8. Принципы организации баз знаний. Основные этапы разработки базы знаний.

База Знаний (БЗ) содержит в себе БД в качестве составляющей. Главное отличие БЗ от БД с точки зрения пользователя – ее активность. База данных – пассивна. Из базы данных можно извлечь лишь ту фактическую информацию, которая в нее заложена. БЗ – активна: БЗ знаний имеет процедурную компоненту, которая может сама выводить новые факты, которые непосредственно в нее заложены не были, может по своей инициативе вступать во взаимодействие с другими установленными на компьютере системами и с человеком. БЗ должна характеризоваться следующими особенностями:

Внутренняя интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в которых это имя упомянуто (СУБД обеспечивают реализацию внутренней интерпретируемости всех информационных единиц, хранящихся в базе данных).

Структурированность. Информационные единицы должны обладать гибкой структурой. Должна иметь место рекурсивная вложимость одних информационных единиц в другие. Каждая информационная единица может быть включена в состав любой другой, и из каждой информационной единицы можно выделить некоторые составляющие ее информационные единицы (возможность произвольно устанавливать отношения типа: целое – часть, элемент – класс и т.п.).

Связность. Между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Семантика отношений может носить декларативный ("одновременно", "причина - следствие", "быть рядом") или процедурный характер ("аргумент - функция").

Отношения: отношения структуризации - задают иерархии информационных единиц; функциональные отношения - несут процедурную информацию, позволяющую находить (вычислять) одни информационные единицы через другие; каузальные отношения - задают причинно - следственные связи;

семантические отношения;

Отношения, необходимые для обработки знаний(последовательность выбора из памяти, совместимость в выводе). Семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее ситуационную близость информационных единиц, т.е. силу ассоциативной связи между информационными единицами. Его можно было бы назвать отношением релевантности для информационных единиц. Отношение релевантности при работе с информационными единицами позволяет находить знания, близкие к уже найденным. Активность. Как и у человека, в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов или описаний событий, установление связей может стать источником активности системы.

9. Принципы работы генетических алгоритмов. Решение задач оптимизации с помощью генетических алгоритмов.

Генетический алгоритм - это простая модель эволюции в природе, реализованная в виде компьютерной программы. В нем используются как аналог механизма генетического наследования, так и аналог естественного отбора. При этом сохраняется биологическая терминология в упрощенном виде. Состоит из: Популяция – возможное решение данной проблемы;

Набор операторов - для генерации новых решений из предыдущей популяции; Целевая функция - для оценки приспособленности решений.

Селекция (отбор): Турнирный отбор - выборка элементов из популяции, и выбора лучшей особи среди них. Скрещивание (кроссовер): обмен частей хромосом между двумя и более хромосомами в популяции. Мутация: - преобразование хромосомы, случайно изменяющее одну или несколько ее генов.

Недостатки генетических алгоритмов: время исполнения функции оценки велико, необходимо найти все решения задачи, а не одно из них, а также сложная конфигурация (сложное кодирование решения).

Решение задач оптимизации. Оптимизирование некоторой функции F(X1,X2,..,Xn). Поиск глобального максимума. Каждая особь состоит из массива X и значения функции F на переменных этого массива. Суть ГА:

1 . Генерация начальной популяции - заполнение популяции особями, в которых элементы массива X (биты) заполнены случайным образом.

2. Отбор - используем элитный отбор, то есть берем особей с максимальными значениями функции F и составим из них все возможные пары.

3. Скрещивание – используем одноточечное скрещивание. Возьмем случайную точку на массиве X и произведем обмен между полученными частями для каждой хромосомы. Новые особи с некоторой вероятностью мутируют - инвертируется случайный бит массива X этой особи.

4. Полученные особи-потомки добавляются в популяцию после переоценки, т.е. новые особи добавляют взамен старых, при условии, что значение функции на новых особях выше, чем на старых.

5. Если самое лучшее решение в популяции нас не удовлетворяет, то переход на шаг 2. Хотя, чаще всего этого условия нет, а итерации ГА выполняются бесконечно.

Эвристические алгоритмы позволяют решать практически любые задачи оптимизации. Но их эффективность ниже, чем у локальных методов. Таким образом, фактически данные алгоритмы, хотя и могут использоваться для решения любых задач, чаще всего применяются к задачам, для которых не разработаны специальные локальные методы или решение такими методами является при заданных параметрах неэффективным. К подобным задачам можно отнести очень популярную задачу оптимизации – задачу коммивояжера.