Теоретические основы автоматизированного управления. Учебно-методическое пособие

2.Гибкость описания с целью воспроизведения различных ситуаций при варьировании сигналов, параметров, структуры и алгоритмов.

3.Минимум длительности разработки и реализации формального описания и алгоритмизации.

4.Блочность структуры описания.

5.Возможность работы алгоритма с базами данных.

6.Простота проверки и тестирования полученных результатов. Напомним, что формализация – процедура неформальная. Дей-

ствительно, результат формального описания в значительной мере определяется математическим аппаратом, которым исследователь владеет лучше всего. При математическом описании стараются использовать, прежде всего, известные типовые проверенные математические схемы. Обращаться к оригинальным математическим моделям целесообразно, если типовые модели «не работают».

При математическом описании не следует упускать из виду смысловой аспект («физический смысл») как математических формул, так и получаемых результатов. Это позволит избежать при описании грубых ошибок.

4.2. Принятие решений на основе технологий искусственного интеллекта

Вусловиях резкого увеличения объемов информации переход

кработе со знаниями на основе искусственного интеллекта становится одним из наиболее важных направлений автоматизированного управления.

Воспользуемся определением интеллектуальной системы проф. Д. А. Поспелова: система называется интеллектуальной, если в ней реализованы следующие основные функции:

•накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, осуществлять соотнесение новых знаний с ранее хранимыми;

всистему от пользователя либо была сформулирована самой системой

впроцесс е ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и организацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Рис. 4.2. Общая структура интеллектуальной системы

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, управляемых системой управления решателя. Часть из блоков реализует логический вывод. Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого данный блок реализует эвристические процедуры поиска решений задач, как поиск путей ре-

шения задачи по сценариям при заданной конечной цели. Для реализации рассуждений, которые не носят дедуктивный характер, т. е. поиск по аналогии, по прецеденту и пр., используются блоки индуктивного и правдоподобного выводов. Блок планирования применяется

взадачах планирования решений совместно с блоком дедуктивного вывода. Назначение блока функциональных преобразований состоит

врешении задач расчетно-логического и алгоритмического типов. Третья функция – функция общения – реализуется как с помощью

компонентов естественно-языкового интерфейса, так и с помощью рецепторов и эффекторов, которые осуществляют так называемое не вербальное общение и используются в интеллектуальных роботах.

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

•интеллектуальные информационно-поисковые системы;

•экспертные системы (ЭС);

•расчетно-логические системы;

•гибридные экспертные системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области, характерно использование лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали применяться в математически слабоформализованных областях науки и техники, таких как медицина, геология, биология и др. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность

контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечиваются автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

Впоследнее время в специальный класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информаци- онно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы (ЭС).

ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, которые требуют про ведения экспертизы и позволяют дать объяснение полученным результатам.

ЭС обладают способностями к накоплению знаний, выдаче рекомендаций и объяснению полученных результатов, возможностями модификации правил, подсказки пропущенных экспертом условий, «ведение» целью или данными. ЭС отличают следующие характеристики: интеллектуальность; простота общения с компьютером; возможность наращивания модулей; интеграция неоднородных данных (способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения); работа в реальном времени; документальность; конфиденциальность; унифицированная форма знаний; независимость механизма логического вывода; способность объяснения результатов.

Внастоящее время можно выделить следующие основные сферы применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офисная деятельность, а также некоторые другие.

Практика показывает, что по сравнению со статическими ЭС гораздо больший эффект дают ЭС, используемые в динамических процессах (экспертные системы реального времени – ЭСРВ), которые занимают около 70 % рынка таких систем и находят все более широкое

применение в управлении непрерывными процессами (химические производства, цементная промышленность, атомная энергетика и т. д.).

По сравнению с общей схемой (рис. 4.2) в ЭС часто отсутствует возможность общения с системой на близком к естественному языке или с использованием визуальных средств, поскольку взаимодействие с такой системой проводится с использованием языка типа ПРОЛОГ или с применением ПРОЛОГ-идей.

Важное место в теории искусственного интеллекта (ИИ) занимает проблема представления знаний. В настоящее время выделяют следующие основные типы моделей представления знаний:

•семантические сети, в том числе функциональные семантические;

•фреймы и сети фреймов;

•продукционные модели.

Семантические сети определяют как граф общего вида, в котором можно выделить множество вершин и ребер. Каждая вершина графа представляет некоторое понятие, а дуга – отношение между парой понятий. Метка и направление дуги конкретизируют семантику. Метки вершин семантической нагрузки не несут, а используются как справочная информация.

Различные разновидности семантических сетей обладают различной семантической мощностью, следовательно, можно описать одну и ту же предметную область более компактно или громоздко.

Фреймом называют структуру данных для представления и описания стереотипных объектов, событий или ситуаций. Фреймовая модель представления знаний состоит из двух частей:

•набора фреймов, составляющих библиотеку внутри представляемых знаний;

•механизмов их преобразования, связывания и т. д. Существует два типа фреймов:

•образец (прототип) – интенсиональное описание не которого множества экземпляров;

•экземпляр (пример) – экстенсиональное представление фреймобразца.

В общем виде фрейм может быть представлен следующим кортежем:

<ИФ, (ИС, ЗС, ПП), ... , (ИС, ЗС, ПП)>,

где ИФ – имя фрейма; ИС – имя слота; ЗС – значение слота; ПП – имя присоединенной процедуры (необязательный параметр).

Слоты – это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится

всоответствие некоторой ситуации, явлению или объекту.

Вкачестве данных фрейм может содержать обращения к процедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры-демоны и процедуры-слуги. Процедурыдемоны активизируются при каждой попытке добавления или удаления данных из слота. Процедуры-слуги активизируются только при выполнении условий, определенных пользователем при создании фрейма.

Продукционные модели – это набор правил вида «условия – действие», где условиями являются утверждения о содержимом базы данных, а действия представляют собой процедуры, которые могут изменять содержимое базы данных.

Формально продукция определяется следующим образом:

(i); Q; P; С; A→ В; N,

где (i) – имя продукции (правила); Q – сфера применения правила; P – предусловие (например, приоритетность); С – предикат (отношение); А → В – ядро; N – постусловия (изменения, вносимые в систему правил).

Практически продукции строятся по схеме «ЕСЛИ» (причина, или иначе посылка), «ТО» (следствие, или иначе цель правила).

Полученные в результате срабатывания продукций новые знания могут использоваться в следующих целях:

•понимание и интерпретация фактов и правил с использованием продукций, фреймов, семантических цепей;

•решение задач с помощью моделирования;

•идентификация источника данных, причин несовпадений новых знаний со старыми, получение метазнаний;

•составление вопросов к системе;

•усвоение новых знаний, устранение противоречий, систематизация избыточных данных.

Процесс рассмотрения компьютером набора правил (выполнение программы) называют консультацией. Ее наиболее удобная для поль-

зователя форма – дружественный диалог с компьютером. Интерфейс может быть в форме меню, на языке команд и на естественном языке.

Диалог может быть построен на системе вопросов, задаваемых пользователем, компьютером, или фактов – данных, хранящихся в базе данных. Возможен смешанный вариант, когда в базе данных недостаточно фактов.

При прямом поиске пользователь может задавать две группы вопросов, на которые компьютер дает объяснения:

1)КАК получено решение. При этом компьютер должен выдать на экран трассу в виде ссылок на использованные правила;

2)ПОЧЕМУ компьютер задал какой-то вопрос. При этом на экран выдается своеобразная трасса, которую компьютер хотел бы использовать для вывода после получения ответа на задаваемый вопрос. Вопрос ПОЧЕМУ может быть задан как в процессе консультации, так

ипосле выполнения программы.

Специфичен алгоритм поиска, реализуемый логическими языками: он является фактически последовательным перебором по дереву «сверху – вниз – слева – направо».

Выделим следующие характеристики ЭС: назначение, проблемную область, глубину анализа проблемной области, тип используемых методов и знаний, класс системы, стадию существования, инструментальные средства.

Назначение определяется следующей совокупностью параметров: цель создания экспертной системы – для обучения специалистов, решения задач, автоматизации рутинных работ, тиражирования знаний экспертов и т. п.; основной пользователь – неспециалист в области экспертизы, специалист, учащийся.

Проблемная область может быть определена совокупностью параметров: предметной областью и задачами, решаемыми в предметной области, каждый из которых может рассматриваться с точки зрения как конечного пользователя, так и разработчика экспертной системы.

С точки зрения пользователя предметную область можно характеризовать описанием области в терминах пользователя, включающим наименование области, перечень и взаимоотношения подобластей и т. п., а задачи, решаемые существующими экспертными системами,- их типом.

Обычно выделяют следующие типы задач:

•интерпретация символов или сигналов – составление смыслового описания по входным данным;

•диагностика – определение неисправностей (заболеваний) по симптомам;

•предсказание – определение последствий наблюдаемых ситуаций;

•конструирование – разработка объекта с заданными свойствами при соблюдении установленных ограничений;

•планирование – определение последовательности действий, приводящих к желаемому состоянию объекта;

•слежение – наблюдение за изменяющимся состоянием объекта и сравнение его показателей с установленными или желаемыми;

•управление – воздействие на объект для достижения желаемого поведения.

Сточки зрения разработчика целесообразно выделять статические и динамические предметные области. Предметная область называется статической, если описывающие ее исходные данные не изменяются во времени (точнее, рассматриваются как не изменяющиеся за время решения задачи). Статичность области означает неизменность описывающих ее исходных данных. При этом производные данные (выводимые из исходных) могут и появляться заново, и изменяться (не изменяя, однако, исходных данных). Если исходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динамической. Кроме того, предметные области можно характеризовать следующими аспектами: числом и сложностью сущностей, их атрибутов и значений атрибутов; связностью сущностей и их атрибутов; полнотой знаний; точностью знаний (знания точны или правдоподобны: правдоподобность знаний представляется некоторым числом или высказыванием).

Решаемые задачи с точки зрения разработчика экспертной системы также можно разделить на статические и динамические. Принято, что ЭС решают динамическую или статическую задачу, если процесс решения задачи изменяет или не изменяет исходные данные о текущем состоянии предметной области.

В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают статические задачи. Будем называть такие ЭС статическими, а ЭС, которые имеют дело с динамическими предметными областями и решают статические или динамические задачи, – динамическими.

Решаемые задачи, кроме того, могут характеризоваться следующими аспектами: числом и сложностью правил, используемых в задаче; связностью правил; пространством поиска; количеством активных агентов, изменяющих предметную область; классом решаемых задач.

По степени сложности выделяют простые и сложные правила. К сложным относятся правила, текст записи которых на естественном языке занимает 1/3 страницы и больше. Правила, текст записи которых занимает менее 1/3 страницы, относят к простым.

Можно сказать, что степень сложности задачи определяется не просто общим количеством правил данной задачи, а количеством правил в ее наиболее связной независимой подзадаче.

Пространство поиска может быть определено по крайней мере тремя факторами: размером, глубиной и шириной. Размер пространства поиска дает обобщенную характеристику сложности задачи. Выделяют малые (до 10! состояний) и большие (свыше 10! состояний) пространства поиска. Глубина пространства поиска характеризуется средним числом последовательно применяемых правил, преобразующих исходные данные в конечный результат, ширина пространства – средним числом правил, пригодных к выполнению в текущем состоянии.

Класс решаемых задач характеризует методы, используемые ЭС для решения задачи. Данный аспект в ЭС принимает следующие значения: задачи расширения, доопределения, преобразования. Задачи доопределения и расширения являются статическими, а задачи преобразования – динамическими.

Кзадачам расширения относятся задачи, в процессе решения которых осуществляется только увеличение информации о предметной области, не приводящие к изменению ранее выведенных данных. Задачей этого класса являются задачи классификации.

Кзадачам доопределения относятся задачи с неполной или неточной информацией о реальной предметной области, цель решения которых – выбор из множества альтернативных текущих состояний предметной области то, которое адекватно исходным данным. В случае неточных данных альтернативные текущие состояния возникают