- •Глава 1. Искусственный интеллект — основа новых информационных технологи……………………………... 17
- •Глава 2. Традиционные способы представления и обработки
- •Глава 3. Нечеткие знания и способы их обработки 112
- •Глава 4. Методы приобретения знаний 158
- •Глава 5. Нейронные сети 231
- •Глава 6. Эволюционные аналогии в искусственных
- •Глава 7. Интеллектуальные мультиагентные системы 306
- •Глава 8, Интеллектуальные методы проектирования
- •Глава 6 содержит описание методов обработки информации, основанных на эволюционных аналогиях. Наличие символьной
- •Глава 1
- •1.2.2. Экспертные системы
- •1.2.3 Самообучающиеся системы
- •Глава 2
- •2.1. Отличия знаний отданных
- •2.2.1. Логическая модель представления знаний
- •2.2.4. Модель семантической сети
- •Глава 3
- •0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.9 0.9
- •Глава 4
- •4.1. Стратегии получения знаний
- •4.1.1. Аспекты извлечения знаний
- •4.1.2. Проблемы структурирования знаний
- •4.1.4. Методы извлечения знаний
- •4.1.5. Выявление «скрытых» структур знаний
- •4.3.1. Индуктивные выводы в логике
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.9 0.9
Рис. 3.18. Нечеткая оценка состояния предприятия
полученная в результате вывода, представлена на рис. 3.18. Очевидно, что полученный результат более сходен со значением TechCrisis, выводимым по ветке ИНАЧЕ, чем со значением Norma, выводимым по ветке ТО. Однако степень принадлежности к предкризисному состоянию приблизительно равна =0.7, что можно интерпретировать скорее как угрозу предкризисного состояния.
Оценка состояния предприятия может проводиться по различным характеристикам, в том числе по показателям бухгалтерской отчетности. Количественный характер этих показателей позволяет применять другие, более точные методы оценки. Следует заметить, что адекватные результаты можно получить только на основе статистического анализа динамики упомянутых количественных показателей, позволяющего нивелировать помехи. При использовании нечеткого подхода важно умение устанавливать правильное соответствие между конкретными числами и значениями ЛП. Существенное влияние на результаты имеют выбор ЛП и формулировка правил.
148
Задача краткосрочного прогнозирования состояния предприятия решается с использованием оценки текущего состояния на новом наборе правил, содержащих в качестве условий предположения о возможных параметрах окружения предприятия и возможных действиях руководства. Например, для предприятий, находящихся в нормальном состоянии, рассматривая вероятные изменения внешних факторов (падение курса рубля, удорожание кредитов, увеличение налогов, рост цен на энергоносители и т.п.), можно получить неблагоприятный прогноз на будущее. Тогда возникает необходимость решения следующей задачи — разработки политики развития предприятия, которая обеспечит его выживание и процветание. Предприятия с положительной динамикой экономических показателей также должны учитывать возможные изменения окружающей среды, чтобы принимать своевременные меры для обеспечения хорошего состояния в будущем. Для предприятий в состоянии кризиса отпадает необходимость прогнозирования, так как в этом случае можно сразу пере-
149
ходить к разработке антикризисных мер. Особую актуальность задачи прогнозирования и выработки политик имеют для предприятий, находящихся в предкризисном состоянии. В этом случае указанные задачи объединяются в одну, т.е. составляется один набор правил, элементами которых становятся прогнозируемые значения ЛП, описывающих внешние факторы, а также значения ЛП, соответствующих действиям по управлению предприятием. Наиболее важными внутренними факторами, влияющими на будущее предприятия, которое находится в предкризисном состоянии, являются следующие:
стадия жизненного цикла;
отрасль деятельности;
направленность потоков сырья и продукции;
форма собственности;
соотношение собственных и заемных средств;
доля рынка;
диверсификация производства;
прогрессивность используемых технологий;
конкурентоспособность продукции;
уровень запасов;
оборачиваемость средств;
ликвидационная стоимость активов;
уровень издержек производства;
ценовая политика;
профессионализм кадров.
Представляя перечисленные факторы с помощью лингвистических переменных, можно сформировать множество правил, например, следующего вида:
ЕСЛИ StateEnt=TechCrisis И Отрасль= Добывающая И На правленность_продукции=Экспорт И Курс_рубля=Падает И Доля_рынка=Большая, ТО Платежеспособностъ=Растет.
ЕСЛИ StateEnt=TechCrisis И CreditPay=Small И Платежеспо собность= Растет И Конкурентоспособность=Низкая И Тех- нологии=Старые И Спрос=Высокий, ТО Действие=Обно- витъ_технологии.
ЕСЛИ Действие=Обновить_технологии, ТО Конкурентоспо- собность=Высокая.
ЕСЛИ StateEnt=TechCrisis И CreditPay=Large И Платежеспо- собность=Растет, ТО Действие=Уменьшить_кредит- ныеобязательства.
150
ЕСЛИ Действие=Уменьшить_кредитные_обязательства, ТО CreditPay=Small.
ЕСЛИ StateEnt=TechCrisis И CreditPay=Small И Платежеспо- собность=Растет И Конкурентоспособностъ=Низкая И До- ля_рынка=Малая И Спрос=Низкий, ТО Действие=Диверсифи- кация производства.
ЕСЛИ StateEnt=TechCrisis И Конкурентоспособностъ=Высо кая И Спрос=Высокий, ТО Действие=Снизить _издержки.
ЕСЛИ StateEnt=TechCrisis И CreditPay=Small И Платежеспо собность=Растет И Конкурентоспособность=Высокая И Спрос=Высокий, ТО Действие=Увеличить _мощностъ.
ЕСЛИ Действие=Диверсификация_производства, ТО Доля_рынка=Высокая.
ЕСЛИ Действие=Снизить_издержки, ТО Конкурентоспособностъ=Высокая.
ЕСЛИ Действие=Увеличить_мощность, ТО Рентабелъ- ност ь =Высокая.
ЕСЛИ Платежеспособность=Растет И Конкурентоспособ- ность=Высокая И Доля_рынка={Большая ИЛИ Средняя), ТО StateEnP=Norma.
ЕСЛИ Нлатежеспособность=Растет И Рентабель- ность=Высокая, ТО StateEnP=Norma.
ЕСЛИ Платежеспособность=Не_растет И Конкурентоспо- собность=Низкая И Спрос=Низкий И Рентабельность=Низ- кая, ТО StateEnt=Crisls.
15
Логический анализ ситуаций с нечеткими переменными обладает большей гибкостью, чем традиционная логика, и не требует полного набора аксиом для вывода. Эти же качества являются источниками основных недостатков нечеткого логического подхода к задачам диагностики и прогнозирования. Они заключаются в отсутствии обоснованных процедур построения функций принадлежности, в трудностях представления знаний и интерпретации результатов. Проведенные исследования методов нечеткой логики в задачах принятия решений и прогнозирования дают основания полагать, что эти подходы наиболее плодотворны в тех случаях, когда для построения функций принадлежности можно использовать объективную информацию, например, в нечетком управлении или в нечеткой диагностике по данным измерений [1, 8, 9].
151
Практическое применение методов обработки нечетких суждений позволяет сделать следующие выводы:
Большое количество правил, ЛП и их значений приводит к противоречиям и/или к плохо интерпретируемым результатам нечеткого вывода. Лингвистический подход уместно применять для описания закономерностей общего характера, свойственных рассматриваемой предметной области. При этом задача опреде ления набора важнейших ЛП и формирования соответствующих правил может быть решена только с помощью экспертов высшей квалификации. Для более точного описания состояния предпри ятия следует применять другие модели, основанные на количест венных методах описания множества характеристик.
Главной проблемой нечетких методов является сложность построения функций принадлежности и еще более высокая сложность интерпретации получаемых результатов. Методы вы полнения свертки нечетких отношений влияют на результат в го раздо меньшей степени, чем вид используемых функций принад лежности.
Приемлемое представление знаний получается, как прави ло, в результате серии вычислительных экспериментов, проводи мых с помощью специалиста в области инженерии знаний.
3.6.
ПРОГРАММНЫЕ СРЕДСТВА ДЛЯ РАБОТЫ С НЕЧЕТКИМИ ЗНАНИЯМИ
Коммерческое программное обеспечение, основанное на нечетких моделях представления знаний, широко представлено на мировом рынке. Большая часть программных продуктов ориентирована на решение научно-технических задач и продвигается на рынок вместе с соответствующей аппаратурой. В табл. 3.1 приведены наименования и краткие характеристики некоторых известных в России программных средств, основанных на нечетких моделях [13].
Пакет прикладных программ FuziCalc предназначен для выполнения быстрых прикидочных расчетов в задачах принятия решений, возникающих в различных областях бизнеса. Пакет обес-
152
Таблица 3.1 Программные средства, основанные на нечетких моделях
Продукт |
Фирма |
Область применения |
AIS |
Adaptive |
Извлечение нечеткой информа- |
|
Information |
ции и гибкие опрашивающие |
|
Systems |
системы |
FuziCalc |
FuziWare |
Программная среда, ориентиро- |
|
|
ванная на анализ финансовых |
|
|
проблем |
Бизнес-прогноз |
Тора-Инфо-Центр |
Поддержка процессов принятия |
|
(дистрибьютер) |
управленческих решений |
CubiCalc |
HyperLogic's |
Система для поддержки задач |
|
|
нечеткого моделирования и уп- |
|
|
равления |
FMC |
Transfer-Tech |
Оболочка для разработки нечет- |
|
|
ких ЭС |
FRIL |
Fril Systems Ltd |
Нечеткий язык логических вы- |
|
|
водов |
FuzzySoft |
Fuzzy Soft AG |
Нечеткая система моделирова- |
|
|
ния |
Metus Fuzzy |
Metus Systems |
Библиотека программ для обра- |
Library |
|
ботки нечетких представлений |
|
|
на языке C/C++ |
NeuFuz |
National |
Нейронная сеть и нечеткая ло- |
|
Semiconductor |
гика |
Fide |
Aptronics |
Инструментальная среда для |
|
|
разработки нечетких систем, ис- |
|
|
пользующая микропроцессоры |
|
|
на нечеткой логике |
FuzzyTECH |
Inform Software |
Программная среда для разра- |
|
|
ботки нечетких ЭС |
TILShell |
Togai Infra Logic |
Совокупность программ и аппа- |
|
|
ратных средств для создания не- |
|
|
четких ЭС |
печивает вычисления в формате электронных таблиц и удобен для анализа финансовых показателей. Он содержит большое число стандартных функций, используемых в задачах анализа финансово-хозяйственной деятельности предприятий. С помощью пакета FuziCalc можно определять показатели прибыльности и окупаемости бизнеса, оценки задолженности клиентов и оборачиваемости товарно-материальных запасов, а также ускорять составление оперативных финансовых отчетов и других документов.
153
Российский программный продукт Бизнес-прогноз также ориентирован на поддержку управленческих решений в бизнесе. В нем предусмотрено представление бизнес-процесса деревом решений, при этом оценка возможных исходов осуществляется с помощью функций принадлежности. Вычисление нечетких оценок альтернативных решений проводится на основе наблюдаемых или субъективно назначенных вероятностей событий. Пакет позволяет решать задачи прогнозирования качества сделок с учетом ряда вычисляемых показателей, в том числе вероятного дохода от сделки; степени риска (вероятность безубыточного исхода сделки); степени неопределенности результата; доли средневероятной прибыли в общей сумме сделки и т. п.
К известным алгоритмически-ориентированным программным продуктам относятся пакеты CubiCalc и NeuFuz. Пакет CubiCalc предоставляет набор средств для построения нечетких моделей, в том числе нечеткий редактор для ввода и редактирования значений ЛП, соответствующих им нечетких множеств и правил; операторы, позволяющие изменять значения ЛП с помощью специальных модификаторов (например, «несколько», «очень»); весовые коэффициенты правил. CubiCalc содержит нечеткий словарь и редактируемую базу знаний. Результаты нечеткого вывода представляются в виде двумерной решетки.
Система NeuFuz сочетает в себе нечеткий вывод и нейронную сеть, которая используется для автоматического формирования правил и функций принадлежности по примерам. Нейронная сеть состоит из семи слоев и обучается по методу обратного распространения ошибки (см. главу 5).
Инструментальная среда Fide позволяет строить нечеткие интеллектуальные системы путем интеграции модулей нечеткого вывода, каждый из которых определен в текстовом файле, содержащем определения входных и выходных переменных, связанных с нечеткими множествами и правилами. Отличительной чертой системы Fide является креативный модуль, включающий подсистему анализа и подсистему моделирования.
Среда для разработки нечетких ЭС Fuzzy TECH содержит множество редакторов, предназначенных для создания входных и выходных переменных, функций принадлежности и правил.
154
Данная среда порождает программные коды интеллектуальных систем на языке C/C++ и других языках, ориентированных на специальные микроконтроллеры.
Инструментальная система TILShell является средством CASE-технологии, предназначенным для создания нечетких экспертных систем. Ядро системы содержит редакторы правил и функций принадлежности, а также развитые средства для быстрой разработки конкретных приложений, которые легко могут быть состыкованы с другими программными разработками, сделанными с использованием инструментария TIL.
Литература
Андрейчиков А. В., Андрейчикова О. Н. Анализ, синтез, планирова ние решений в экономике. — М.: Финансы и статистика, 2000.
Борисов А. Л., Крумберг О. А., Федоров И. П. Принятие решений на основе нечетких моделей. — Рига, Зинатне, 1990.
Вагин В. Н., Загорянская А. А. Организация абдуктивного вывода средствами теории аргументации // Тр. конгресса «Искусствен ный интеллект в 21 веке». — М.: Изд-во физико-математической литературы, 2001.
Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. — М.: Мир, 1976.
Логический подход к искусственному интеллекту: Пер. с фр. / А. Тейз, П. Грибомон, Ж. Луи и др. - М.: Мир, 1990.
Лорьер Ж.-Л. Системы искусственного интеллекта: Пер. с фр. Под ред. В. Л. Стефанюка. — М.: Мир, 1991.
Нейлор К. Как построить свою экспертную систему: Пер. с англ. — М.: Энергоатомиздат, 1991.
Нечеткие множества и теория возможностей. Последние дости жения: Пер. с англ. / Под ред. Р. Р. Ягера. - М.: Радио и связь, 1986.
Нечеткие множества в моделях управления и искусственного ин теллекта / Под ред. Д.А. Поспелова. — М.: Физматлит, 1986.
Осуга С. Обработка знаний: Пер. с яп. — М.: Мир, 1989.
Представление и использование знаний: Пер. с яп. / Под ред. Х.Уэно, М. Исидзука. - М.: Мир, 1989.
Фор А. Восприятие и распознавание образов: Пер. с фр./ Под ред. Г. П. Катыга. - М.: Машиностроение, 1989.
155
Фролов Ю. В. Интеллектуальные системы и управленческие ре шения. - М.: МГПУ, 2000.
Хант Э. Искусственный интеллект: Пер. с англ./ Под ред. В. Л. Стефанюка. - М.: Мир, 1978.
Экспертные системы. Принципы работы и примеры: Пер. с англ. / Под ред. Р. Форсайта - М.: Радио и связь, 1987.
Контрольные вопросы и задания
Поясните смысл понятия «нечеткость» знаний. Дайте характери стику компонентам нечеткости.
Что такое недетерминированность выводов? Какие средства следует использовать в системах, обладающих этим свой ством?
Проанализируйте какую-либо известную вам игру на предмет ее машинной реализации. Какими приемами необходимо обеспе чить компьютерного игрока в этой игре?
Расскажите о способах устранения многозначности. Почему ее необходимо устранять? Приведите примеры.
Какими способами можно представлять и обрабатывать нена дежные знания? Приведите примеры.
Охарактеризуйте способы обработки неполных знаний в интел лектуальных системах. Приведите собственный пример появле ния противоречия в логической ЭС при добавлении нового зна ния. Какие преимущества по сравнению с логическими имеют фреймовые системы?
Что такое абдукция? Дайте формальное определение и объясни те, чем она отличается от дедукции. Приведите примеры.
Дайте определение понятий «лингвистическая переменная» и «нечеткое множество», поясните их на примере. Какие операции можно выполнять над нечеткими множествами? Рассмотрите математические операции над нечеткими множествами: допол нение, объединение и пересечение множеств.
Дайте определение нечеткого отношения и расскажите о свойст вах нечетких отношений. Каким образом и с какой целью ис пользуются нечеткие отношения в ИИС?
Что такое нечеткая импликация? Какими способами ее можно реализовать для правил с одним выходом и двумя выходами? Приведите примеры.
Расскажите о нечетком логическом выводе. Чем он отличается от четкого логического вывода по правилу Modus Ponendo Ponens. Дайте определение композиции нечетких отношений. Приведи те пример нечеткой композиции.
Расскажите об организации ЭС с нечетким логическим выводом. Какие способы используются в таких системах для представле ния и обработки знаний?
Разработайте БЗ небольшого объема с нечетким представлением знаний.
Подготовьте собственные наборы нечетких правил для реализа ции в системе с нечетким выводом.
Разработайте интеллектуальную систему с нечетким представле нием знаний для решения небольшой прикладной экономичес кой или управленческой задачи.
156