5.2 Математические методы и модели ии. Искусственные нейронные сети

Искусственный интеллект реализуется на базе четырех подходов: логического, эволюционного, имитационного и структурного.

Основой логического подхода служит булева алгебра и ее логические операторы, в первую очередь оператор IF (если). При этом исходные данные хранятся в базе знаний в виде ак­сиом, а правила логического вывода — как отношения меж­ду ними. данный подход требует эффективной реализации вычислительного процесса, и хорошие результаты достигаются при сравни­тельно небольшом размере базы знаний. Примерами практи­ческой реализации логических методов являются деревья Решений и нечеткая логика.

Самоорганизация — процесс самопроизвольного увеличения порядка, или организации, в системе, происходящий под действием внешней среды. Самоорганизующиеся модели служат в основном для прог­нозирования поведения и структуры систем различной при­роды. В процессе построения моделей участие человека све­дено к минимуму.

Эволюционное моделирование представляет собой уни­версальный способ построения прогнозов состояний системы в условиях задания их предыстории. Общая схема алгоритма эволюции включает: задание исходной организации систе­мы, случайные мутации, отбор для дальнейшего развития той организации, которая является лучшей в рамках некото­рого критерия.

Поиск оптимальной структуры происходит в большей степени случайно и не целенаправленно, что затягивает процесс, но обеспечивает наилучшее приспособление к изменяющимся условиям.

Генетические алгоритмы - это стохастические, эвристические оптимизационные методы, основанные на идее эволюции путем естественного отбора.

Алгоритм работы классического га

Генетический алгоритм представляет собой мощное поиско­вое средство, эффективное в различных проблемных областях.

Под структурным подходом подразумевается построе­ние систем ИИ путем моделирования структуры человечес­кого мозга. Нейросетевое моделирование применяется в раз­личных областях — бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, класси­фикации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов — формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.

Искусственные нейронные сети (ИНС) — это математические модели и их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей.

Как правило, искусственная нейронная сеть используется, когда неизвестны виды связей между входами и выходами.

Для моделей, построенных по аналогии с мозгом человека, характерны простое распараллеливание алгоритмов и свя­занная с этим высокая производительность. Основное использование этих моделей — прогнозирование.

5.3 Интеллектуальные агенты. Системы интеллектуального анализа данных. Управление знаниями

интеллектуальный агент - разумные сущности, наблюдающие за окружающей средой и действующие в ней, при этом их поведение рационально в том смысле, что они способны к пониманию и их действия всегда направлены на достижение какой-либо цели. Такой агент может быть как роботом, так и встроенной программной системой. Об интеллектуальности агента можно говорить, если он взаимодействует с окружающей средой примерно так же, как действовал бы человек.

Всех агентов можно разделить на пять групп, по типу обработки воспринимаемой информации:

Агенты с простым поведением действуют только на основе текущих знаний. Их агентская функция основана на схеме условие-действие IF (условие) THEN действие. Такая функция может быть успешной, только если окружающая среда полностью поддается наблюдению.

Агенты с поведением, основанным на модели, могут оперировать со средой, лишь частично поддающейся наблюдению. Внутри агента хранится представление о той части, что находится вне границ обзора.

Целенаправленные агенты схожи с предыдущим типом, однако они, помимо прочего, хранят информацию о тех ситуациях, которые для них желательны. Это дает агенту способ выбрать среди многих путей тот, что приведет к нужной цели.

Практичные агенты способны различать, насколько желанно для них текущее состояние. Такая оценка может быть получена с помощью «функции полезности», которая проецирует множество состояний на множество мер полезности состояний.