ВОПРОСЫ ГОСУДАРСТВЕННОГО ЭКЗАМЕНА

151

К оглавлению ↑

Автоматизированные обучающие системы

Автоматизированные обучающие системы представляют собой комплексы научнометодической, учебной и организационной поддержки процесса обучения, проводимого на базе компьютерных, или, как их также называют, информационных технологий.

Литература: [1], [2], [3], [4], [5].

153

К оглавлению ↑

Y-реакция системы(воздействие на окружающую среду)

Z-дополнительно воздействие окружающей средына систему, порожденное У.

Моделирование систем.

Модель - самостоятельный объект, который отображает главные свойства объекта моделирования с точки зрения решаемой задачи .

Моделирование - это разработка модели системы или исследование её свойств на основе этой модели.

Цель моделирования: получить информацию о свойствах объекта исследования актуальных для решения данной задачи.

Литература: [1], [2], [5].

2. Стохастическое моделирование

Особенности стохастического моделирования.

Особенности стохастического мод-ия: стохастическое моделирование – моделирование случайных воздействий.

Стохастическое моделирования (СМ) - моделирование случайных процессов и случайных событий.

Суть СМ – многократное повторение модельных экспериментов с целью получения статистики о свойствах системы, получения данных о свойствах случайных событий и величин.

Цель – в результате СМ для параметров объектов должна быть получена оценка мат ожидания, дисперсии и закона распределения случайной величины.

Понятие случайного события и случайной величины.

Случайным событием называется любой факт, который в результате опыта может произойти или не произойти. Случайные события могут быть: Достоверными (событие, которое происходит в каждом опыте). Невозможными (событие, которое в результате опыта произойти не может).

Числовая величина, принимающая то или иное значение в результате реализации опыта случайным образом, называется случайной величиной.

Характеристики случайных величин и случайных событий.

Характеристики случайного события:

Частота появления события - вероятность появления того или иного события при неограниченном количестве опытов.

Характеристики случайной величины:

154

К оглавлению ↑

Математическое ожидание - число, вокруг которого сосредоточены значения случайной величины.

Дисперсия случайной величины характеризует меру разброса случайной величины около ее математического ожидания.

Плотности распределения вероятности - вид функции, которой определяет закон

распределения случайных величин.

Моделирование случайных событий.

Исходные данные:

-вероятность события Pa;

Требуется построить модель события A, которое происходит с вероятностью Pa.

Алгоритм моделирования:

-используется датчик случайных чисел с равномерным законом распределения от 0 до 1:

Randomize(RND)  xi. 0<=xi<=1

-Если выполняется Xi<=Pa то событие A произошло. В противном случае произошло событие

не A.

Моделирование полной группы случайных событий.

Группа несовместимых событий называется полной, если при испытаниях только одно событие произойдет обязательно (алгоритм).

Примеры стохастических моделей.

Модели для прогнозирования изменений состояния автотр. предприятия.

Литература: [1], [3].

3. Имитационное моделирование

Понятие имитационного моделирования.

Суть ИМ – компьютерный эксперимент – исследования свойств объекта путем экспериментирования с его компьютерной моделью.

Актуальность имитационного моделирования.

1)моделирование сложных систем (когда аналитически использовать объект невозможно) 2)моделирование действия случайных факторов (необходимо многократное повторение) 3)отсутствие математической модели (при исследовании неизвестных явлений). 4)необходимость получения результатов к определенному сроку (скорее всего самая главная

причина)

Примеры задач имитационного моделирования: модели систем массового обслуживания, модели случайных событий, клеточные автоматы, модели сложных систем и т.д.

1. Модели систем массового обслуживания

Схема СМО

155

К оглавлению ↑

Цель СМО: определение оптимальных параметров системы Пример: очередь в супермаркете

На обслуживание могут поступать заявки с более высоким приоритетом. Пример: бензоколонка (скорая, полиция).

2. Модели случайных событий Случайным называют событие, которое в результате испытания может наступить, а может и не

наступить. Исчерпывающей характеристикой случайного события является вероятность его наступления. Примеры: объемы выпускаемой продукции предприятием каждый день; котировки валют в обменных пунктах; интервал времени до появления очередного клиента, длительность проведения технического обслуживания автомобиля.

3. Клеточные автоматы Клеточный автомат – система, представляющая собой совокупность одинаковых клеток. Все

клетки образуют, так называемую, решетку клеточного автомата. Каждая клетка является конечным автоматом, состояния которого определяются состояниями соседних клеток и ее собственным состоянием. Впервые, идея таких автоматов отмечена в работах Неймана в 1940-х годах.

Пример: игра «Жизнь». Была в 1970 году Джоном Конвэем.

Литература: [3], [4].

4. Агентное моделирование

Понятие агента.

Агент – автономный объект, который может самостоятельно реагировать на внешние события и выбирать соответствующие действия.

Агентное моделирование используется для моделирования сложных систем, состоящих из большого количества взаимодействующих подсистем.

АМ применимо в случае, когда слишком трудно или невозможно формализовать поведение системы на глобальном уровне.

Понятие агента

Под агентом в агентном моделировании понимается элемент модели, который может иметь поведение, память (историю), контакты и т.д. Агенты могут моделировать людей, компании, проекты, автомобили, города, животных, корабли, товары и т.д.

Поведение агентов.

Поведение может быть либо пассивным (агенты реагируют только на прибытие сообщений или на вызов методов и не имеют собственных событий, запланированных на будущее) или активным, когда внутренняя динамика агента (события, запланированные через заданные таймауты или процессы системной динамики) является причиной действий, совершаемых агентом.

Архитектура агентных моделей.

156

К оглавлению ↑

Взаимодействие агентов со средой.

Среда является специальным объектом, позволяющим задавать свойства, общие для группы агентов. Большая часть специфичной для агентных моделей функциональности становится доступной именно с помощью среды. В одной модели может быть задано сразу несколько сред; эти среды могут быть иерархически организованы (например, агенты-компании могут находиться в одной среде, а агенты-служащие при этом могут обитать в локальной среде, заданной внутри компании). Агент может принадлежать только одной среде. Среда обеспечивает унифицированный доступ (например, для посылки сообщения какому-то агенту) ко всем агентам, обитающим в данной среде

Взаимодействие агентов с другими агентами.

Согласованность – действия агентов системы не должны конфликтовать друг с другом; Эффективность – деятельность системы в целом должна приводить к достижению общей

цели.

Уровни организации взаимодействия:

Координация (coordination) – начальный уровень, когда агенты пытаются добиться непротиворечивости своих оперативных действий.

Кооперация (cooperation) – уровень взаимодействия возможный в случае системы агентов, преследующих общие цели. При этом действия агентов могут быть оптимизированы, например, разделением задач.

Планирование (planning) – разновидность кооперации, при которой агенты совместно планируют свои действия по достижению общих целей.

Согласование (negotiation) – взаимодействие между агентами, преследующими

индивидуальные цели, при котором агенты принимают решения о совместных действиях с учетом своих собственных целей.

Примеры агентных моделей.

1.потребительский рынок. В динамичной, конкурентной и сложной среде рынка выбор покупателя зачастую зависит от индивидуальных особенностей, врожденной активности потребителя, сети контактов, а также внешних влияний, которые лучше всего описываются с помощью агентного моделирования.

2.эпидемиология. Здесь агенты это люди, которые могут быть иммунными, носителями инфекции, переболевшими или восприимчивыми к болезни. Агентное моделирование поможет

157

К оглавлению ↑

спроецировать в мир моделей социальные сети, разнородные контакты между людьми и в итоге получить объективные прогнозы распространения инфекции.

Литература: [4]. 28

158

К оглавлению ↑

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В ИНФОРМАЦИОННЫХ СИСТЕМАХ

1. Методы представления знаний

Прикладная система с элементами искусственного интеллекта.

Предметом этого курса является прикладной искусственный интеллект (ИИ). Это понятие созвучно понятию интеллекта естественного, но имеет с ним, на самом деле, мало общего. Важно понимать, что ИИ не является моделью человеческого мышления1, так же как, например, резина не является моделью каучука, хотя обладает рядом схожих свойств. Действительно, программа с искусственным интеллектом использует некоторые алгоритмы, свойственные так же и человеческому мышлению (в конце концов, любая программа написана людьми). Но однако в реальной жизни человек будет решать ту же задачу иначе, чем это делает программа (производя другие операции, используя другие алгоритмы, задействуя структуры психики, пока что недостаточно изученные, а потому не поддающиеся переводу в математические формулы и программный код). Лобовой подход –— изложение «человеческих» алгоритмов «машинным» языком, как мы увидим в дальнейшем, малоэффективен. Другими словами, если мы относим задачу к интеллектуальным, то любое ее решение, по нашему определению, свидетельствует о некотором интеллекте. Если решение добывается программным путем, то эта программа содержит элементы интеллекта.

Программа, умеющая решать задачи в предметной области, которую традиция относит к интеллектуальным, называется прикладной системой с элементами2 искусственного интеллекта (ПСИИ)

Другое определение: ПСИИ —– это программа, алгоритм которой нельзя найти в вузовском учебнике. Например, на заре программирования, программы, которые могли строить другие программы (первые компиляторы), считались «интеллектуальными». Современные компиляторы не считаются интеллектуальными программами, хотя «знают» про составление программ значительно больше и применяют весьма изощренные алгоритмы решения задач компиляции и оптимизации. Можно приводить и другие примеры. В каждом отдельном случае конкретная ПСИИ —– это ноу-хау создателей такого программного обеспечения, но каждый раз любая новая идея в конкретной предметной области дает существенное продвижение в ПСИИ в целом. При этом, по мере прогресса ПСИИ, меняются и традиции отнесения предметных областей к интеллектуальной сфере и снижается оценка степени интеллектуальности многих вещей. Например, расчет конструкции Эйфелевой башни в конце XIX века потребовал огромного труда, недюжинного интеллекта и изобретательности, а сейчас подобный расчет может быть выполнен рядовым инженером-конструктором с помощью готового пакета программ быстро, надежно и без особых умственных усилий.

Для подкрепления этого тезиса и конкретизации основного определения ПСИИ рассмотрим некоторые из предметных областей, типичных для приложений искусственного интеллекта.

Обзор приложений ИИ

Некоторыми типичными приложениями, использующие элементы ИИ, являются:

понимание естественного языка;

машинный перевод;

интеллектуальные базы данных;

экспертные системы;

автоматическое доказательство теорем;

планирование действий робота;

распознавание образов;

159

К оглавлению ↑

интеллектуальные игры.

Этот список не является ни исчерпывающим, ни ортогональным. Это просто набор наших излюбленных примеров.

+

1.Представление знаний и разработка систем, основанных на знаниях.

2.Игры и творчество

3.Доказательство теорем

4.Принятие решений, планирование, прогнозирование

5.Работа с естественными языками и машинный перевод

6.Распознавание образов

7.Биологическое моделирование искусственного интеллекта

8.Новые архитектуры компьютеров

9.Интеллектуальные роботы

10.Специальное программное обеспечение

11.Обучение и самообучение

Данные и знания.

Данные — это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства.

Этапы обработки данных на ЭВМ:

1.данные как результат измерений и наблюдений;

2.данные на материальных носителях информации (таблицы, протоколы, справочники);

3.модели (структуры) данных в виде диаграмм, графиков, функций;

4.данные в компьютере на языке описания данных;

5.базы данных на машинных носителях.

Знания — это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

По определению Денхема Грэя, "знания - это абсолютное использование информации и данных, совместно с потенциалом практического опыта людей, способностями, идеями, интуицией, убежденностью и мотивациями".

Знания имеют определенные свойства:

1. Структурированность. Знания должны быть "разложены по полочкам".

2. Удобство доступа и усвоения. Для человека - это способность быстро понять и запомнить или, наоборот, вспомнить; для компьютерных знаний - средства доступа к знаниям.

Лаконичность. Лаконичность позволяет быстро осваивать и перерабатывать знания и повышает "коэффициент полезного содержания". В данный список лаконичность была добавлена из-за всем известной проблемы шума и мусорных документов, характерной именно для компьютерной информации - Internet и электронного документооборота.

Непротиворечивость. Знания не должны противоречить друг другу.

Процедуры обработки. Знания нужны для того, чтобы их использовать. Одно из главных свойств знаний - возможность их передачи другим и способность делать выводы на их основе. Для этого должны существовать процедуры обработки знаний. Способность делать выводы означает для машины наличие процедур обработки и вывода и подготовленность структур данных для такой обработки, т.е. наличие специальных форматов знаний.

Сопоставление и сравнение понятий "информация", "данные", "знание"

Для того чтобы прочувствовать разницу, рассмотрим применение этих трех понятий на простом примере:

Студент, который сдает экзамен, нуждается в данных.

Студент, который сдает экзамен, нуждается в информации.

160

К оглавлению ↑

Студент, который сдает экзамен, нуждается в знаниях.

Знания компьютерные.

Этапы обработки знаний на ЭВМ:

1.знания в памяти человека как результат мышления;

2.материальные носители знаний (учебники, методические пособия);

3.поле знаний — условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

4.знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы);

5.базы знаний.

Главное отличие БЗ от БД:

Из БД можно извлечь лишь ту фактическую информацию, которая в нее заложена.

Благодаря закономерностям и связям из БЗ можно выводить новые факты, которые непосредственно в нее заложены не были.

Виды знаний: понятийные, процедурные, фактографические.

Знания - система понятий и отношений для такого обмена. Можно условно классифицировать знания в предметной области на понятийные, конструктивные, процедурные, фактографические знания и метазнания.

Понятийные знания - набор понятий, используемых при решении данной задачи, например, в фундаментальных науках и теоретических областях наук, т.е. это понятийный аппарат науки.

Конструктивные знания - наборы структур, подсистем системы и взаимодействий между их элементами, например, в технике.

Процедурные знания - методы, процедуры (алгоритмы) их реализации и идентификации, например, в прикладных науках.

Фактографические - количественные и качественные характеристики объектов и явлений, например, в экспериментальных науках.

Метазнания - знания о порядке и правилах применения знаний (знания о знаниях).

Продукционная модель.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде фактов и правил. Утверждение-факт считается безусловно истинным. Утверждениеправило имеет вид: «ЕСЛИ А, ТО Б». А — это условие (посылка), Б —действие (заключение).

П1: Если "отдых — летом" и "человек — активный", то "ехать в горы".

П2: Если "любит солнце", то "отдых летом".

И так же истинно 2 факта:

"человек активный" и

"любит солнце".

Машина вывода выполняет 2 функции:

просмотр существующих фактов из рабочей памяти и правил из базы знаний и добавление в рабочую память новых фактов

определение порядка просмотра и применения правил.

Управляющий компонент машины вывода определяет порядок применения правил, и выполняет 4 функции:

сопоставление – образец правила сопоставляется с имеющимися фактами