Применение нечетких систем

Рис. 10.1. Области современных технологий управления

На рисунке показаны области наиболее эффективного применения современных технологий управления. Как видно, классические методы управления хорошо работают при полностью детерминированном объекте управления и детерминированной среде, а для систем с неполной информацией и высокой сложностью объекта управления оптимальными являются нечеткие методы управления. (В правом верхнем углу рисунка приведена еще одна современная технология управления – с применением искусственных нейронных сетей).

Причины предпочтения нечеткой логики

Существует несколько причин, на основании которых отдают предпочтение применению систем именно с нечеткой логикой:

•  эта логика концептуально легче для понимания;

•  нечеткая логика - гибкая система и устойчива к неточным входным данным;

•  она может моделировать нелинейные функции произвольной сложности;

•  в данной логике учитывается опыт специалистов-экспертов;

•  нечеткая логика основана на естественном языке человеческого общения.

Области применения нечетких систем управления

Системы, основанные на нечеткой логике, разработаны и успешно внедрены в таких областях, как управление технологическими процессами, управление транспортом, управление бытовой техникой, медицинская и техническая диагностика, финансовый менеджмент, финансовый анализ, биржевое прогнозирование, распознавание образов, исследование рисковых и критических операций,  прогнозирование землетрясений, составление автобусных расписаний, климатический контроль в зданиях.

Отличительные особенности fuzzy-систем

• Возможность оперировать входными данными, заданными нечетко: например, непрерывно изменяющиеся во времени значения (динамические задачи), значения, которые невозможно задать однозначно (результаты статистических опросов, рекламные компании и т.д.);

•  Возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями "большинство", "возможно", предпочтительно" и т.д.;

•  Возможность проведения качественных оценок как входных данных, так и выводимых результатов: вы оперируете не только собственно значениями данных, но их степенью достоверности (не путать с вероятностью!) и ее распределением;

•  Возможность проведения быстрого моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности: оперируя принципами поведения системы, описанными fuzzy-методами, вы во-первых, не тратите много времени на выяснение точных значений переменных и составление уравнений, которые их описывают, во-вторых, можете оценить разные варианты выходных значений.  

Использование аппарата нечеткой логики рекомендуется:

• для очень сложных процессов, когда не существует простой математической модели;

• для нелинейных процессов высоких порядков;

• если должна производиться обработка (лингвистически сформулированных) экспертных знаний.

Использование аппарата нечеткой логики не  рекомендуется, если:

•  приемлемый результат может быть получен с помощью общей теории управления;

•  уже существует формализованная и адекватная математическая модель;

•  проблема не разрешима.

 Экспертные системы (ЭС)

• На сей день наиболее распространенным видом ИС являются экспертные системы. ЭС – это наиболее распространенный класс ИС, ориентированный на тиражирование опыта высококвалифицированных специалистов в областях, где качество принятия решений традиционно зависит от уровня экспертизы, например, медицина, юриспруденция, геология, экономика, военное дело и др.

• ЭС эффективны лишь в специфических «экспертных» областях, где важен эмпирический опыт специалистов. Только в США ежегодный доход от продаж инструментальных средств разработки ЭС составлял уже в 90-е годы 20 в. 300-400 млн долларов, а от применения ЭС – 80-90 млн долларов. Ежегодно крупные фирмы разрабатывают десятки ЭС для внутреннего пользования.

• Современные ЭС – это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультирования менее квалифицированных пользователей.

• Разработка ЭС как активно развивающаяся ветвь информатики, направлена на использование компьютеров и компьютерных технологий для обработки информации в тех областях науки и техники, где традиционные математические методы моделирования малопригодны. В этих областях важна смысловая и логическая обработка информации, важен опыт экспертов.

• Главное отличие ИС и ЭС от других программных средств — это наличие базы знаний (БЗ), в которой знания хранятся в форме, понятной специалистам предметной области, и могут быть изменены и дополнены также в понятной форме. Это и есть языки представления знаний — ЯПЗ.

Структура ЭС

Рис. 11. Структура экспертной системы

Терминология ЭС

• Так как терминология в области разработки ЭС постоянно модифицируется, определим основные термины.

• Пользователь – специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.

• Инженер по знаниям – специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера между экспертом и базой знаний. Синонимы: когнитолог, инжeнер-интерпретатор, аналитик.

• Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и при получении результатов.

• База знаний (БЗ) – ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует БЗ во внутреннем «машинном» представлении.

• Решатель – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, машина вывода, блок логического вывода.

• Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?» Ответ на вопрос «как» – это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, то есть всех шагов цепи умозаключений. Ответ на вопрос «почему» – ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад. Развитые подсистемы объяснений поддерживают и другие типы вопросов.

• Интеллектуальный редактор БЗ – программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок и других сервисных средств, облегчающих работу с базой.

Общие характеристики известных ЭС

Система MYCIN содержала около 450 правил, позволяющих диагностировать инфекционные заболевания крови. Важным отличием системы MYCIN от DENDRAL было то, что MYCIN позволяла осуществлять правдоподобные заключения на основе ненадежных знаний.

MYCIN — это основанная на правилах система с обратной цепочкой рассуждений. Она содержит механизмы вычисления вероятностей и построения объяснений процесса рассуждения системы. Система MYCIN реализована на языке Лисп.

PROSPECTOR действует как консультант, помогающий геологам в поисках залежей руд. Получив данные о геологии района, система оценивает вероятность обнаружить в нем определенные виды минеральных отложений. Она может оценить перспективность района в отношении различных видов ископаемых, включая месторождения массивных сульфидных, карбонатных свинцово-цинковых, медно-порфировых и сульфидно-никелевых руд, а также порфировых молибденовых руд и ураноносных песчаников.

Компетентность системы основана, во-первых, на геологических правилах, образующих модели рудных отложений, и, во-вторых, на таксономии пород и минералов. PROSPECTOR использует для представления знаний сочетание формализма правил и формализма семантических сетей и основывает механизм вывода на применении коэффициентов уверенности и распространении вероятностей, ассоциированных с данными. Система реализована на языке Интерлисп и разработана компанией SRI International. Она доведена до уровня промышленной эксплуатации.

Классификация экспертных систем

Рис. 12. Классификация экспертных систем

Классификация по решаемой задаче

• Интерпретация данных.

• Это процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Для ЭС является одной из традиционных задач. Обычно предусматривается многовариантный анализ данных.

• Примеры ЭС с интерпретацией данных

• Обнаружение и идентификация различных типов океанских судов по результатам аэрокоcмического сканирования — SIAP;

• Определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Диагностика

• Под диагностикой понимается процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Примеры ЭС для диагностики

• Диагностика и терапия сужения коронарных сосудов — ANGY;

• Диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ система CRIB и др.

Мониторинг

• Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — пропуск тревожной ситуации и инверсная задача ложного срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

• Примеры ЭС для мониторинга

• Контроль за работой электростанции" СПРИНТ, помощь диспетчерам атомного реактора — REACTOR;

• Контроль аварийных датчиков на химическом заводе — FALCON и др.

Проектирование

• Проектирование состоит в подготовке спецификаций на создание объектов с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов — чертеж, пояснительная записка и т. д. Основные проблемы здесь — получение четкого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в еще большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

• Примеры ЭС для проектирования

• Проектирование конфигураций ЭВМ VAX —11/780 в системе XCON (или R1), проектирования БИС — CADHELP;

• Синтез электрических цепей — SYN и дp.

Прогнозирование

• Прогнозирование позволяет предсказывать последствия некоторых событии или явлений на основании анализа имеющихся данных, Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

• Примеры ЭС для прогнозирования

• Предсказание погоды — система WILLARD;

• Оценки будущего урожая — РЕАNТ;

• Прогнозы в экономике — ЕСОN и др.

Планирование

• Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

• Примеры ЭС для планирования

• Планирование поведения робота — STRIPS;

• планирование промышленных заказов — ISIS;

• планирование эксперимента — MOLGEN и др.

Обучение

• Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом ученике и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика, с целью передачи знаний.

• Примеры ЭС для обучения

• Обучение языку программирования ЛИСП в системе «Учитель ЛИСПа»;

• система PROUST — обучение языку Паскаль и др.

Управление

• Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

• Примеры ЭС для управления

• Помощь в управлении газовой котельной — GAS;

• Управление системой календарного планирования Project Assistant и др.

Поддержка принятия решений

• Поддержка принятия решения – это совокупность процедур, обеспечивающая лицо, принимающее решения (ЛПР), необходимой информацией и рекомендациями, облегчающими процесс принятия решения. ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

• Примеры ЭС для ППР

• Выбор стратегии выхода фирмы из кризисной ситуации – CRYSIS;

• Помощь в выборе страховой компании или инвестора – CHOICE и др.

Анализ и синтез при решении задач

• В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа и на системы, решающие задачи синтеза. Oосновное отличие заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограниченo и строится из решений компонент или подпроблем.

Рис. 13. Типы задач, решаемых ЭС

• Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения.

• К задачам синтеза относятся: проектирование, планирование, управление.

• Комбинированные задачи (анализа – синтеза): обучение, мониторинг, прогнозирование.

Классификация по связи c реальным временем

• Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

• Пример.

• Диагностика неисправностей в автомобиле.

• Квазидинамические ЭС интерпретируют ситуацию, которая меняется c некоторым фиксированным интервалом времени.

• Пример.

• Микробиологические ЭС, в которых лабораторные измерения снимаются с технологического процесса один раз в 4-5 часов и анализируется динамика получаемых показателей по отношению к предыдущему измерению.

• Динамические ЭС работают в сопряжении c датчиками объектов в режиме реального времени c непрерывной интерпретацией поступающих в систему данных.

• Пример.

• Управление гибкими производственными комплексами, мониторинг в реанимационных палатах;

• программный инструментарий для разработки динамических систем (G2).

Классификация по типу ЭВМ

На сегодняшний день существуют:

• ЭС для уникaльных стратегически важных задач на суперЭВМ (Titan, Sequoia, K computer, Blue Gene, SuperMUC, Tianhe-1A, Fermi, Эльбрус, и др.);

• ЭС на ЭВМ средней производительности (типа mainframe);

• ЭС на символьных процессорах и рабочих станциях (SUN, Silicon Graphics, APOLLO);

• ЭС на персональных компьютерах (IBM PC, MAC II и т.п.).