WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

Pages:     | 1 |   ...   | 2 | 3 ||

«ТРЕМБАЧ В.М. РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ В ОРГАНИЗАЦИОННОТЕХНИЧЕСКИХ СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ ЭВОЛЮЦИОНИРУЮЩИХ ЗНАНИЙ Монография МОСКВА 2010 1 УДК 519.68.02 ББК 65 с 51 Т 318 РЕЦЕНЗЕНТЫ: Г.Н. ...»

-- [ Страница 4 ] --

11. Люгер, Джордж, Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2003 -864 с.

12. Попов Э.В. Корпоративные системы управления знаниями // Новости искусственного интеллекта. – 2001. - №1. – с. 14-25.

13. Рассел,Стюарт, Норвиг,Питер. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ.- М.: Издательский дом "Вильямс", 2007. с.

14. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – М.: УРСС, 15. Тельнов Ю.Ф., Трембач В.М. Интеллектуальные информационные системы. Учебное пособие - М.: МЭСИ, 2009. - стр. 202.

16. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. Издание третье, расширенное и дорабо-танное.

Серия "Экономика и бизнес". – М.: СИНТЕГ, 2002, 316 с.

17. Трембач В.М. Приобретение знаний из опыта и внешних источников. // В кн. КИИ - 2006. Десятая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 3-х томах. Т.3., М.: Физматлит, 2006, с. 1100-1108.

18. Трембач В.М. Извлечение знаний из примеров деятельности и накопленного опыта успешных организаций // Международная научно- практическая конференция "Реинжиниринг бизнес-процессов на основе современных информационных технологий. Системы управления знаниями": Сборник научных трудов / Моск. госуд. ун-т экономики, статистики и информатики М., 2006, с. 337 - 341.

19. Трембач В.М. Формирование проблемной области с использованием контекста // 6-я научно- практическая конференция "Реинжиниринг бизнеспроцессов на основе современных информационных технологий. Системы управления знаниями": Сборник научных трудов / Моск. госуд. ун-т экономики, статистики и информатики - М., 2002, с. 241-244.

20. Трембач В.М. Формирование знаний в организационно-технических системах // 7-я научно- практическая конференция "Реинжиниринг бизнеспроцессов на основе современных информационных технологий. Системы управления знаниями": Сборник научных трудов / Моск. госуд. ун-т экономики, статистики и информатики - М., 2004, с. 173-177.

21. Трембач В.М. Средства обработки информации для построения интеллектуальных информационных систем. // В кн. КИИ - 2002. Восьмая национальна я конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 2-х томах. Т.2., М.: Физматлит, 2002.

22. Хант Э., Марин Дж., Стоун Ф. Моделирование процесса формирования понятий на вычислительной машине. - М.: Мир, 1970, 301 с.

23. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. -СПб.: БХВ-Петербург, 2003. - 608 с.

24. Bruner H.A., Goodnov J.J., Austin G.A. A study of stinking, Wiley, Ney York, 1956.

25. Davis R. and Lenat D. B. Knowledge-based Systems in Artificial Intelligence. New York: McGraw-Hill, 1982.

26. DeJong, G.F., and Mooney, R., "Explanation-Based learning: An alternative view". Machine Learning, 1 (1986) 145-176.

27. Fan X., Yen J. Modeling and Simulating Human Teamwork Behaviors Using Intelligent Agents // Journal of Physics of Life Reviews, Vol. 1, No. 3. 2004.

28. Fisher D. H. Knowledge acquisition via incremental conceptual clustering.

Machine Learning, 2: 139-172. 1987.

29. Hall R.P.Computational approaches to analogical reasoning: A comparative analysis, 39(1): 39-120, 30. Kedar-Cabelli S.T. Analogy - From a unified perspective. In Helman (1988), 1988.

31. Lenat D. B. and Brown J. S. Why AM and Eurisko appear to work. Artificial Intelligence, 23(3), 1984.

32. Macal C.M., North M.J. Tutorial on Agent-based Modeling and Simulation // Proceedings of the 2005 Winter Simulation Conference. WSC’05. 2005.

33. Michalski R. S. and Stepp R. E. Learning from observation: conceptual clustering. In Michalski et al. (1983), 1983.

34. Mitchell T., Version Space: An Approach to Concept Learning, PhD thesis, Stanford University, 1978.

35. Mitchell, T.M., "The need for biases in learning generalizations". Tech.

Rep. CBM-TR-117. Dept. of Computer Science, Rutgers University, NJ, 36. Mitchell T., Generalization as Search, Artificial Intelligence 18, no.

2,1982.

37. Nordhausen B. and Langley P. An integrated approach to empirical discovery. In Shrager and Langley(1990), 1990.

38. Paruchuri P., Bowring E., Nair R., Pearce J.P., Schurr N., Tambe M., Varakantham P. Mutiagent Teamwork: Hybrid Approaches // Computer society of India Communications. 2006.

39. Pearl J.Causality. New York: Cambridge University Press, 40. Pennypacker J. An elementary information procrssor for object recognition, Rept. SRC 30-J-63-1, Case inst. Technol., Cleveland, Ohio, 1963.

41. Quinlan, J. R.. Induction of decision trees. Machine Learning, 1, 81-106.

1986.

42. Russell S., The Use of Knowledge in Analogy and Induction, Research Notes in Artificial Intelligence, London: Pitman, 1989.





43. Simon H.A., Kotovsky K. Humansoquisitio of cocepts for sequential patterns, Paychol. Rev., 1963, p. 534- 44. The Origins of Inductive Logic Programming: A Prehistoric Tale,- Claude Sammut,- Department of Artificial Intelligence School of Computer Science and http://www.slideshare.net/artintelligence/the-origins-of-inductive-logicprogramming-a-prehistoric-tale 45. Winston P.H. Learning structural discriptions from examples. InThePsychology of Computer Vision/ New York: McGraw-Hill,1975.

Глава 5. Формирование планов решений задач в ОТС 5.1. Методы решения задач в системах, основанных на знаниях Современные организационно-технические системы являются сложными, как по структуре, так и по множеству протекающих в них процессах. Это является одной из основных причин все более широкого применения в организационно-технических системах интеллектуальных информационных систем. Среди интеллектуальных информационных систем ведущее положение занимают системы, основанные на знаниях (СОЗ). Организация решения задач в СОЗ зависит от особенностей предметной области, в которой решается задача, и от требований, предъявляемых пользователем к решению. Особенности предметной области с точки зрения методов решения можно характеризовать следующими параметрами [1,2,3,6,9,11,13,15,17,19]:

• размер, определяющий объем пространства, в котором предстоит искать решение;

• изменяемость области, характеризует степень изменяемости области во времени и пространстве (здесь выделяются статические и динамические области);

• полнота модели, описывающей область, характеризует адекватность модели, используемой для описания данной области. Обычно если модель не полна, то для описания области используют несколько моделей, дополняющих друг друга за счет отражения различных свойств предметной области;

• определенность данных о решаемой задаче, характеризует степень точности (ошибочности) и полноты (неполноты) данных. Точность (ошибочность) является показателем того, что предметная область с точки зрения решаемых задач описана точными или неточными данными; под полнотой (неполнотой) данных понимается достаточность (недостаточность) входных данных, для однозначного решения задачи.

Требования пользователя к результату задачи, решаемой с помощью поиска, можно характеризовать количеством решений и свойствами результата и (или) способом его получения. Например, параметр "количество решений" может принимать следующие основные значения: одно решение, несколько решений, все решения. Параметр "свойства" задает ограничения, которым должен удовлетворять полученный результат или способ его получения. Так для системы, выдающей рекомендации по лечению больных, пользователь может указать требование не использовать некоторое лекарство (в связи с его отсутствием или в связи с тем, что оно противопоказано данному пациенту). Параметр "свойства" может определять и такие особенности, как время решения ("не более чем", "диапазон времени" и т.п.), объем памяти, используемой для получения результата, указание об обязательности (невозможности) использования каких-либо знаний (данных) и т.п.

Итак, сложность задачи, определяемая вышеприведенным набором параметров, варьируется от простых задач малой размерности с неизменяемыми определенными данными и отсутствием ограничений на результат и способ его получения до сложных задач большой размерности с изменяемыми, ошибочными и неполными данными и произвольными ограничениями на результат и способ его получения. Из общих соображений ясно, что каким-либо одним методом нельзя решить все задачи. Обычно одни методы превосходят другие только по некоторым из перечисленных параметров.

Рассмотренные ниже методы могут работать в статических и динамических проблемных средах. Для того чтобы они работали в условиях динамики, необходимо учитывать время жизни значений переменных, источник данных для переменных, а также обеспечивать возможность хранения истории значений переменных, моделирования внешнего окружения и оперирования временными категориями в правилах.

Существующие методы решения задач, используемые в СОЗ, можно классифицировать следующим образом [15,20] (рис.5.1):

методы, основанные на сведении их к поиску;

методы, основанные на планировании последовательности действий планов решения задач), приводящих к цели.

Методы, основанные на сведении их к поиску, подразделяются на:

• методы поиска в одном пространстве - методы, предназначенные для использования в следующих условиях: области небольшой размерности, полнота модели, точные и полные данные;

• методы поиска в иерархических пространствах - методы, предназначенные для работы в областях большой размерности;

• методы поиска при неточных и неполных данных;

• методы поиска, использующие несколько моделей, предназначенные для работы с областями, для адекватного описания которых одной модели недостаточно.

Предполагается, что перечисленные методы при необходимости должны объединяться для того, чтобы позволить решать задачи, сложность которых возрастает одновременно по нескольким параметрам.

5.2. Методы, основанные на сведении их к поиску планов решения задач Методы поиска в одном пространстве Поиск в пространстве состояний. Задача поиска в пространстве состояний обычно формулируется в теоретико-графовой интерпретации [10,11,13,15,17,19,20]. Пусть задана тройка (So, F, Sт), где So - множество начальных состояний (условия задачи), F - множество операторов задачи, отображающих одни состояния в другие; SТ - множество конечных (целевых) состояний (решений задачи).

В этой постановке решить задачу - значит определить такую последовательность операторов, которая преобразует начальные состояния в конечные. Поиск в пространстве состояний можно представить в виде ориентированного графа G который задает пространство состояний, т.е. пространство, в котором осуществляется поиск решения. Построение пространства осуществляется с помощью процесса раскрытия вершин:

фиксируется некая вершина хо Хо, к ней применяются все возможные операторы, порождающие все дочерние вершины.

Если получена целевая вершина, то она не раскрывается.

Процесс построения пространства состояний заканчивается:

когда все нераскрытые вершины являются целевыми, или терминальными (т.е. вершинами, к которым нельзя применить никаких операторов);

когда выполняется заданное ограничение по времени или по объему памяти.

При необходимости отыскания всех существующих целевых вершин используются методы полного перебора всех вершин. В этом случае необходимо определить стратегию просмотра вершин графа. От выбранной стратегии выбора будет зависеть порядок рассмотрения вершин (порядок применения и срабатывания правил). Основными стратегиями поиска являются:

поиск в глубину и поиск в ширину;

поиск от данных, или прямой поиск и поиск от цели, или обратный изменяемость облаформирование решений в данных методом редукции в изменяющемся мнона основе обучения инжестве пространств При поиске в глубину (рис. 5.2 - а) сначала раскрывается та вершина, которая была построена самой последней. Глубина вершины в графе определяется так [11,15,16,17]:

глубина начальной вершины равна нулю;

глубина не начальной вершины равна единице плюс глубина наиболее близкой родительской вершины.

При практической реализации поиск в глубину в некотором направлении завершается в следующих случаях:

при достижении целевой вершины;

при достижении терминальной вершины;

при построении в ходе поиска вершины, глубина которой превышает некоторую граничную глубину.

При поиске в ширину (рис. 5.2 - б) вершины раскрываются в том же порядке, в котором они порождаются.

Если в пространство состояний ввести операторы, переводящие состояние Si в предшествующее состояние Si-1, то поиск можно осуществлять не только в направлении от начального состояния к целевому, но и в обратном направлении (рис.5.3.). Поиск первого типа называют поиском от данных, или прямым поиском, а поиск второго типа - поиском от цели, или обратным поиском. Можно организовать поиск в двух направлениях одновременно. Такой поиск называют двунаправленным (или бинаправленным).

Рис. 5.3. Поиск от данных, или прямой поиск (а) и поиск от цели, или обратный поиск (б).

Поиск методом редукции. При этом методе решение задачи сводится к решению совокупности образующих ее подзадач [10,11,15,17,20,21]. Этот процесс повторяется для каждой подзадачи до тех пор, пока каждая из полученного набора подзадач, образующих решение исходной задачи, не будет иметь очевидное решение. Подзадача считается очевидной, если ее решение общеизвестно или получено ранее [15].

Эвристический поиск. Методы поиска в пространстве состояний, с использованием стратегий поиска в глубину и в ширину, считаются слепыми методами, так как в них порядок раскрытия вершин предопределен и никак не зависит от расположения цели. Методы слепого поиска в больших пространствах требуют больших затрат ресурсов (времени, памяти). С целью сокращения этих затрат созданы эвристические методы поиска, использующие некоторую информацию о предметной области для рассмотрения не всего пространства поиска, а таких путей в нем, которые с наибольшей вероятностью приводят к цели.

Один из способов сокращения перебор состоит в выборе более "информированного" оператора, который не строит так много вершин, не относящихся к делу.

Другой способ состоит в использовании эвристической информации для определения на каждом шаге дальнейшего направления перебора. С этой целью вводится мера "перспективности" вершины в виде некоторой оценочной функции [15,16]. В некоторых случаях такие функции, сокращая перебор, не теряют свойства полноты. Но чаще используемые эвристики, существенно сокращая перебор, влекут за собой свойства полноты. Обычно оценочные функции пытаются количественно оценить расстояние от текущей вершины до конечной. Из двух вершин при одинаковой глубине перспективней та, от которой меньше расстояние до цели.

Поиск методом "генерация - проверка". Обычно пространство поиска явно не задано, поэтому для осуществления процесса поиска необходимо генерировать очередное возможное решение (состояние или подзадачу) и проверить, не является ли оно результирующим [11,15,17,20]. Целесообразно, чтобы генератор удовлетворял требованиям полноты и неизбыточности.

Генератор считается неизбыточным, если он генерирует каждое решение только один раз. Обеспечение этого свойства является важным, но трудновыполнимым. Например, если задача генератора синтезировать все фразы естественного языка, то вряд ли возможно сделать такой генератор неизбыточным.

Важной формой метода "генерация - проверка" является "иерархическая генерация - проверка". В этом случае [15,20] на верхнем уровне генератор вырабатывает не полное, а частично определенное решение (частичное).

Каждое частичное решение описывает не все состояние, а только его некоторую часть, определяя таким образом класс возможных состояний. Суть состоит в том, что устройство проверки может уже по виду частичного решения определить, что оно (а следовательно и все полные решения, вытекающие из частичного) не ведут к успеху. Если частичные решения не отвергаются, то на следующем уровне из данного частичного вырабатываются все полные решения, а устройство проверки определяет, являются ли они целевыми.

Методы поиска в иерархических пространствах.

Поиск в иерархии пространств. При поиске решения в одном пространстве не всегда возможно решить сложную задачу, т.к. с увеличением размера пространства время поиска экспоненциально растет. Поэтому при большом размере пространства поиска оно разбивается на подпространства, т.е. представляется иерархией пространств [10,11,15,17,20,21]. В иерархии пространств могут быть, как конкретные, так и абстрактные пространства, которые имеют описание только наиболее важных сущностей. Суть этого метода хорошо видна в примере определения кратчайшего пути на карте.

Пусть требуется переехать их центра города А в центр города Б [15,20].

Если осуществлять поиск требуемого пути на детальной карте, содержащей все улицы во всех городах, встретившихся по дороге, то задача может стать практически неразрешимой.

При определении пути из города А в город Б целесообразно спланировать маршрут по крупномасштабной карте (т.е. осуществить поиск в абстрактном пространстве), а затем по детальной карте спланировать выезд из города А, проезд через все встречающиеся города и въезд в город Б.

Поиск в факторизованном пространстве. Во многих приложениях требуется найти все решения (например, при интерпретации данных, постановке диагноза и др.). Однако пространство поиска бывает велико и слепые методы не применимы. Исключается использование и эвристических методов, т.к.

они не позволяют получить все возможные решения. Если же пространство поиска удается факторизовать, то даже в очень большом пространстве можно организовать эффективный поиск [10,11,15,17].

Факторизованным называется пространство, которое разбивается на непересекающиеся подпространства (классы) частичными (неполными) решениями. Вид частичного решения позволяет определить, что данное решение не приведет к успеху. Поиск осуществляется на основе метода "иерархическая генерация проверка". Если текущее частичное решение не отвергается, то генератор вырабатывает на его основе все полные решения, а устройство проверки определяет, являются ли эти решения целевыми.

Поиск в фиксированном множестве пространств. Метод факторизации пространства ограничен в использовании тем, что для некоторых областей не удается по частичному решению сделать заключение о его непригодности.

Примерами таких областей могут быть задачи планирования и конструирования. В этих случаях применимы методы поиска, использующие идею абстрактного пространства [15].

Методы различаются предположениями о природе этого пространства.

Абстракция должна подчеркнуть важные особенности рассматриваемой задачи, позволить разбить задачу на более простые подзадачи и определить последовательность подзадач (план решения) приводящую к решению основной задачи.

В простейшем случае пространство поиска разбивается на фиксированную последовательность подзадач (подпространств), с помощью которых можно решить любую исходную задачу.

Поиск в изменяющемся множестве иерархических пространств. В отдельных приложениях не удается все решаемые задачи свести к фиксированному набору подзадач (например, при планировании перемещений в пространстве). План решения задачи в данной ситуации должен иметь переменную структуру и не может сводиться к фиксированному набору подзадач.

Для решения подобных задач может быть использован метод нисходящего уточнения [15,20,21], в котором, чтобы упростить процесс решения некоторой задачи в сложном пространстве, целесообразно получить обобщенное пространство (меньшей размерности) и попробовать получить решение в этом пространстве. Указанный прием можно повторять многократно. Полный процесс решения задачи представляется как нисходящее движение в иерархии пространств от наиболее абстрактного к конкретному, в котором получается окончательное решение.

Существенной характеристикой такого процесса является поиск решения задачи в абстрактном пространстве, преобразование этого решения в решение более низкого уровня и т.д. На каждом уровне вырабатывается окончательное решение, после чего осуществляется переход на следующий, более конкретный уровень.

Использование ограничений при поиске решений. Ограничения позволяют частично описывать некоторые сущности в модели проблемной области. Ограничения могут задаваться как в числовой, так и в символьной форме. Примером ограничения в числовой форме может быть любая формула, задающая ограничения на соотношение входящих в формулу переменных.

Примером ограничения в символьной форме является модель управления любого глагола, задающая семантические категории. Ограничения могут быть использованы для представления целей в методах поиска в иерархических пространствах [15,16].

Принцип наименьших свершений. В рамках данного подхода решение не строится сразу до конца на верхних уровнях абстракции [11,15,17,20]. Используемое частичное решение детализируется постепенно. Каждое новое изменение частичного решения происходит при появлении информации, подтверждающей возможность решения и вынуждающей принять решение.

Системы, реализующие принцип наименьших свершений, должны уметь выполнять следующие действия:

выявлять моменты накопления объемов информации, данных, достаточных для принятия решения;

прерывать работу над некоторой подзадачей, когда использованы все данные, информация, достаточные для принятия решения;

осуществлять переход с одной подзадачи на другую и возвращаться к выполнению прерванной подзадачи, при появлении недостающих данных, информации;

формировать метаданные, информацию из данных, полученных различными подзадачами.

Метапространства в иерархии пространств. Проведение поиска решения задачи с использованием абстрактных и конкретных пространств, требовало на каждом шаге решения вопроса о том, какой из операторов проблемной области применить к данному состоянию задачи (подзадачи). Вопрос выбора соответствующего оператора можно решать за счет прогнозирования состояния проблемной области на следующем шаге, используя различные методы решателя [15]. Задача прогнозирования требует явного разграничения знаний о процессе решения и знаний о проблемной области, а для этого нужны знания на метауровне.

В метапространстве для решателя содержится явное описание процесса организации поиска, представляющее собой:

описание состояний;

представления операторов;

условий применимости операторов;

описание доступных методов (стратегий) поиска;

способов взаимодействия методов и стратегий поиска.

Получить решение в метапространстве означает: определение метода либо программы, применимых на следующих шагах. Решение в метапространстве есть метаплан решения задачи, который в отличии от абстрактного плана выражается не в терминах операторов проблемной области, а в терминах методов (программ), известных решателю. И нет причин ограничивать метазнания одним уровнем. Возможно разбиение метапространства на метазадачи (методы, программы). Это является полезным подходом к организации знаний в СОЗ, но к настоящему времени еще нет общего теоретического осмысления данного вопроса.

В рассмотренных методах поиска в иерархии пространств используются три вида пространств: конкретные, абстрактные, метапространства.

Все они могут использоваться в одной системе.

Методы поиска при неполных и неточных данных Поиск в альтернативных пространствах. Использование представленных ранее методов предполагает, что знания о предметной области и данные о решаемой задаче являются полными, точными и для них справедливо следующее:

все утверждения, описывающие состояние, являются истинными;

применение оператора к некоторому состоянию формирует некоторое новое состояние, описание которого состоит только из истинных При решении же реальных, практических задач, трудноформализуемых и, особенно, неформализованных задач, инженеру по знаниям и эксперту приходится работать в условиях неполноты, и неточности данных и знаний, и чаще всего, в условиях дефицита времени. В своей работе эксперт использует методы, отличающиеся от формальных математических рассуждений. В математических рассуждениях каждое заключение должно строго следовать из предыдущей информации.

В правдоподобных рассуждениях, основанных на здравом смысле, заключения основываются на частичной информации [13,15,16,17,20,21]. В этом случае эксперт делает правдоподобные предположения, вопрос об истинности которых остается открытым. Все утверждения, полученные на основе этих правдоподобных предположений, также не могут быть доказаны.

Один из способов обоснования предположений [15] заключается в том, чтобы рассматривать их как возможные значения, задаваемые по умолчанию.

Например, высказав предположение, что сейчас подойдет автобус, предполагается, что автобус не сломался и время работы автотранспорта не закончилось.

Обычно приходится иметь в виду, что некоторые предположения верны только при определенных условиях (в 02.00 автобус может подойти к остановке только в новогоднюю ночь).

Если информация, указывающая на нарушение этих условий, отсутствует, то предположение может быть высказано. В другом случае обоснование предположений базируется на рассмотрении рассуждения как процесса с ограниченными ресурсами. Так, можно считать, что предположение (Х) имеет место, если, используя ограниченные ресурсы, нельзя доказать истинность противоположного утверждения.

Предположения и выводы, сделанные на его основе, должны устраняться, если появилась информация, показывающая ошибочность этого предположения. Этот аспект в построении умозаключений, с использованием предположений, называется немонотонностью.

Пусть А, В, и С есть некоторые высказывания. Любая формальная система является монотонной при условии: если В выводится из А, то В будет выводиться и из А С. Система немонотонна: если В выводится из А, то В выводится из А С.

Немонотонные рассуждения особенно важны при решении задач планирования и конструирования. В этих задачах пространство поиска иногда очень велико, и нет возможности предвидеть все последствия сделанного выбора. Например, конструктор знает чего он хочет, но не знает, как это сделать. Поэтому при конструировании предположения выступают в виде пробных решений, последствия которых затем анализируются с точки зрения их пригодности или непригодности. Если последствия не противоречат тому, что хотел конструктор, то процесс конструирования продолжается дальше, возможно с выдвижением новых предположений. В противном случае необходимо устранить все последствия и сделать альтернативное предположение и т.д.

Для создания умозаключений, основанных на здравом смысле, при работе с неполными (неточными) данными и знаниями, система должна быть способна делать предположения, а при получении новой информации, показывающей ошибочность предположений, отказываться как от сделанных предположений, так и от умозаключений, полученных на основе этих предположений. Мнение системы о том, какие факты имеют место, изменяется в ходе рассуждения, т.е. можно говорить о ревизии мнений [15].

Таким образом, даже если рассматривать проблемную область как статическую, неполнота и неточность знаний и данных влечет за собой рассмотрение этой области при различных и даже противоположных предположениях, что в свою очередь, приводит к представлению области в виде альтернативных пространств, соответствующих различным, возможно противоречивым и (или) взаимодополняющим предположениям и мнениям.

Методы поиска, использующие несколько моделей Рассмотренные методы поиска использовали при представлении проблемной области какую-то одну модель. В этом случае модель представлялась с какой-то одной точки зрения.

При решении сложных задач, в условиях ограниченных ресурсов, использование нескольких моделей может значительно повысить мощность системы и преодолевать ряд трудностей [15]:

1. переход с одной модели на другую, позволяет обходить тупики, возникающие при поиске, в процессе распространения ограничений;

2. в ряде случаев возможно снижение вероятности потери хорошего решения (следствие неполного поиска, вызванного ограниченностью ресурсов) за счет конструирования полного решения из ограниченного числа частичных кандидатов путем их расширения и комбинации;

3. снижение неточности, ошибочности данных и знаний.

Использование нескольких моделей требует дополнительных знаний о том, как создавать и объединять различные точки зрения.

Впервые этот метод был использован в ЭС SYN, которая представляет программу для синтеза электрических схем. Используя несколько моделей, ЭС SYN может рассматривать схему с различных точек зрения, что соответствует идее эквивалентных электрических схем.

Например, SYN [15] может рассматривать делитель напряжения как состоящий из двух последовательно соединенных сопротивлений R1 и R2, а может рассматривать эти сопротивления как одно R = R1 + R2. Так при анализе делителя напряжения SYN использует вторую точку зрения для вычисления тока, проходящего через делитель I = U/R. Затем для вычисления напряжения в средней точке делителя U1 = I R1, U2 = I R2, SYN возвращается к первой точке зрения.

Идея поочередного использования эквивалентных представлений электрических схем позволяет преодолеть тупики, возникающие при распространении ограничений. Система SYN способна исследовать сложные схемы без трудоемких алгебраических вычислений.

5.3. Методы построения планов решения задач Дедуктивный вывод на знаниях. В системах дедуктивного вывода решаемая проблема записывается в виде утверждений формальной системы, а цель в виде утверждения, справедливость которого следует установить или опровергнуть на основании аксиом и правил вывода формальной системы. В качестве формальной системы используют исчисление предикатов первого порядка [7,8,10,11,12,13,17].

Попытки найти общую разрешающую процедуру доказательства теорем наблюдались у Лейбница, Пеано, в школе Гильберта. Автоматическое доказательство теорем берет начало от работ Эрбрана с 1930 года. Его методы и методы последующих исследователей позволили осуществить доказательства некоторых простых теорем из логики высказываний и предикатов первого порядка, но имели ряд недостатков, которые были устранены благодаря появившимся в 1964-1965 годах обратному методу вывода С. Маслова и принципу резолюций Дж. Робинсона.

Обратный метод вывода. Поиск вывода идет от целевой формулы к аксиомам или постулатам, истинность которых априорно известна [13.]. Чтобы определить выводимость формулы В из посылок F1, F2, …, Fn, необходимо найти формулы предшественники, из которых формула В может быть выведена одним применением правила вывода. Затем по каждой из получившихся формул-предшественников, не являющейся аксиомой исчисления, определяется множество непосредственных формул-предшествеников и т.д. ло окончательного построения вывода. Дерево, возникающее в ходе такого процесса, называется деревом поиска вывода. Оно превратится в дерево вывода в тот момент, когда все "его листья" окажутся аксиомами исчисления.

Принцип резолюций. Замечателен тем, что сложный процесс логического вывода сводит к последовательности очень простых операций, каждая из которых может быть легко запрограммирована.

Теорема Эрбрана часто представляется следующим образом [13,29]:

Первый вариант. Множество дизъюнктов S невыполнимо тогда и только тогда, когда любому полному семантическому дереву S соответствует конечное замкнутое семантическое дерево (т.е. любая ветвь полного дерева ведет в опровергающий узел).

Второй вариант. Множество дизъюнктов S невыполнимо тогда и только тогда, когда существует конечное, невыполнимое множество S основных примеров дизъюнктов S.

Использование этой теоремы осложнено одним обстоятельством - необходимостью порождения множества S2, S2, S3 … - основных примеров дизъюнктов.

Основная идея метода резолюции состоит в том, чтобы проверить, содержит ли S пустой дизъюнкт. Если S содержит, то S невыполнимо. Если S не содержит, то проверяется следующий факт: может ли быть получен из S. В соответствии с теоремой Эрбрана (первый вариант) проверка получения эквивалентна подсчету числа узлов замкнутого семантического дерева для S. По теореме Эрбрана S невыполнимо тогда и только тогда, когда существует конечное замкнутое семантическое дерево Т для S.

Очевидно, что S содержит тогда и только тогда, когда Т состоит только из одного узла - корневого узла. Если S не содержит, то Т должно содержать более чем один узел. Однако, если возможно свести число узлов в Т к одному, то в конце концов обязательно появится. В этом и состоит метод резолюций. Его можно рассматривать как специальное правило вывода, используемое для порождения из S новых дизъюнктов. Если добавить эти новые дизъюнкты в S, то некоторые узлы в исходном Т окажутся опровергающими узлами. Таким образом, число узлов в Т может быть уменьшено и пустой дизъюнкт будет в конце концов получен.

Семантическая резолюция. Одной из эффективных модификаций принципа резолюций является семантическая резолюция предложенная в 1967 году Slagle. В ней используется интерпретация для разделения множества дизъюнктов S на два класса:

S1 - непустое множество дизъюнктов, которое выполняется (принимает значение true) этой интерпретацией, S2 - непустое множество дизъюнктов, которое не выполняется (принимает значение false) этой интерпретацией.

Разрешается резольвирование (образование новых дизъюнктов) дизъюнктов, принадлежащих только разным множествам, и запрещается образование резольвент (вновь образованных дизъюнктов) от дизъюнктов, входящих в одно и то же множество. Таким образом, сокращается образование ненужных дизъюнктов, т.к. только резольвированием из разных множеств можно получить пустой дизъюнкт.

Другим способом ограничения количества порождаемых дизъюнктов является упорядочивание предикатных букв. Если имеется упорядочение предикатных букв типа Р1 Р2 … Pn, то разрешается резольвирование литер, обладающей наибольшим порядком, т.е. Р1.

Дедукция на семантических сетях. С каждой семантической сетью сопоставляется совокупность дизъюнктов. Дизъюнкты, имеющие как условия, так и заключения, представляют общие законы (аксиомы), что соответствует интенсиональному представлению знаний. Дизъюнкты без условий - это факты, соответствующие экстенсиональному представлению. И дизъюнкты без заключений - это отрицания фактов или цели, которые нужно доказать Обычно используется процедура опровержения при доказательстве теорем. Для уменьшения перебора при поиске нужной информации используется "раскраска" сети. [7,11,13,17]. Решение задачи дедукции состоит в получении противоречий в семантической сети или пустой сети по аналогии с получением пустого дизъюнкта в принципе резолюции. Процедура дедуктивного вывода на семантической сети основана на использовании многосортной логики предикатов первого порядка. Это обстоятельство позволяет существенно ограничить область поиска необходимых утверждений, хотя сортность переменных может быть исключена введением соответствующих одноместных предикатов.

При дедуктивном выводе на семантических сетях используются ряд алгоритмов [10,11,13,17,29]:

Для хорновских дизъюнктов - алгоритм дедукции на раскрашенных семантических сетях. Алгоритм позволяет обрабатывать сети большой размерности и быстрее и эффективнее извлекать нужную информацию.

Вместе с тем алгоритм не гарантирует в любых случаях получение пустой сети для исходного невыполнимого множества дизъюнктов. Он эффективен для областей, описываемых наборами хорновских дизъюнктов.

Связанный с трансформацией сети - алгоритм дедукции с использованием операторов удаления и расщепления вершин семантических сетей.

Для решения задач используются операторы трансформации сетей: оператор удаления вершины и оператор расщепления вершины. Вывод пустой сети, в этом случае, может осуществляться следующим образом:

1. если в сети имеются вершины, к которым применим оператор удаления (правило удаления: если в сети имеется вершина З, свободная от мультидуг, и этой вершиной связаны дизъюнкты g1, g2, …, gn, то после всевозможных резольвирований этих дизъюнктов по литере Р из сети эти дизъюнкты вместе с вершиной Р удаляются и добавляются новые дизъюнкты, полученные резольвированием g1, g2, …, gn. Вершина удаляется из сети и в случае чистого дизъюнкта), то после его применения эти вершины удаляются;

2. если в сети есть вершины с мультидугами, то в результате применения оператора расщепления появляются вершины, свободные от мультидуг; затем снова применяется оператор удаления и т.д. до получения противоречия в сети.

Нахождения пути на сети - алгоритм выделения путей. Если выделить из каждого дизъюнкта невыполнимого множества дизъюнктов S какую-нибудь литеру, то получится последовательность литер L1, L2, …, Lk. Любая последовательность литер называется путем на множестве дизъюнктов S. Алгоритм вывода пустого дизъюнкта из невыполнимого множества дизъюнктов S состоит в следующем:

1. выделение какого-нибудь пути H из исходного множества дизъюнктов S;

2. вывод всевозможных дизъюнктов на этом пути;

3. добавление вновь сформированных дизъюнктов в S и новых литер из новых дизъюнктов в выбранный путь Н.

4. процесс формирования и добавления продолжается до получения пустого дизъюнкта.

5.4. Формирование планов решения задач в ОТС с использованием интегрированного подхода к представлению знаний Как указывалось ранее, в ходе эволюции у КС четвертого уровня возник определенный механизм, позволяющий решать интеллектуальные задачи для достижения цели управления (выживания, размножения). В качестве исходных данных для этих задач были - желаемое состояние и текущее, исходное (неблагоприятное, из которого необходимо было перейти в желаемое). Благодаря новому механизму решения таких задач, т.е. интеллекту, определялся путь перехода к желаемому состоянию.

Желаемое состояние представляется в виде отображения (образа) реального мира, которое наиболее благоприятно для КС. Текущее состояние есть отображение (образ) РМ в текущий момент времени [27].

Кроме исходного и требуемого состояний КС с интеллектом необходимы знания [5,13,14,15,27]. Для представления знаний используется интегрированная метод представления знаний, рассмотренный ранее. С его помощью задается модель проблемной области.

Модель предметной области. Она определяется как отражение в интеллектуальной системе элементов и признаков действительности, их отношений. В простейшем случае включает описания всех операций и параметров, необходимых для решения задачи или класса задач. Описание операции включает три составляющих:

Условия возможности выполнения операции;

Условия контроля выполнения операции.

Имя операции может представлять собой код или набор символов, а условия задаются наборами состоящими из имени параметра и значения этого параметра.

Кроме определения условий параметры используются:

для задания текущего состояния предметной области в виде набора имен параметров с их текущими значениями и для задания требуемых значений в виде набора имен параметров с их требуемыми значениями.

Постановка задачи. Имея описание проблемной области можно приступать к решению задачи, которая может быть сведена к следующему виду [24,25,26].

Имеется интеллектуальная система для которой применим определенный набор операций. Кроме того, интеллектуальная система находится в известном (определяемом) состоянии. Необходимо спланировать последовательность операций, после выполнения которых интеллектуальная система перейдет в требуемое состояние.

Решение задачи. Решение задачи планирования операций (плана перехода из текущего состояния в требуемое), может включать несколько шагов [18,23,25,26,27,28]. На начальном шаге происходит сравнение требуемого состояния предметной области с текущим. При несовпадении формируется запрос к модели предметной области для поиска множества операций, необходимых для перевода в требуемое состояние. По этому запросу выбираются и условия возможности выполнения операций, из которых формируется требуемое состояние для следующего шага планирования и т.д., до тех пор, пока на одном из шагов планирования не будут устранены различия между текущим и требуемым состояниями.

Для описания алгоритма формирования планов решений используются следующие обозначения:

Sц0 - описание целевого состояния задачи;

Sцi - описание целевого состояния для i-го шага планирования (подзадачи);

Sперi - описание различий между целевым состоянием и текущим (модели перевода) для i- го шага планирования;

Sтекi - описание текущего состояния в контексте i- го шага планирования;

i - номер шага планирования;

С использованием введенных сокращений алгоритм функционирования интеллектуальной системы будет иметь следующий вид:

1. Получить описание состояния цели - Sц0. Установить первый шаг планирования: i = 1. Зафиксировать состояние цели для первого шага планирования Sцi = Sц0.

2. Формирование текущего состояния для i-го шага планирования.

По именам параметров из Sцi запрашиваются их текущие значения, т.е.

формируется Sтекi.

3. Сравнение Sцi и Sтекi. Формирование Sперi из параметров, текущие значения которых не совпали с требуемыми.

5. Выбор операций содержащих в "условиях контроля выполнения операции" такие параметры и их значения, как в Sперi.

6. Из "условий возможности выполнения" выбранных операций, сформировать образ требуемого состояния для следующего шага планирования Sцi+1.

7. Установить следующий шаг планирования i := i + 1. Перейти к Реализация сформированного плана.

Реализация осуществляется с выдачи команд, сформированных на последнем шаге планирования, а заканчивается выдачей операций, сформированных на первом шаге планирования.

Для контроля правильности исполнения операций i-го шага планирования, необходимо Sперi сравнить с Sтекi. При несовпадении текущих значений из Sтекi и требуемых значений параметров из Sперi, начать планирование непрошедших операций, т.е. Sц = Sперi.

Для контроля воздействий внешней среды необходимо сравнить Sтек с Sцi, при реализации операций i-го шага планирования. При несравнении начать планирование операций компенсирующих воздействия внешней среды. С этой целью Sц0 = Sцi.

При решении задач управления объектами реального мира, т.е. переводе из текущего состояния в требуемое, создается предметная область по правилам, описанным выше, а с помощью требуемого состояния задается цель управления, для достижения которой необходимо спланировать наборы операций. Текущее состояние, в этом случае, будет соответствовать реальному состоянию проблемной области.

Могут, также, решаться задачи удержания определенного состояния интеллектуальной системы, не зависимо от изменений внешней среды и других возмущений. В этом случае в качестве целевого задается состояние, которое необходимо удержать. Тогда при очередном сравнении состояний будут планироваться операции возврата в требуемое состояние, при обнаружении различий.

Классы решаемых задач.

Планирование в предметной области. Планирование может осуществляться не только для технических объектов, но и для объектов другой природы:

планирование для удержания в требуемом состоянии;

контроль воздействий внешней среды на объект и т.д.

Найденные планы могут быть реализованы с проверкой реализации планов решений и контролем возникновения нештатных ситуаций [20,22,25].

Планирование с оптимизацией. В реальной жизни для перехода из одного состояния в другое существует множество путей [24,25,26]. Применение метода формирования планов, использующего интегрированную модель знаний, может приводить к ситуациям, когда возможны несколько вариантов частичного, а значит и полного решения. Это может происходить в моменты формирования множества операций и требуемого состояния для нового шага планирования.

На этапе формирования множества операций, значение, рассматриваемого параметра из Sпер., может быть достигнуто использованием не одной, а нескольких операций. При формировании требуемого состояния для следующего шага планирования, используются условия возможности выполнения операций. А одна и та же операция может быть реализована различными способами.

Таким образом, число вариантов может достигать большого объема и для нахождения лучшего плана необходимо решать оптимизационную задачу.

Планирование с формированием проблемной области. Для решения рассматриваемых задач использовалась интегрированная модель знаний в виде представления параметров и операций. В этом случае вся проблемная область использовалась для решения задачи. Это не всегда разумно и возможно для задач, требующих больших объемов знаний, так как для их решения требуются большие затраты ресурсов - ассоциативной памяти, времени на обработку и т.д. Для сокращения расхода используемых ресурсов при решении задач можно использовать описание не всей проблемной области, а только лишь сведений, необходимых для решения всей задачи или ее подзадачи. В этом случае для описания проблемной области используются описания параметров, операций и сущностей.

Порядок формирования проблемной области следующий. Выбираются описания всех сущностей, имеющих отношение к параметрам из Sц. Из описаний этих сущностей выбираются имена всех операций. В соответствии с множеством имен операций формируется проблемная область, как множество описаний соответствующих операций.

Формирование контекста. Контекст может обозначаться именем одной сущности или именами нескольких сущностей [4,23,25,25].

По Sц, через описания параметров выбираются все сущности. Из полученного множества сущностей выбирается одна, к которой относятся все параметры из Sц.

Если такой сущности нет, то формируются общие сущности для групп параметров (вопрос наилучшего разбиения не рассматривается).

Для найденных сущностей выбираются сущности метауровня, и среди них ищется общая сущность.

Если общая сущность не найдена, то опять проводится разбиение сущностей на группы с общими сущностями, для общих сущностей от групп ищутся общие сущности метауровня и т.д, пока не будет найдена одна общая сущность.

Если обработаны сущности самого верхнего уровня, или пройдено заданное число уровней иерархии, то тогда полученные сущности выступают в роли контекста ситуации. Если этот контекст будет повторяться заданное число раз, то ему может быть присвоено имя-понятие, т.е. оно объявляется новой сущностью, включающей в себя сформированные сущности и наследующей их свойства.

Распределенная СОЗ (прототип системы управления знаниями, многоагентной системы). При решении задач планирования в рассматриваемых случаях использовались знания, находящиеся в памяти локального компьютера. Для использования знаний и других ресурсов сети (корпорации) возможно построение распределенной СОЗ. Работа распределенной СОЗ осуществляется следующим образом.

При поступлении в систему описания цели - Sц, происходит формирование описания текущего состояния Sтек. Для некоторых задач получение текущих значений параметров может быть очень сложной (трудоемкой) задачей. Например, значение статистического экономического параметра в масштабах отрасли, региона, или параметры орбиты космического аппарата. В этом случае формируется широковещательный запрос в сеть с признаком "выдать текущее значение параметра" и указанием имени параметра. Рабочие станции (агенты), присутствующие и подключенные к сети, получают этот пакет и, если у них есть возможность выполнить этот запрос, то выполняют его.

Одновременно происходит и формирование проблемной области. Кроме описаний операций из локальной базы знаний (БЗ) в проблемную область добавляются описания операций полученные и из сети. Полученные описания операций могут сохраняться в локальной БЗ, т.е. реализуются функции систем управления знаниями по обмену и использованию знаний.

При наличии нескольких источников требуемых данных или знаний и наличии ограничений на ресурсы, возможен выбор самого удобного источника, т.е. реализуется часть функций многоагентной системы.

Решение задачи формирования индивидуальной траектории повышения компетенций у обучаемого. Подобные задачи характерны для учебных организаций и являются востребованными при переходе к компетентностному подходу в образовании [23,24,25]. В качестве примера рассматривается ситуация в которой сотруднику организации, для работы в новой должности, нужно вести расчеты в Excel. Для краткости изложения примера, все процессы рассматриваются упрощенно и условно. Сотрудник должен пройти обучение в соответствии с планом обучения, который включает включает последовательность учебных объектов. Вид семантического представления учебного объекта представлен на рис. 5.4.

Пусть требуемая компетенция "Вычисления в Excel" для этого сотрудника включает знания интерфейса Excel, знания (умения и навыки) по созданию таблиц, знания (умения и навыки) по форматированию таблиц, знания (умения и навыки) по вычислениям в Excel, знания предметной области для задач, которые будут решаться в Excel.

Для построения онтологии требуемой компетенции необходимо определить концепты, т.е. те знания, умения и навыки, которые необходимы сотруднику для формирования у него требуемой компетенции.

Пусть в качестве базовых элементов, для рассматриваемого случая, требуются знания (умения и навыки) по следующим разделам:

- Основы Windows;

- Работа с мышкой;

- Знание клавиатуры.

Рис.5.4. Семантическое представление фрагмента учебного объекта.

На рис.5.5.а) показан этап формирования основных концептов, для описания требуемой компетенции. На рис.5.5.б) показан фрагмент графического отображения концептов. На рис.5.5.в) представлен процесс установления связей между концептами через поле "Предусловия". В итоге сформирована онтология требуемой компетенции, графическое изображение которой представлено на рис.5.6. Содержание базы знаний (описание онтологии требуемой компетенции, с использованием интегрированного подхода) представлено в окне вкладки "Просмотр базы знаний" (рис.5.7).

Пусть текущая компетенция сотрудника, в области вычислений в Excel, будет включать следующие элементы:

- Основы Windows;

- Работа с мышкой;

- Знание клавиатуры.

Формирование у сотрудника требуемой компетенции происходит в ходе обучения. Для организации обучения необходим план обучения. Задача формирования плана обучения сотрудника может быть представлена следующим образом.

а) Создание в базе знаний основных концептов для требуемой компетенции б) Фрагмент графического отображения концептов в) Установление связей между концептами через "Предусловия" Рис. 5.5. Этапы построения онтологии требуемой компетенции Для сотрудника, имеющего текущую компетенцию Ктек сформировать такой план обучения Поб, после реализации которого у сотрудника сформируется требуемая компетенция Ктр. Описание проблемной области, в данном случае, будет содержать концепты, соответствующие учебным объектам, с признаками их активизации (изучения обучаемым) и связи между ними. Базы знаний для рассматриваемого примера показано на рис.5.7.

Признаки изучения учебных объектов:

П0 – для задания предусловия входных признаков (всегда имеет значение 1), П1 – Знание клавиатуры, П2 - Работа с мышкой, П3 – Основы Windows, П4 – Ввод текста, П5 – Интерфейс Excel, П6 – Создание таблиц, П7 – Форматирование таблиц, П8 – Предметная область решаемых задач, П9 – Вычисления в Excel, П10 – Решение задач в Excel.

Учебные объекты. В рамках рассматриваемого подхода к решению задачи формирования у сотрудника требуемой компетенции, учебные объекты представляются как совокупность излагаемого текстового материала, презентации, мульти-медийные приложения, упражнений для выработки навыков и т.д. А для синтеза плана формирования у сотрудника требуемой компетенции необходимы и описания учебных объектов – знания об учебных объектах – представления учебных объектов в базе знаний. Объем этого представления должен обеспечивать решение задачи планирования.

Представления учебных объектов показаны в таблице 5.1.

Для решения задачи необходимо задать требуемую компетенцию и указать текущую (рис.6). Описания Кц0, Кцi, Кперi, Ктекi, представляется в виде множества пар - кода параметра и его значения, отделяемых точкой с запятой друг от друга. Для каждого шага планирования формируются подмножества названий учебных объектов (изучаемых тем) - ПУОi и подмножества условий возможности изучения материала, соответствующего учебного объекта ПУВИi.

Пошаговое описание решения задачи. В скобках указан пункт описания алгоритма.

Пусть требуется получить компетенцию "Решение задач в Excel", т.е. Sц = {П10,1}. Исходным состоянием является наличие знаний (умений, навыков) – "Знание клавиатуры", "Работа с мышкой" "Основы Windows". Для описания этого факта текущие значения признаков изучения учебных объектов П1 – П3 равны 1, а значения остальных признаков равны 0.

6. (6) Sтрi+1 = Sтр2 = ПУВИ1 = {П8,1;П9,1};

9. (3) Sпер2 = {П8,1;П9,1};

24. (6) Sтрi+1 = Sтр5 = ПУВИ4 = {П4,1;П5,1};

30. (6) Sтрi+1 = Sтр6 = ПУВИ5 = {П1;П2,1;П3,1};

32. (2) Sтек6= { П1,1;П2,1;П3,1};

35. (8) Конец планирования.

Рис. 5.6. Графическое изображение требуемой компетенции сотрудника В итоге сформирован следующий план перехода из текущего состояния в требуемое: 5-й шаг: УО4, УО5; 4-й шаг: УО6; 3-й шаг: УО7; 2-й шаг: УО8, УО9; 1-й шаг: ОП10.

На рис.5.8. в нижнем поле "Результат" интерфейса для организации планирования процесса обучения сотрудника представлен сформированный план обучения.

Первая строка показывает исходное состояние компетенции обучаемого:

{Знание клавиатуры, Основы Windows, Работа с мышкой}.

В самой нижней строке описана требуемая компетенция - цель обучения:

{Решение задач в Excel}.

Между первой и последней строками плана указана последовательность учебных объектов, необходимых для формирования требуемой компетенции.

Рис.5.7. Содержание базы знаний для рассматриваемого примера Рассмотренные интеллектуальные технологии, для решения задач управления в ОТС, позволяют решать ряд задач управления знаниями в образовательном учреждении. К таким задачам можно отнести накопление знаний преподавателей, широкое распространение и использование имеющихся знаний. Накопление знаний преподавателей может осуществляться с помощью репозитория, хранящего описания учебных объектов. Организация многопользовательского доступа к такому хранилищу описаний учебных объектов обеспечит эффективное использование имеющихся данных Рис.5.8. Интерфейс для планирования процесса обучения сотрудника Применение интегрированного подхода к представлению знаний в репозитории даст возможность наращивания и/или сокращения элементарных учебных объектов, как путем детализации элементов описания, так и путем их обобщения.

Литература к главе 1. Гаврилова Т.А., Хорошевский В.Ф., Базы знаний интеллектуальных систем - СПб: Питер, 2000. 384 с.

2. Джарратано, Джозеф, Райли, Гари. Экспертные системы: принципы разработки и программирование, 4-е издание. : Пер. с англ. _ М. ООО И.Д.

Вильямс", 2007. - 1152 с.

3. Джексон Питер Введение в экспертные системы.: Пер. с англ.: Уч. Пос. М.: Издательский дом "Вильямс", 2001. - 624 с.

4. Дюк В., Самойленко А. Data Mining: уч.. курс. – СПб: Питер, 2001.

5. Джонс М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс; Пер. с англ. Осипов А.И. - М.: ДМК Пресс, 2004. - 6. Информационные системы в экономике: Учебник / Под ред. проф. В.В.

Дика. - М.: Финансы и статистика, 1996. - 272с.

7. Искусственный интеллект. Книга 2. Модели и методы. / Под ред. проф.

Д.А.Поспелова. - М.: Радио и связь, 1990. - 304 с.

8. Колмогоров А.Н., Драгалин А.Г. Введение в математическую логику. - М.:

Изд-во Моск. Ун-та, 1982. - 120 с.

9. Компьютерные технологии обработки информации: Учеб. Пособие /С.В.

Назаров, В.И. Першиков, В.А. Тафинцев и др.; Под ред С.В. Назарова. М.: Финансы и статистика, 1995. - 248 с.

10. Лорьер Ж.-Л., Системы искусственного интеллекта// М.: Мир, 1991.

11. Люгер, Джордж, Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2003 -864 с.

12. Обработка знаний / Пер. с япон.: Под ред. С.Осуга. - М.: Мир, 1989. - 13. Осипов Г.С. Лекции по искусственному интеллекту. - М.: КРАСАНД, 2009. - 272 с.

14. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. - М.: Наука. Физматлит, 1997. - 112 с. - (Проблемы искусственного интеллекта).

15. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы: Учеб.пособие // М.: Финансы и статистика, 1996.

16. Попов Э.В., Фирдман Г.Р. Алгоритмические основы интеллектуальных роботов и искусственного интеллекта. - М.: Наука, 1976.

17. Рассел, Стюарт, Норвиг, Питер. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. - М.: Издательский дом "Вильямс", 2007. с.

18. Редько В.Г. Моделирование когнитивной эволюции - естественный путь к искусственному интеллекту // Новости искусственного интеллекта. - 2001.

19. Рыбина Г.В. Основы построения интеллектуальных систем: учеб. пособие /Г.В. Рыбина. - М.: Финансы и статистика, ИНФРА-М, 2010. - 432 с.

20. Тельнов Ю.Ф., Трембач В.М. Интеллектуальные информационные системы. Учебное пособие - М.: МЭСИ, 2009. - стр. 202.

21. Тельнов Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. Издание третье, расширенное и дорабо-танное.

Серия "Экономика и бизнес". – М.: СИНТЕГ, 2002, 316 с.

22. Трембач В.М. Представление сложных связей в описаниях предметной области для решения задач целенаправленного поведения. // В кн. КИИ Двенадцатая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 4-х томах.

Т.4., М.: Физматлит, 2010, с. 194-202.

23. Трембач В.М., Формирование и использование моделей компетенций обучающихся на основе эволюционирующих знаний,//Научно-практический журнал «Открытое образование», МЭСИ, №6(77), 2009, с. 12- 24. Трембач В.М. Применение интеллектуальных технологий к формированию компетенций обучающихся //Искусственный интеллект и принятие решений. - 2008.- №2. С. 34-54.

25. Трембач В.М. Компьютерные методы представления и формирования знаний для синтеза планов решений // Новости искусственного интеллекта. 2005. - № 3, стр. 51-62.

26. Трембач В.М. Средства обработки информации для построения интеллектуальных информационных систем. // В кн. КИИ - 2002. Восьмая национальна я конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 2-х томах. Т.2., М.: Физматлит, 2002.

27. Турчин В.Ф. Феномен науки: Кибернетический подход к эволюции. Изд.

2-е - М.: ЭТС. - 2000.

28. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем.

Среда CLIPS. -СПб.: БХВ-Петербург, 2003. - 608 с.

29. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем: Пер. с англ./ Под ред С.Ю. Маслова. - М: Наука. Главнвя редакция физико-математической литературы, 1983. - 360 с. Содержание Глава 1. Анализ методов и средств использования знаний в ОТС 1.1. Возникновение необходимости использования знаний при реше- нии задач управления ОТС 1.3. Роль и место знаний в решении задач ОТС авиакосмической от- расли 2.1. Понятие полноты и точности для систем управления базами зна- ний 2.2. Содержание задачи представления действительности в памяти ки- бернетической системы Глава 3. Методы представления эволюционирующих знаний для решения задач управления в организационно-технических системах 3.1. Интегрированный подход к представлению знаний 3.2. Операции над описаниями элементов эволюционирующих знаний для решения задач управления в ОТС 3.3. Представление сложных связей, необходимых для решения задач управления в ОТС с помощью элементарных связей эволюционирующих знаний Глава 4. Методы использования эволюционирующих знаний для решения задач управления в ОТС 4.4. Агентно-ориентированная архитектура системы, реализующей ин- тегрированный метод обучения Глава 5. Формирование планов решений задач в ОТС 5.1. Методы решения задач в системах, основанных на знаниях 5.2. Методы, основанные на сведении их к поиску планов решения за- дач 5.3. Методы построения планов решения задач 5.4. Формирование планов решения задач в ОТС с использованием ин- тегрированного подхода к представлению эволюционирующих знаний Министерство образования и науки РФ

РЕШЕНИЕ ЗАДАЧ УПРАВЛЕНИЯ В

ОРГАНИЗАЦИОННОТЕХНИЧЕСКИХ СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ ЭВОЛЮЦИОНИРУЮЩИХ ЗНАНИЙ



Pages:     | 1 |   ...   | 2 | 3 ||
Похожие работы:

«Институт биологии моря ДВО РАН В.В. Исаева, Ю.А. Каретин, А.В. Чернышев, Д.Ю. Шкуратов ФРАКТАЛЫ И ХАОС В БИОЛОГИЧЕСКОМ МОРФОГЕНЕЗЕ Владивосток 2004 2 ББК Монография состоит из двух частей, первая представляет собой адаптированное для биологов и иллюстрированное изложение основных идей нелинейной науки (нередко называемой синергетикой), включающее фрактальную геометрию, теории детерминированного (динамического) хаоса, бифуркаций и катастроф, а также теорию самоорганизации. Во второй части эти...»

«А.Н. КОЛЕСНИЧЕНКО Международные транспортные отношения Никакие крепости не заменят путей сообщения. Петр Столыпин из речи на III Думе О стратегическом значении транспорта Общество сохранения литературного наследия Москва 2013 УДК 338.47+351.815 ББК 65.37-81+67.932.112 К60 Колесниченко, Анатолий Николаевич. Международные транспортные отношения / А.Н. Колесниченко. – М.: О-во сохранения лит. наследия, 2013. – 216 с.: ил. ISBN 978-5-902484-64-6. Агентство CIP РГБ Развитие производительных...»

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ АДЫГЕЙСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ЦЕНТР БИЛИНГВИЗМА АГУ X. 3. БАГИРОКОВ Рекомендовано Советом по филологии Учебно-методического объединения по классическому университетскому образованию в качестве учебного пособия для студентов высших учебных заведений, обучающихся по специальности 021700 - Филология, специализациям Русский язык и литература и Языки и литературы народов России МАЙКОП 2004 Рецензенты: доктор филологических наук, профессор Адыгейского...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ФИЗИКИ АТМОСФЕРЫ им. А. М. ОБУХОВА УНИВЕРСИТЕТ НАУК И ТЕХНОЛОГИЙ (ЛИЛЛЬ, ФРАНЦИЯ) RUSSIAN ACADEMY OF SCIENCES A. M. OBUKHOV INSTITUTE OF ATMOSPHERIC PHYSICS UNIVERSITE DES SCIENCES ET TECHNOLOGIES DE LILLE (FRANCE) V. P. Goncharov, V. I. Pavlov HAMILTONIAN VORTEX AND WAVE DYNAMICS Moscow GEOS 2008 В. П. Гончаров, В. И. Павлов ГАМИЛЬТОНОВАЯ ВИХРЕВАЯ И ВОЛНОВАЯ ДИНАМИКА Москва ГЕОС УДК 532.50 : 551.46 + 551. ББК 26. Г Гончаров В. П., Павлов В....»

«Министерство образования и науки Российской Федерации Федеральное агентство по образованию Владивостокский государственный университет экономики и сервиса _ Российская академия наук Дальневосточное отделение Институт истории, археологии и этнографии народов Дальнего Востока Ю.Н. ОСИПОВ КРЕСТЬЯНЕ -СТ АРОЖИЛЫ Д АЛЬНЕГО ВОСТОК А РОССИИ 1855–1917 гг. Монография Владивосток Издательство ВГУЭС 2006 ББК 63.3 (2Рос) О 74 Рецензенты: В.В. Сонин, д-р ист. наук, профессор Ю.В. Аргудяева, д-р ист. наук...»

«Особо охраняемые природные территории УДК 634.23:581.16(470) ОСОБО ОХРАНЯЕМЫЕ РАСТЕНИЯ САМАРСКОЙ ОБЛАСТИ КАК РЕЗЕРВАТНЫЙ РЕСУРС ХОЗЯЙСТВЕННО-ЦЕННЫХ ВИДОВ © 2013 С.В. Саксонов, С.А. Сенатор Институт экологии Волжского бассейна РАН, Тольятти Поступила в редакцию 17.05.2013 Проведен анализ группы раритетных видов Самарской области по хозяйственно-ценным группам. Ключевые слова: редкие растения, Самарская область, флористические ресурсы Ботаническое ресурсоведение – важное на- важная группа...»

«Vinogradov_book.qxd 12.03.2008 22:02 Page 1 Одна из лучших книг по модернизации Китая в мировой синологии. Особенно привлекательно то обстоятельство, что автор рассматривает про цесс развития КНР в широком историческом и цивилизационном контексте В.Я. Портяков, доктор экономических наук, профессор, заместитель директора Института Дальнего Востока РАН Монография – первый опыт ответа на научный и интеллектуальный (а не политический) вызов краха коммунизма, чем принято считать пре кращение СССР...»

«Министерство образования науки Российской Федерации Российский университет дружбы народов А. В. ГАГАРИН ПРИРОДООРИЕНТИРОВАННАЯ ДЕЯТЕЛЬНОСТЬ УЧАЩИХСЯ КАК ВЕДУЩЕЕ УСЛОВИЕ ФОРМИРОВАНИЯ ЭКОЛОГИЧЕСКОГО СОЗНАНИЯ Монография Издание второе, доработанное и дополненное Москва Издательство Российского университета дружбы народов 2005 Утверждено ББК 74.58 РИС Ученого совета Г 12 Российского университета дружбы народов Работа выполнена при финансовой поддержке РГНФ (проект № 05-06-06214а) Н а у ч н ы е р е...»

«Олег Кузнецов Дорога на Гюлистан.: ПУТЕШЕСТВИЕ ПО УХАБАМ ИСТОРИИ Рецензия на книгу О. Р. Айрапетова, М. А. Волхонского, В. М. Муханова Дорога на Гюлистан. (Из истории российской политики на Кавказе во второй половине XVIII — первой четверти XIX в.) Москва — 2014 УДК 94(4) ББК 63.3(2)613 К 89 К 89 Кузнецов О. Ю. Дорога на Гюлистан.: путешествие по ухабам истории (рецензия на книгу О. Р. Айрапетова, М. А. Волхонского, В. М. Муханова Дорога на Гюлистан. (Из истории российской политики на Кавказе...»

«МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙ ФЕДЕРАЦИИ НЕКОММЕРЧЕСКАЯ ОРГАНИЗАЦИЯ СОЮЗ ОПТОВЫХ ПРОДОВОЛЬСВТЕННЫХ РЫНКОВ РОССИИ Методические рекомендации по организации взаимодействия участников рынка сельскохозяйственной продукции с субъектами розничной и оптовой торговли Москва – 2009 УДК 631.115.8; 631.155.2:658.7; 339.166.82. Рецензенты: заместитель директора ВНИИЭСХ, д.э.н., профессор, член-корр РАСХН А.И. Алтухов зав. кафедрой товароведения и товарной экспертизы РЭА им. Г.В. Плеханова,...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ ЛИНГВИСТИЧЕСКИХ ИССЛЕДОВАНИЙ Л. З. Сова АФРИКАНИСТИКА И ЭВОЛЮЦИОННАЯ ЛИНГВИСТИКА САНКТ-ПЕТЕРБУРГ 2008 Л. З. Сова. 1994 г. L. Z. Sova AFRICANISTICS AND EVOLUTIONAL LINGUISTICS ST.-PETERSBURG 2008 УДК ББК Л. З. Сова. Африканистика и эволюционная лингвистика // Отв. редактор В. А. Лившиц. СПб.: Издательство Политехнического университета, 2008. 397 с. ISBN В книге собраны опубликованные в разные годы статьи автора по африканскому языкознанию, которые являются...»

«Межрегиональные исследования в общественных науках Министерство образования и науки Российской Федерации ИНО-центр (Информация. Наука. Образование) Институт имени Кеннана Центра Вудро Вильсона (США) Корпорация Карнеги в Нью-Йорке (США) Фонд Джона Д. и Кэтрин Т. Мак-Артуров (США) Данное издание осуществлено в рамках программы Межрегиональные исследования в общественных науках, реализуемой совместно Министерством образования и науки РФ, ИНО-центром (Информация. Наука. Образование) и Институтом...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РЕСПУБЛИКИ КАЗАХСТАН КОМИТЕТ НАУКИ ИНСТИТУТ ФИЛОСОФИИ И ПОЛИТОЛОГИИ КАЗАХСТАН В ГЛОБАЛЬНОМ МИРЕ: ВЫЗОВЫ И СОХРАНЕНИЕ ИДЕНТИЧНОСТИ Посвящается 20-летию независимости Республики Казахстан Алматы, 2011 1 УДК1/14(574) ББК 87.3 (5каз) К 14 К 14 Казахстан в глобальном мире: вызовы и сохранение идентичности. – Алматы: Институт философии и политологии КН МОН РК, 2011. – 422 с. ISBN – 978-601-7082-50-5 Коллективная монография обобщает результаты комплексного исследования...»

«В.Н. Ш кунов Где волны Инзы плещут. Очерки истории Инзенского района Ульяновской области Ульяновск, 2012 УДК 908 (470) ББК 63.3 (2Рос=Ульян.) Ш 67 Рецензенты: доктор исторических наук, профессор И.А. Чуканов (Ульяновск) доктор исторических наук, профессор А.И. Репинецкий (Самара) Шкунов, В.Н. Ш 67 Где волны Инзы плещут.: Очерки истории Инзенского района Ульяновской области: моногр. / В.Н. Шкунов. - ОАО Первая Образцовая типография, филиал УЛЬЯНОВСКИЙ ДОМ ПЕЧАТИ, 2012. с. ISBN 978-5-98585-07-03...»

«О. Ю. Климов ПЕРГАМСКОЕ ЦАРСТВО Проблемы политической истории и государственного устройства Факультет филологии и искусств Санкт-Петербургского государственного университета Нестор-История Санкт-Петербург 2010 ББК 63.3(0)32 К49 О тветственны й редактор: зав. кафедрой истории Древней Греции и Рима СПбГУ, д-р истор. наук проф. Э. Д. Фролов Рецензенты: д-р истор. наук проф. кафедры истории Древней Греции и Рима Саратовского гос. ун-та В. И. Кащеев, ст. преп. кафедры истории Древней Греции и Рима...»

«МЕДИЦИНСКАЯ АКАДЕМИЯ ПОСЛЕДИПЛОМНОГО ОБРАЗОВАНИЯ В. В. Афанасьев, И. Ю. Лукьянова Особенности применения цитофлавина в современной клинической практике Санкт-Петербург 2010 Содержание ББК *** УДК *** Список сокращений.......................................... 4 Афанасьев В. В., Лукьянова И. Ю. Особенности применения ци тофлавина в современной клинической практике. — СПб., 2010. — 80 с. Введение.................................»

«ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ С.И. ДВОРЕЦКИЙ, Е.И. МУРАТОВА, И.В. ФЁДОРОВ ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ ИЗДАТЕЛЬСТВО ТГТУ Министерство образования и науки Российской Федерации ГОУ ВПО Тамбовский государственный технический университет С.И. ДВОРЕЦКИЙ, Е.И. МУРАТОВА, И.В. ФЁДОРОВ ИННОВАЦИОННО-ОРИЕНТИРОВАННАЯ ПОДГОТОВКА ИНЖЕНЕРНЫХ, НАУЧНЫХ И НАУЧНО-ПЕДАГОГИЧЕСКИХ КАДРОВ...»

«УДК 80 ББК 83 Г12 Научный редактор: ДОМАНСКИЙ Ю.В., доктор филологических наук, профессор кафедры теории литературы Тверского государственного университета. БЫКОВ Л.П., доктор филологических наук, профессор, Рецензенты: заведующий кафедрой русской литературы ХХ-ХХI веков Уральского Государственного университета. КУЛАГИН А.В., доктор филологических наук, профессор кафедры литературы Московского государственного областного социально-гуманитарного института. ШОСТАК Г.В., кандидат педагогических...»

«В.М. Фокин ТЕПЛОГЕНЕРАТОРЫ КОТЕЛЬНЫХ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2005 В.М. Фокин ТЕПЛОГЕНЕРАТОРЫ КОТЕЛЬНЫХ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2005 УДК 621.182 ББК 31.361 Ф75 Рецензент Доктор технических наук, профессор Волгоградского государственного технического университета В.И. Игонин Фокин В.М. Ф75 Теплогенераторы котельных. М.: Издательство Машиностроение-1, 2005. 160 с. Рассмотрены вопросы устройства и работы паровых и водогрейных теплогенераторов. Приведен обзор топочных и...»

«Д.В. БАСТРЫКИН, А.И. ЕВСЕЙЧЕВ, Е.В. НИЖЕГОРОДОВ, Е.К. РУМЯНЦЕВ, А.Ю. СИЗИКИН, О.И. ТОРБИНА УПРАВЛЕНИЕ КАЧЕСТВОМ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 2006 Д.В. БАСТРЫКИН, А.И. ЕВСЕЙЧЕВ, Е.В. НИЖЕГОРОДОВ, Е.К. РУМЯНЦЕВ, А.Ю. СИЗИКИН, О.И. ТОРБИНА УПРАВЛЕНИЕ КАЧЕСТВОМ НА ПРОМЫШЛЕННОМ ПРЕДПРИЯТИИ Под научной редакцией доктора экономических наук, профессора Б.И. Герасимова МОСКВА ИЗДАТЕЛЬСТВО МАШИНОСТРОЕНИЕ-1 УДК 655.531. ББК У9(2)305. У Р е ц е н з е н т ы:...»






 
© 2013 www.diss.seluk.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Методички, учебные программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.