Человеку в процессе управления сложными объектами свойственно оперировать понятиями и отношениями с расплывчатыми границами. Источником расплывчатости является существование классов объектов, степень принадлежности к которым - величина, непрерывно изменяющаяся от полной принадлежности к нему до полной непринадлежности. Обычное математическое понятие множества, основанное на бинарной характеристической функции, не позволяет формализовать такое описание.

Приведём основные плюсы нечеткой логики, которые наиболее хорошо проявляются на примере примере общей задачи нечеткого управления. Если говорить кратко, то нечеткая логика позволяет удачно представить мышление человека. Очевидно, что в повседневной деятельности человек никогда не пользуется формальным моделированием на основе математических выражений, не ищет одного универсального закона, описывающего все окружающее. Он использует нечеткий естественный язык. В тот момент, когда человек принимает решение, он может легко овладеть ситуацией, разделить ее на события, а для отдельных событий принять соответствующие решение проблемы, руководствуюсь собственным опытом, а иногда используя весьма противоречивую логику. Таким образом, перед человеком возникает ряд локальных моделей, описывающих свойства фрагментов объектов в определенных условиях. Крайне важным является то, что все модели обладают некой общностью и очень просты для понимания на качественном уровне. Ярким примером каркаса подобной словесной модели является конструкция "если., то.".

Теперь определим три основные особенности нечеткой логики:

1. Правила принятия решений являются условными высказываниями типа "если., то." и реализуются с помощью механизма логического вывода.

2. Вместо одного четкого обобщенного правила нечеткая логика оперирует со множеством частных правил. При этом для каждой локальной области распределенного информационного пространства, для каждой регулируемой величины, для каждой цели управления задаются свои правила. Это позволяет отказываться от трудоемкого процесса свертки целей и получения обобщенного целевого критерия, что, в свою очередь, дает возможность оперировать даже с противоположными целями.

3. Правила в виде "если., то." позволяют решать задачи классификации в режиме диалога с оператором, что способствует повышению качества классификатора уже в процессе эксплуатации. Таким образом, нетрудно заметить существенные общие черты нечеткой логики и мышления человека, поэтому методы управления на основе нечеткой логики можно считать во многом эвристическими. Эвристические приемы решения задач основаны не на строгих математических моделях и алгоритмах, а на соображениях "здравого смысла".

Развитием эвристических алгоритмов обработки нечетких данных можно считать самоорганизующиеся системы. В любом случае исходным ядром последних является обработка нечеткостей, а, следовательно, используются принципы мышления человека. Однако самоорганизующиеся системы идут дальше и начинают развиваться, настраиваться на объект, в определенном смысле, самостоятельно, используя получаемую в процессе работы информацию об объекте управления.

В общем случае можно предложить следующую схему реализации процесса управления: распознавание > предсказание > идентификация > принятие решения > управление.

Можно показать, что все эти задачи относятся к одному классу и могут быть решены самоорганизующимися системами.

Генетические алгоритмы

К числу универсальных методов оптимизации можно отнести генетические алгоритмы (ГА). Они позволяют решать задачи различных типов, такие как комбинаторные, общие задачи с ограничениями или без них.

В последнее время количество работ, описывающих развитие теории ГА, значительно возросло. Большая часть работ представлена зарубежным учеными, и они посвящены практическому использованию ГА. Часть этих исследование демонстрируют, что ГА имеет большие перспективы к широкому распространению при условии, что они будут интегрированы с другими технологиями и методами. Существуют исследования, демонстрирующие эффективность симбиоза ГА и методов теории нечеткости, а также с нейронными сетями и системами.

Несмотря на известные общие подходы к такой интеграции ГА и нечеткой логики, по-прежнему актуальна задача определения наиболее значимых параметров операционного базиса ГА с целью их адаптации в процессе работы ГА за счет использования нечеткого продукционного алгоритма (НПА). Стоит отметить что интеграция ГА и других алгоритмов имеет некоторый коммерческий успех.

Перечисленные далее причины коммерческого успеха инструментальных средств в области искусственного интеллекта могут рассматриваться как общие требования к разработке систем анализа данных, используемых ГА:

· Интегрированность. Разработка информационной системы (ИС) должна легко интегрироваться с другими технологиями и информационными средствами.

· Открытость и переносимость. Готовая ИС должна поддерживать кроссплатформенность и соответствовать стандартам. Это позволит исполнять функции ИС в разных программно-аппаратном окружение и обеспечит удобную переносимость на разные платформы без перепрограммирования.

· Использование языков традиционного программирования. ИС должны быть написана на языках традиционного программирования, например, C/C++. Это упростит интегрированность, улучшит возможности переносимости и снизит требования к аппаратному обеспечению, тем самым повысив быстродействие.

· Архитектура "клиент-сервер" - разработка ИС, поддерживающих распределенные вычисления в архитектуре "клиент-сервер", что позволяет снизить стоимость оборудования, используемого в приложениях, децентрализовать приложения и повысить их производительность. Перечисленные требования обусловлены необходимостью создания интегрированных приложений, т.е. приложений, объединяющих в рамках единого комплекса традиционные программные системы с системами искусственного интеллекта и ГА в частности.

Интеграция ГА и нейронных сетей позволяет решать проблемы поиска оптимальных значений весов входов нейронов, а интеграция ГА и нечеткой логики позволяет оптимизировать систему продукционных правил, которые могут быть использованы для управления операторами ГА (двунаправленная интеграция).

Одним из наиболее востребованных приложений ГА в области Data Mining является поиск наиболее оптимальной модели (поиск алгоритма, соответствующего специфике конкретной области).

Нейронные сети

Категория моделей, основанная на биологической аналогии с человеческой мозговой нейросетью. Данная категория предназначена для работы после этапа обучение по исходным данным. В последствии нейронная сеть получит удобным способом для анализа данных. В данных типах методов есть понятие числа "слоев" и количества "нейронов" в каждом ил слое. Это определяет конкретную архитектуру сети. Размер и структура сети должны соответствовать (например, в смысле формальной вычислительной сложности) существу исследуемого явления. Поскольку на начальном этапе анализа природа явления обычно известна плохо, выбор архитектуры является непростой задачей и часто связан с длительным процессом "проб и ошибок" (однако в последнее время стали появляться нейронно-сетевые программы, в которых для решения трудоемкой задачи поиска наилучшей архитектуры сети применяются методы искусственного интеллекта).

Далее составленная сеть начинает подвергаться обучению. Конкретно в этом этапе нейроны, состоящие в сети, обрабатывают входные данные и изменяют свой вес таким образом, чтобы полученная в итоге сеть наилучшим образом прогнозировала будущие события. Иначе говоря, идет процесс "подгонки" данных на основе которых выполняется обучение. После прохождения этапа обучения полученная сеть готова к дальнейшей работе и ее используют для прогнозирования на основе новых входящих данных.

В результате мы получили нейронную сеть, выражающую закономерности, отраженные в исходных данных. В данном подходе результат является функциональным эквивалентом определенной модели зависимости между различными переменными. Этот подход схож с традиционным моделированием. Но в отличие от традиционных моделей, нейронные сети полученные зависимости не могут быть использованы в явном виде. Часто с помощью нейронных сетей можно получить весьма высокого качества результат, но этот результат - типичный пример нетеоретического подхода к исследованию. Иногда такой подход называются подходом "черного ящика". В данном подходе больше всего интересует практический результат, точность прогноза и их прикладная ценность. На втором плане остается суть механики, составляющая основу явления.

Следует, однако, отметить, что методы нейронных сетей могут применяться и в исследованиях, направленных на построение объясняющей модели явления, поскольку нейронные сети помогают изучать данные с целью поиска значимых переменных или групп таких переменных, и полученные результаты могут облегчить процесс последующего построения модели. Более того, сейчас имеются нейросетевые программы, которые с помощью сложных алгоритмов могут находить наиболее важные входные переменные, что уже непосредственно помогает строить модель.

Теоретически нейронные сети могут аппроксимировать любую непрерывную функцию. Это одно из самых главных преимуществ. Аналитику не нужно заранее принимать какие-либо гипотезы относительно модели и даже в ряде случаев о том, какие переменные действительно важны. Однако существенным недостатком нейронных сетей является то обстоятельство, что окончательное решение зависит от начальных установок сети и, как уже отмечалось, его практически невозможно интерпретировать в традиционных аналитических терминах, которые обычно применяются при построении теории явления.

Некоторые авторы отмечают тот факт, что нейронные сети используют или, точнее, предполагают использование вычислительных систем с массовым параллелизмом. Например, Haykin в 1994 г. определил нейронную сеть следующим образом.

Нейронная сеть - это процессор с массивным распараллеливанием операций, обладающий естественной способностью сохранять экспериментальные знания и делать их доступными для последующего использования. Он похож на мозг в двух отношениях:

1. Сеть приобретает знания в результате процесса обучения.

2. Для хранения информации используются величины интенсивности межнейронных соединений, которые называются синаптическими весами.

Однако, как отмечает Риплей (1996 г.), большинство существующих нейросетевых программ работают на однопроцессорных компьютерах. По его мнению, существенно ускорить работу можно не только за счет разработки программного обеспечения, использующего преимущества многопроцессорных систем, но и с помощью создания более эффективных алгоритмов обучения.