки, лингвистические оценки, экспертные оценки и т. п.
Пример: ЕСЛИ А, ТО ЧАЩЕ ВСЕГО НАДО ДЕЛАТЬ В1, РЕЖЕ В2.
прогнозирующие продукции, в которых описываются последствия, ожидаемые при актуализации А. Пример: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р МОЖНО ОЖИДАТЬ В.