2.4 Экономические интеллектуальные информационные системы
2.4.1 Общие понятия интеллектуальных информационных систем
Искусственный интеллект (ИИ) – область, которая изучает интеллектуальное поведение людей, используя инструментальные средства –теоретические и экспериментальные – информатики. Данная область выступает в качестве связующего звена между одной из наиболее глубоких научных проблем, такой как природа интеллекта, и прагматическими разработками интеллектуальных систем.
Искусственный интеллект – это научные и практические вопросы, связанные с постановкой и решением задач аппаратного и программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (творческими).
Интеллектуальная информационная система – это система обработки информации, способная решать задачи, считающиеся творческими, принадлежащие конкретной предметной области, знания о которой хранятся в памяти интеллектуальной системы.
Системы искусственного интеллекта ориентированы в основном на решение большого класса задач, называемых неформализуемыми (трудно формализуемыми), к которым относят задачи, обладающие одной или несколькими из следующих особенностей:
– алгоритмическое решение задачи неизвестно или не может быть использовано из-за ограниченности ресурсов;
– задача не может быть определена в числовой форме и ей требуется символьное представление;
– цели решения задачи не могут быть выражены в терминах точно определённой функции;
– большая размерность пространства решения;
– динамически изменяющие данные и знания о предметной области, которые обладают неполнотой, неоднозначностью и/или противоречивостью.
Существенными чертами интеллектуальной информационной системы является наличие знаний, способности логического вывода и системы управления знаниями. Способность производить выводы основывается на знаниях, причём знания различаются по форме, начиная от простых фактов, хранящихся в обычной базе данных, до сложных высказываний о реальном или моделируемом мире.
С точки зрения искусственного интеллекта знания можно определить как формализованную информацию, которая используется в логическом выводе в процессе решения задачи.
Знания в отличие от данных хранятся не в базах данных, а в базах знаний. Базу знаний можно определить как совокупность знаний, которые описаны с использованием выбранной формы их представления.
Типичными моделями представления знаний являются следующие:
– логические модели;
– продукционные модели;
– семантические сети;
– фреймовые модели.
В интеллектуальных информационных системах используют следующие основные технологии обработки данных:
– технологии, основанные на использовании нечёткой логики;
– нейронные сети;
– генетические алгоритмы.
2.4.2 Обзор моделей представления знаний
2.4.2.1 Логические модели
В основе построения логических моделей представления знаний лежит идея о том, что вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Совокупность таких формул отображает имеющиеся знания, а получение новых знаний сводится к реализации процедур логического вывода.
Основой логических моделей является классический аппарат математической логики. Однако человеческая логика не укладывается в рамки классической логики и в этом случае при работе с неструктурированными знаниями применяется модель с нечёткой структурой.
Важной особенностью логических моделей является также то, что в базах знаний можно хранить лишь множество аксиом, а все остальные знания можно получать из хранящихся с использованием правил вывода.
2.4.2.2 Продукционные модели
Психологические исследования процессов принятия решений человеком показали, что рассуждая и принимая решения, человек использует правила продукций или продукционные правила. Ньюэлл и Саймон были первыми исследователями в области искусственного интеллекта, предложившими схему, известную как набор порождающих (продукционных) правил. Эти правила называют также правилами «условие – действие» или «ситуация – действие». Это связано с тем, что такие правила обычно используются для представления эмпирических ассоциативных связей между данными, предъявляемыми системе, и действиями, которые система должна предпринять в ответ.
В экспертных системах такие правила обычно задают, что нужно сделать с символической структурой, представляющей текущее состояние проблемы, чтобы перейти к представлению, более близкому к решению. Структурированная совокупность таких правил в теории искусственного интеллекта называется продукционной моделью представления знаний.
Основная идея продукционной модели заключается в ассоциировании с соответствующими действиями набора условий в виде правил типа «если-то» называемых также продукциями, которые можно представить в виде:
ЕСЛИ условие y1 удовлетворяется с истинностью x1 и … и условие m с истинностью xm,
ТО прийти к заключению1 со степенью уверенности z1 и … и заключениюm со степенью уверенности zn.
Здесь степень уверенности, связанная с каждым заключением, является функцией от оценок истинности соблюдения условий и уровня соответствия, отражающего степень уверенности эксперта при формулировке первичных правил.
Каждое продукционное правило является самостоятельным элементом знаний и отдельные правила могут быть связаны между собой только при их обработке. Поэтому правила в базу знаний могут быть добавлены, удалены или изменены независимо от других, но только при условии поддержания их взаимной непротиворечивости.
Продукционные модели близки к логическим моделям и чаще всего применяются в промышленных экспертных системах. Эти модели отличаются своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений, а также простотой логического вывода.
2.4.2.3 Семантические модели
В основе этих моделей лежит понятие сети, образованной помеченными вершинами и дугами. Вершины сети представляют некоторые сущности (объекты, события, процессы, явления), 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 соответствующие сети называют простыми сетями. Если вершины обладают некоторой структурой, то такие сети называют иерархическими сетями. На начальном этапе разработки интеллектуальных систем использовались только простые сети, сейчас в большинстве приложений, использующих семантические сети, они являются иерархическими.
В зависимости от типов связей или дуг различают:
– классифицирующие сети, в которых дуги представляют собой отношения структуризации, позволяющие строить различные иерархии в структуре базы знаний;
– функциональные сети, в которых связями являются функциональные отношения, позволяющие описывать процедуры вычислений одних информационных единиц через другие;
– сценарии, в которых дуги отражают причинно-следственные отношения, а также отношения типов «средство – результат», «орудие – действие» и т.д.
Наличие нескольких типов связей в одной сетевой модели позволяет называть её семантической сетью. Семантическая сеть – это модель, основой для которой является формализация знаний в виде ориентированного графа с размеченными вершинами и дугами. Вершинам соответствуют объекты, понятия или ситуации, а дугам – отношения между ними.
Процедурой поиска знаний в семантической сети является поиск по образцу, который представляет собой либо полностью определённый фрагмент знаний, либо содержит свободные переменные. При возникновении информационной потребности, определяющей содержание и цель запроса, формируется сеть запроса, построенная по тем же правилам и с использованием тех же объектов и отношений, что и система знаний. Поиск ответа на запрос реализуется сопоставлением сети запроса с фрагментами семантической сети, представляющей систему знаний. Результатом поиска может быть один из ответов на запрос или все ответы сразу. В случае необходимости получения всех ответов результат может быть получен путём обнаружения всех сопоставляемых с сетью запроса фрагментов.
2.4.2.4 Фреймовые модели
Фреймовые модели возникли из интуитивных предположений, касающихся механизмов психологической деятельности человека. Предполагается, что человек имеет представление понятий в виде набора определенных категории сущностей, которые не требуют строго формулирования свойств. При этом категории не имеют четких определений, а носят характер весьма расплывчатых понятий.
Каждая категория сущностей ассоциируется у человека с объектами, свойства которых наиболее ярко отражают тот класс объектов, к которому они относятся. Такие объекты были названы «прототипическими объектами», или прототипами.
Фреймовая модель представляет собой систематизированную в виде единой теории технологическую модель памяти человека и его сознания. В основе этой модели лежит понятие фрейма представляющего собой структуру данных для представления стереотипных ситуаций. Эта структура наполняется разнообразной информацией об объектах и событиях, которые следует ожидать в этой ситуации, и о том, как использовать информацию, имеющуюся во фрейме. Идея состояла в том, чтобы сконцентрировать все знания о данном классе объектов или событий в единой структуре данных.
Представление знаний, основанное на фреймах, является альтернативным по отношению к системам продукций: оно дает возможность хранить родовидовую иерархию понятий в базе знаний в явной форме. Фреймом состоит из характеристик описываемой им ситуации и их значений, характеристики называются слотами, а значения – заполнителями слотов. Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одну или несколько продукций (эвристик), с помощью которых это значение можно найти. В слот может входить не одно, а несколько значений. Иногда слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений. Фасет указывает также граничные значения заполнителя слота.
Особенностью фрейма является то, что он объединяет в себе декларативные и процедурные знания о некоторой сущности в структуру записей, которая состоит из слотов и наполнителей. Слоты играют ту же роль, что и поля в записи, а наполнители - это значения, хранящиеся в полях.
Каждый фрейм имеет специальный слот, заполненный наименованием сущности, которую он представляет. Другие слоты заполнены значениями разнообразных атрибутов, ассоциирующихся с объектом, а также процедурами, которые необходимо активизировать всякий раз, когда осуществляется доступ к фрейму или его обновление. Идея состоит в том, чтобы выполнение большей части вычислений, связанных с решением проблемы, явилось побочным эффектом передачи данных во фрейм или извлечения данных из него.
Фундаментальная идея фреймовой модели состоит в том, что свойства и процедуры фреймов, расположенных выше в системе фреймов, являются более или менее фиксированными, поскольку они представляют понятия, истинные для определённой сущности, в то время как фреймы более нижних уровней имеют слоты, которые должны быть заполнены наиболее динамической информацией, подверженной частым изменениям. Если такого рода динамическая информация отсутствует из-за неполноты информации о наиболее вероятном состоянии дел, то слоты фреймов более нижних уровней заполняются данными, унаследованными от фреймов более верхних уровней, которые носят глобальный характер.
Данные, которые передаются в процессе функционирования системы от посторонних источников знаний во фреймы нижних уровней, имеют более высокий приоритет, чем данные, унаследованные от фреймов более верхних уровней.
Вывод во фреймовой модели осуществляется благодаря выполнению присоединённых процедур, сцепленных со слотами. Активация выполнения таких процедур производится при добавлении, удалении и изменении данных, содержащихся во фреймах. Также возможно наличие процедур, которые будут вызываться для получения ответов на конкретные запросы, задаваемые для получения определённых знаний.
Основными достоинствами фреймовой модели являются способность отражения концептуальной основы организации памяти человека, возможность заполнения неизвестных значений слотов значениями по умолчанию, а также естественность и наглядность представления знаний.
2.4.3 Основные интеллектуальные технологии обработки данных
2.4.3.1 Технологии, основанные на использовании нечёткой логики
В тех случаях, когда задача не имеет точного и компактного аналитического описания или затраты на его создание превосходят предполагаемый эффект от системы, то целесообразным является создание нечёткой экспертной системы. Создание таких систем подразумевает использование нечёткой логики, которая позволяет применять концепцию неопределённости в логических выводам.
Основной особенностью нечёткой логики является то, что вместе со значениями «ложь» и «истина» она имеет возможность оперировать значениями между ними.
Нечеткое правило логического вывода представляет собой упорядоченную пару (А, В), где А - нечеткое подмножество пространства входных значений X, В - нечеткое подмножество пространства выходных значений Y. Система нечеткого вывода – это отображение Iразм(Х) в Iразм(Y), где разм(Z) – оператор определения размерности пространства Z. Число элементов в Iразм(Х) и Iразм(Y) бесконечно велико, поэтому невозможно задать правила нечеткого вывода соответствующими парами точек. Однако они могут быть описаны в терминах теории нечетких множеств.
Нечёткие правила имеют следующую структуру: «Если ..., то ....». Например, «Если стаж менеджера маленький и количество успешных проектов (проведённых им) много и возраст менеджера молодой, то число трудовых ресурсов, необходимое для выполнения проекта под управлением менеджера среднее».
Нечеткие правила вывода образуют базу правил. Важно то, что в нечеткой экспертной системе в отличие от традиционной работают все правила одновременно, но степень их влияния на выход может быть различной. Принцип вычисления суперпозиции многих влияний на окончательный результат лежит в основе нечетких экспертных систем.
Процесс обработки нечетких правил вывода в экспертной системе состоит из четырёх этапов.
На первом этапе проводится вычисление степени истинности левых частей правил (между «если» и «то»), то есть определение степени принадлежности входных значений нечетким подмножествам, указанным в левой части правил вывода.
Второй этап состоит из модификации нечетких подмножеств, указанных в правой части правил вывода (после «то»), в соответствии со значениями истинности, полученными на первом этапе.
На третьем этапе следует произвести объединение (суперпозицию) модифицированных подмножеств.
На заключительном этапе требуется осуществить скаляризацию результата суперпозиции. Четвертый этап представляется собой переход от нечетких подмножеств к скалярным значениям.
Для определения степени истинности левой части каждого правила нечёткая экспертная система вычисляет значения функций принадлежности нечетких подмножеств от соответствующих значений входных переменных.
Полученное значение истинности используется для модификации нечеткого множества, указанного в правой части правила. Для выполнения такой модификации используют один из двух методов: «минимума» (correlation-min encoding) и «произведения» (correlation-product encoding). Первый метод ограничивает функцию принадлежности для множества, указанного в правой части правила, значением истинности левой части. Во втором методе значение истинности левой части используется как коэффициент, на который умножаются значения функции принадлежности.
Результат выполнения правила - нечеткое множество. Другими словами, происходит ассоциирование переменной и функции принадлежности, указанных в правой части.
Выходы всех правил вычисляются нечеткой экспертной системой отдельно, однако в правой части нескольких из них может быть указана одна и та же нечеткая переменная. Как было сказано выше, при определении обобщенного результата необходимо учитывать все правила. Для этого система производит суперпозицию нечетких множеств, связанных с каждой из таких переменных, эта операция называется нечетким объединением правил вывода. Традиционно суперпозиция функций принадлежности нечетких множеств m1F(x),m2F(x),…,mnF(x) определяется как: msum F(x)=max{ miF(x)}, i[1,n]. Другой метод суперпозиции состоит в суммировании значений всех функций принадлежности.
Конечный этап обработки базы правил вывода - переход от нечетких значений к конкретным скалярным. Процесс преобразования нечеткого множества в единственное значение называется «скаляризацией» или «дефазификацией» (defuzzification). Чаще всего в качестве такого значения используется «центр тяжести» функции принадлежности нечеткого множества (centroid defuzzification method). Другой распространенный подход - использование максимального значения функции принадлежности (modal defuzzification method). Конкретный выбор методов суперпозиции и скаляризации осуществляется в зависимости от желаемого поведения нечеткой экспертной системы. Наиболее точным методом скаляризации является метод «центра тяжести».
Наиболее часто используются нечеткие системы двух типов - Мамдани и Сугэно. В системах типа Мамдани база знаний состоит из правил вида:“Если x1=низкий и x2=средний, то y=высокий”. В системах типа Сугэно база знаний состоит из правил вида “Если x1=низкий и x2=средний, то y=a0+a1x1+a2x2". Таким образом, основное отличие между системами Мамдани и Сугэно заключается в разных способах задания значений выходной переменной в правилах, образующих базу знаний. В системах типа Мамдани значения выходной переменной задаются нечеткими термами, в системах типа Сугэно - как линейная комбинация входных переменных.
Задачи принятия решений в управлении, диагностике, многокритериальной оценке и многофакторном анализе можно рассматривать как задачи идентификации, обладающие следующими общими свойствами:
1) для принятия решения необходимо установить зависимость между входными и выходной переменной;
2) выходная переменная ассоциируется с объектом идентификации, т.е. с видом принимаемого решения;
3) входные переменные ассоциируются с параметрами состояния объекта идентификации;
4) выходная и входные переменные могут иметь количественные и качественные оценки;
5) структура взаимосвязи между выходной и входными переменными описывается правилами ЕСЛИ <входы>, ТО <выход>, использующими качественные оценки переменных и представляющими собой нечеткие базы знаний.
Исходной информацией для построения функций принадлежности могут служить данные статистики, экспертные оценки, например, экспертные парные сравнения. Чем выше профессиональный уровень эксперта, тем выше адекватность нечеткой модели, построенной на этапе грубой настройки. Эта модель названа чистой экспертной системой, поскольку для ее построения используется только экспертная информация. Однако, никто не может гарантировать совпадение результатов нечеткого логического вывода (теория) и экспериментальных данных. Поэтому необходим второй этап, на котором осуществляется тонкая настройка нечеткой модели путем ее обучения по экспериментальным данным.
Суть этапа тонкой настройки состоит в подборе таких весов нечетких правил ЕСЛИ-ТО и таких параметров функций принадлежности, которые минимизируют различие между желаемым (экспериментальным) и модельным (теоретическим) поведением объекта.
Этап тонкой настройки формулируется как задача нелинейной оптимизации, которая может решаться различными методами, среди которых наиболее универсальным является наискорейший спуск. Однако, при большом количестве входных переменных и нечетких термов в базе знаний, применение метода наискорейшего спуска требует поиска минимума из разных начальных точек, что существенно увеличивает затраты машинного времени. Для решения этой проблемы можно использовать тонкую настройку нечеткой базы знаний с применением генетических алгоритмов оптимизации. Эти алгоритмы являются аналогом случайного поиска, который ведется одновременно из разных начальных точек, что сокращает время поиска оптимальных параметров нечеткой модели.
Для настройки нечетких моделей типа Сугэно можно использовать подход, основанный на применении адаптивных нейро-нечетких систем - ANFIS (Adaptive Neuro-Fuzzy Inference System). ANFIS является одним из первых вариантов гибридных нейро-нечетких сетей - нейронной сети прямого распространения сигнала особого типа. Архитектура нейро-нечеткой сети изоморфна нечеткой базе знаний. В нейро-нечетких сетях используются дифференцируемые реализации треугольных норм (умножение и вероятностное ИЛИ), а также гладкие функции принадлежности. Это позволяет применять для настройки нейро-нечетких сетей быстрые алгоритмы обучения нейронных сетей, основанные на методе обратного распространения ошибки. Нейро-нечеткую сеть можно рассматривать как одну из разновидностей систем нечеткого логического вывода типа Сугэно. При этом функции принадлежности синтезированных систем настроены (обучены) так, чтобы минимизировать отклонения между результатами нечеткого моделирования и экспериментальными данными.
2.4.3.2 Нейронные сети
В интеллектуальных системах возможно применение нейронных сетей, которые можно рассматривать в качестве простых математических моделей мозгоподобных систем, функционирующих как параллельные распределенные вычислительные сети. В нейронных сетях используется преимущественно-поведенческий подход к решаемой задаче: сеть возможно обучать на различных примерах и в результате обучения происходит настройка параметров сети на основе разработанных алгоритмов.
Искусственные нейроны связаны и сопоставляют образцы на множестве примеров и обучаются на этих примерах, регулируя веса связей. Выходные образцы используются для классификации нового множества примеров, способны распознавать образы, даже если данные содержат помехи, неоднозначны, искажены или имеют много разновидностей.
Различают статические нейроны, в которых сигнал передаётся без задержки, и динамические, где учитывается возможность таких задержек.
Обучаемые нейросетевые конструкции можно описать:
– используемой архитектурой;
– организацией нейронов;
– функцией состояния;
– функцией преобразования;
– обучающим алгоритмом.
Архитектура описывает как связаны элементарные элементы. Обычно используется архитектура с прямой связью Больцмана. Нейронные сети с такой архитектурой состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда сигнал подаётся на вход.
Организация (топология) сети может быть различной. В случае, ели не все составляющие её нейроны являются выходными, то сеть содержит скрытые нейроны. Наиболее общим типом архитектуры является сеть, в которой все нейроны связаны друг с другом. В конкретных случаях нейроны сгруппированы в слои.
Существуют три типа уровней элементов сети: входной уровень, скрытые уровни и выходной уровень. Одни исследователи рассматривают количество уровней, как часть архитектуры, другие рассматривают количество уровней и узлов в уровне скорее как атрибуты сети, а не как часть архитектуры.
Структура нейрона описывается следующими компонентами:
– множество взвешенных входных связей;
– пороговое значение;
– функция состояния;
– нелинейная функция преобразования.
Значение входного сигнала определяется либо предыдущим нейроном, либо внешней средой. Пороговое значение не связано с другими нейронами в сети и определяется для входной величины, равной 1 для функции суммирования.
Каждый вход нейрона, включая пороговое значение, имеет связанный с ним вес. Он представляет собой вещественное число, определяющее степень входных взаимодействий нейрона.
Функция состояния является наиболее общей формой – это простая функция суммирования. Выход функции состояния является входом для функции преобразования. Функция преобразования – это нелинейная математическая функция, которая преобразовывает данные к определенному масштабу.
Существует два базисных типа функций преобразования: непрерывный и дискретный. Обычно используемые непрерывные функции преобразования - пилообразная, sign(x), ArcTg и гиперболический тангенс. Непрерывные функции иногда называются функциями сжатия. Обычно используемые дискретные функции преобразования, которые иногда называют функциями активизации.
Функции активации могут быть различных видов:
– линейные: выходной сигнал нейрона равен его потенциалу;
– ступенчатые: нейрон принимает решение, выбирая один из двух вариантов (активен/неактивен);
– линейная с насыщением: нейрон выдает значения, промежуточные между двумя предельными значениями A и B;
– многопороговая: выходной сигнал может принимать одно из q значений, определяемых (q-1) порогом внутри предельных значений A и B;
– сигмоидальная: с выходными значениями в промежутке (0,1) и с выходными значениями от -1 до 1.
Обучение – это процесс настраивания параметров нейросети. На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач, в которых необходимый ответ определяется не по правилам, а с помощью примеров, сгруппированных в обучающие множества. Такое множество состоит из ряда примеров с указанным для каждого из них значением выходного параметра, которое было бы желательно получить. Выходное значение находится путём сопоставления входного образца с правильным ответом. Множество примеров (обучающая выборка) с известными выходами (адресатами) неоднократно вводится в сеть, чтобы «обучить» сеть. Этот процесс обучения продолжается до тех пор, пока разность между входными и выходными образцами для обучающей выборки достигнет подходящего значения.
Различают алгоритмы обучения с учителем и без учителя. Обучение с учителем предполагает, что для каждого входного значения существует требуемое выходное значение. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар, которые представляют собой обучающую выборку.
При подаче значения на вход вычисляется выход сети и сравнивается с соответствующим целевым значением, разность (ошибка) с помощью обратной связи подается в сеть и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Пары из обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня.
Алгоритмы с учителем нашли широкое применение на практике, но с точки зрения биологии эти алгоритмы не являются правдоподобными. Сложно вообразить, что человеческий мозг имеет механизм, который при сравнении желаемых и действительных значений выполняет коррекцию весов с помощью обратной связи. Поэтому обучение без учителя является намного более правдоподобной моделью обучения в биологической системе.
Алгоритмы обучения без учителя не нуждается в целевых значениях для выходов и, следовательно, не требуют сравнения с предопределенными идеальными ответами. Обучающее множество состоит лишь из входных векторов. Обучающий алгоритм подстраивает веса сети так, чтобы получались согласованные выходные векторы, т. е. чтобы предъявление достаточно близких входных векторов давало одинаковые выходы. Процесс обучения, следовательно, выделяет статистические свойства обучающего множества и группирует сходные векторы в классы. Предъявление на вход значений из данного класса даст определенный выходной вектор, но до обучения невозможно предсказать, какой выход будет производиться данным классом входных векторов. Следовательно, выходы подобной сети должны трансформироваться в некоторую понятную форму, обусловленную процессом обучения. Эту задачу возможно решить с помощью идентификации связей между входами и выходами.
Нейронные сети на современном этапе развития интеллектуальных информационных систем являются наиболее перспективным способом представления и организации знаний.
2.4.3.3 Генетические алгоритмы
Генетический алгоритм – это простая модель эволюции в природе, реализованная в виде компьютерной программы. В нём используется как аналог механизма генетического наследования, так и аналог естественного отбора, происходящего в процессе эволюции живых организмов.
Суть естественного отбора состоит в том, что выживают те особи, которые оказываются более приспособленными к условиям обитания окружающей их среды. Эти особи имеют больше возможностей для выживания и размножения, и тем самым оставляют после себя больше потомства, чем плохо приспособленные особи. Потомки наследуют от своих родителей основные их качества благодаря передаче генетическое информации, то есть генетическому наследованию. По той причине, что более приспособленные особи оставляют после себя больше потомства, то доля сильных потомков в общей массе особей будет возрастать.
Генетические алгоритмы применимы к широкому классу задач, так как их применение в качестве информации об оптимизируемой функции использует только её значения в определённых точках пространства поиска. Следовательно, применение генетических алгоритмов возможно для функций, не имеющих аналитического описания.
Генетические алгоритмы моделируют те процессы в популяциях, которые являются существенными для развития. Они работают с совокупностью «особей» – популяцией, каждая из которых представляет возможное решение данной проблемы. Каждая особь оценивается мерой ее «приспособленности» согласно тому, насколько «хорошо» соответствующее ей решение задачи. Наиболее приспособленные особи получают возможность «воспроизводить» потомство с помощью «перекрестного скрещивания» с другими особями популяции. Это приводит к появлению новых особей, которые сочетают в себе некоторые характеристики, наследуемые ими от родителей. Наименее приспособленные особи с меньшей вероятностью смогут воспроизвести потомков, так что те свойства, которыми они обладали, будут постепенно исчезать из популяции в процессе эволюции.
Так и воспроизводится вся новая популяция допустимых решений, выбирая лучших представителей предыдущего поколения, скрещивая их и получая множество новых особей. Это новое поколение содержит более высокое соотношение характеристик, которыми обладают хорошие члены предыдущего поколения. Таким образом, из поколения в поколение, хорошие характеристики распространяются по всей популяции. Скрещивание наиболее приспособленных особей приводит к тому, что исследуются наиболее перспективные участки пространства поиска. В конечном итоге, популяция будет сходиться к оптимальному решению задачи.
Под термином «генетические алгоритмы» понимается достаточно широкий класс алгоритмов, которые иногда могут сильно отличаться друг от друга. Вызвано это тем, что исследователи работают с различными типами представлений, операторов кроссовера и мутации, специальных операторов, и различных подходов к воспроизводству и отбору.
Модель эволюционного развития, применяемая в генетических алгоритмах, сильно упрощена по сравнению со своим природным аналогом. Однако, генетический алгоритм является достаточно мощным средством и может применяться для широкого класса прикладных задач. Применение генетических алгоритмов не всегда гарантирует нахождение глобального решения задачи, но несомненным его достоинством является то, что с его помощью возможно найти допустимое решение задачи и сделать это достаточно быстро.
Генетические алгоритмы целесообразно применять для решения сложных задач, не имеющих специальных методов решения. Применение генетических алгоритмов в сочетании со специальные методы решения сложных задач может быть достаточно эффективным. Однако, решение задачи этими способами по отдельности покажет однозначное превосходство специальных методов над применением генетических алгоритмов.
В интеллектуальных системах благодаря генетическим алгоритмам можно производить оптимизационную настройку функций принадлежности нечетких множеств, которые задаются параметризованной функцией формы. Применяя генетические алгоритмы возможно оптимизировать и состав больших баз нечетких продукций, и структуру нейронной сети для генетических нечетких нейронных сетей.
2.4.4 Архитектура экспертных систем
Экспертная система (ЭС) – это компьютерная программа, которая использует принципы искусственного интеллекта и знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой области.
Архитектура экспертной системы содержит следующие основные компоненты:
– решатель (процедуры вывода);
– динамически изменяемая база знаний;
– рабочая память.
С точки зрения практического применения к ЭС предъявляются следующие требования:
1) способность вести диалог о решаемой задаче на языке, удобном пользователю (эксперту), и, в частности, приобретать в ходе диалога новые знания;
2) способность при решении задачи следовать линии рассуждения, понятной пользователю (эксперту);
3) способность объяснять ход своего рассуждения на языке, удобном для пользователя (эксперта), что необходимо как при использовании, так и при совершенствовании системы (т.е. при отладке и модификации базы знаний).
Первое требование реализуется лингвистическим процессором ЭС и компонентой приобретения знаний, а для выполнения второго и третьего требований в ЭС вводится объяснительная компонента. Кроме того, второе требование накладывает ограничения на способ решения задачи – ход рассуждения в процессе решения должен быть понятен пользователю (эксперту). Данное ограничение приводит к тому, что в экспертных системах, как правило, неприменимы, например, статистические методы.
В типичную экспертную систему входит следующий набор компонент:
– база знаний, хранящая множество продукций (в общем случае правил);
– рабочая память, хранящая данные (база данных);
– интерпретатор, решающий на основе имеющихся в системе знаний предъявленную ему задачу;
– лингвистический процессор, осуществляющий диалоговое взаимодействие с пользователем (экспертом) на естественном для него языке (естественный язык, профессиональный язык, язык графики и т.п.);
– компонента приобретения знаний;
– объяснительная компонента, дающая объяснение действий системы и отвечающая на вопросы о том, почему некоторые заключения были сделаны или отвергнуты.
Экспертная система работает в двух режимах: в режиме приобретения знаний и в режиме решения задач. В режиме приобретения знаний в общении с экспертной системой участвует эксперт (через посредство инженера по знаниям). В этом режиме эксперт наполняет систему знаниями (правилами), которые позволят ей в режиме решения самостоятельно решать задачи из области экспертизы, отметим, что режиму приобретения знании в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода, в ЭС разработку программ осуществляет не программист, а специалист в области экспертизы, не владеющий программированием.
В режиме решения задач в общении с экспертной системой участвует пользователь, которого интересует результат и (или) способ получения решения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может либо не быть специалистом в данной проблемной области (в этом случае он, не умея получить ответ сам, обращается к ЭС за советом), либо быть специалистом (в этом случае пользователь может и сам получить результат, но обращается к ЭС с целью ускорить процесс получения результата или с целью возложить на ЭС рутинную работу). Схема обобщенной экспертной системы представлена на рисунке 2.1.
В режиме приобретения знании эксперт вводит в систему правила из области экспертизы. Такие правила представляются на естественном для пользователя языке. Объединение вновь вводимых правил с базой знаний осуществляется компонентой приобретения знаний. Для того чтобы убедиться в достаточности знаний (т.е. убедиться в том, что процесс отладки задачи завершен), эксперт дает системе тестовые примеры. В случае, если результат, полученный системой, не удовлетворяет эксперта, он с помощью объяснительной компоненты получает сведения о том, как был сформирован результат. По окончании процесса отладки система передается в эксплуатацию пользователям.
В режиме решения данные о задаче пользователя после обработки их лингвистическим процессором поступают в рабочую память. Лингвистический процессор выполняет следующие действия:
– преобразует входные данные, представленные на ограниченном естественном языке, в представление на внутреннем языке системы;
– преобразует сообщения системы, выраженные на внутреннем языке, в сообщения на ограниченном естественном языке.
Интерпретатор на основе входных данных, продукционных правил и общих фактов о проблемной области формирует решение задачи. Если ответ системы не понятен пользователю, то он может потребовать, чтобы система объяснила, как этот ответ был получен. Обычно объяснительный блок сообщает следующее:
– как правила используют информацию пользователя;
– почему использовались (не использовались) данные правила;
– какие были сделаны выводы.
Все объяснения даются на ограниченном естественном языке.
Рисунок 2.1 – Схема обобщённой экспертной системы