![](/user_photo/2706_HbeT2.jpg)
- •Предмет теории систем, цель исследования, методы исследования. Понятия корректной формальной модели
- •История развития теории систем. Прикладные задачи, решаемые теорией систем
- •Основные понятия теории информационных систем: система, информация, информационная система, информационный обмен, состояние системы
- •Направления развития общей теории систем. Подходы к построению методов
- •Системный анализ и системный подход. Пять принципов системного подхода. Методология проведения исследований на базе системного подхода
- •Закономерности систем
- •Понятия, используемые для описания систем. Способы описания систем
- •3. Алгебраическая теория систем пытается объединить количественные и качественные методы исследования систем, но она находится в стадии разработки.
- •Общая классификация систем. Классификация по степени организованности
- •Классификация систем. Классификация по виду формализованного аппарата, целеустремлённости и сложности
- •Системный подход к решению задач теории систем. Задачи системного подхода. Цели решения задач. Алгоритм решения задач с помощью системного подхода
- •Компоненты информационно-поисковых языков. Оценка эффективности информационно-поисковых языков. Меры оценки
- •Особенности разработки информационно-поисковой системы. Оценка эффективности информационно-поисковой системы. Критерии поиска в информационно-поисковой системе. Возможности количественной оценки
- •Информационно-поисковые языки как основа информационно-поисковых систем. Сложность задачи индексирования
- •Формальные языки и грамматики. Классификация по Хомскому
- •Регулярные и автоматные грамматики. Конечные автоматы
- •Особенности организации информационных систем. Информация как ресурс особого рода. Роль информации в процессе управления
- •Этапы и принципы формирования логистических систем. Декомпозиция, синтез.
- •Экспертные системы. Структура. Базовые функции
- •Поиск в пространстве состояний. Эвристический поиск
- •Модели представления знаний. Семантические сети. Фреймы
- •Продукционная модель представления знаний. Машина вывода
- •Логико-математический подход к моделированию интеллекта
- •Социально-биологический подход к моделированию интеллекта. Агенты
- •Нейронные сети: обучение с учителем
- •Нейронные сети: обучение без учителя
- •Нечеткая логика. Операции с нечеткими множествами
- •Особенности разработки автоматизированной системы управления (асу)
- •Разработка обеспечивающей части автоматизированной системы управления (асу)
- •Разработка функциональной части автоматизированной системы управления (асу)
- •Понятие комплексного использования информационных ресурсов. Особенности разработки информационных ресурсов
- •1. Создавались асу тп и асу производством
- •2. Фактографические информационные системы
- •Выбор наилучших альтернатив на основе экспертной оценки
- •Планирование эксперимента. Основные этапы
- •Методика постепенной формализации. Задачи моделирования информационных потоков
- •Методы исследования систем в условиях неопределённости
- •Виды информационного обеспечения
Продукционная модель представления знаний. Машина вывода
Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа "Если (условие), то (действие)".
Продукционная модель так часто применяется в промышленных экспертных системах, поскольку привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.
Продукционная система состоит из множества правил, интерпретатора правил, который решает, когда надлежит применить каждое из них, и рабочей памяти, содержащей данные, описание цели и промежуточные результаты, в совокупности определяющие текущее состояние проблемы. Именно структуры данных в рабочей памяти анализируются и преобразуются порождающими правилами. Обращение к правилам синхронизируется текущими данными, а интерпретатор правил управляет выбором и активизацией определенных правил в каждом цикле.
Схематически правила в продукционной системе имеют такую обобщенную форму:
P1,..., Pm,->Q1,..., Qn
которая читается следующим образом:
если предпосылки Р1 и ... и Рт верны, то выполнить действия Q1 и ... и Qn.
Машина вывода — программа, которая выполняет логический вывод из предварительно построенной базы фактов и правил в соответствии с законами формальной логики.
Машина вывода обычно может выполнять одну или обе из следующих операций:
просмотр существующих фактов из базы данных)и правил из базы знаний и добавление (по мере возможности) новых фактов;
определение порядка просмотра и применения правил. Этот механизм управляет процессом консультации, сохраняя для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочей памяти оказывается недостаточно данных.
Логико-математический подход к моделированию интеллекта
Формализация теории графов также сделала возможным поиск в пространстве состояний (state space search) - основной концептуальный инструмент искусственного интеллекта. Графы можно использовать для моделирования скрытой структуры задачи. Узлы графа состояний (state space graph) представляют собой возможные стадии решения задачи; ребра графа отражают умозаключения, ходы в игре или другие шаги в решении.
Решение задачи - это процесс поиска пути к решению на графе состояний. Описывая все пространство решений задачи, графы состояний предоставляют мощный инструмент для измерения структурированности и сложности проблем, анализа эффективности, корректности и общности стратегий решения.
Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.
Большей выразительности логическому подходу добавляет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения — не знаю (0.5).
Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.