Синергетическая case-технология создания прикладных интеллектуальных систем

Размещено на http://www.allbest.ru/

Синергетическая case-технология создания прикладных интеллектуальных систем

Введение

Актуальным направлением дальнейшего развития информационных технологий создания интеллектуальных систем является совместное использование методов и средств различных дисциплин. В настоящее время широко развиты работы по созданию гибридных систем Ярушкина, 2004]. Гибридизация представляет собой интеграцию методов и технологий на глубинном, а не на внешнем уровне, когда различные блоки системы реализуют какой-то один метод решения интеллектуальных задач и взаимодействуют между собой Ярушкина, 2004]. Глубинный уровень объединения предполагает создание новых методов, использующих понятия объединяемых базовых методов. Однако пока гибридизация охватывает методы, объединяемые под зонтичным термином «мягкие вычисления» (soft computing) Ярушкина, 2004].

Представляется целесообразным значительно расширить круг объединяемых методов, выйдя на междисциплинарный уровень интеграции. Это означает включение не только методов мягких вычислений, но и четких вычислений классического искусственного интеллекта, а также математики и теории программирования. В таком случае системы с полным основанием можно будет назвать синергетическими, так как синергетика (от греч. ухн -- «совместно» и греч. есгпт -- «действующий») -- это междисциплинарное направление научных исследований.

Пионером работ в области синергетического искусственного интеллекта (ИИ) является В.Б. Тарасов Тарасов, 2002]. Синергетические системы ИИ обладают такими основными характеристиками как множеством неоднородных компонентов, активностью, автономностью, множеством гибких взаимосвязей между компонентами, семиотической природой взаимосвязей, открытостью, высоким эволюционным потенциалом.

1. Гибридизация методов программирования и классического ИИ

Для создания синергетической системы ИИ необходимо, прежде всего, рассмотреть возможность гибридизации передовых методов теории программирования и классического ИИ. Такой гибрид может стать технологической основой для создания синергетических систем. Далее на этой основе нужно разработать методы компьютеризации трех уровней знаний: математических, классических для четких вычислений и нечетких для мягких вычислений.

Большинство экспертных систем базируется на понятии «формальная продукционная система». Чтобы превратить продукционную систему ИИ в систему программирования, необходимо разработать методику, при которой осуществлялась бы компиляция как правил вывода, так и экземпляра решателя, осуществляющего вывод на конкретном наборе правил. На этой основе и был создан гибридный вариант, получивший название экспертного программирования Евгенев, 2009].

Новым в описываемой технологии является рассмотрение продукционного правила в качестве динамической объект-функции Евгенев, 2009]. Механизмы этой функции включают основной набор действий необходимых для создания прикладных систем. На базе описанных принципов разработан новый вид программирования, получивший название экспертного программирования Евгенев, 2009]. В экспертном программировании динамическая объект-функция получила название «модуль знаний» (МЗ).

Для превращения продукционной системы ИИ в систему программирования, была также разработана методика компиляции экземпляра решателя, осуществляющего вывод на конкретном наборе правил Евгенев, 2009].

Как показывает опыт, метод экспертного программирования доступен для непрограммирующих экспертов, обеспечивая генерацию эффективных программных кодов при повышении производительности процесса в 7-10 раз в сравнении с опытными программистами. Для реализации экспертного программирования разработана инструментальная система SprutExPro Евгенев, 2009].

2. Структурная диаграмма синергетической системы ИИ

Диаграмма классов объектов синергетической системы генерации знаний делится на три уровня знаний: математических, четких и нечетких. Ядром для построения синергетической системы ИИ являются четкие знаний классического ИИ. Математика, оперируя только числовой информацией, не содержит в явном виде семантику своих моделей. Одни и те же математические модели могут быть применены в самых разных прикладных областях. В соответствии с трактовкой ИИ математические знания являются четкими, так как нечеткие знания строятся на базе лингвистических переменных. Для наполнения математических знаний семантикой над ними нужно надстроить систему четких знаний. При этом формальные математические переменные, связанные с переменными словаря базы знаний, получают смысловое содержание.

С другой стороны, чтобы оперировать понятиями нечетких знаний, мы должны дать им четкие описания.

Фундаментом для построения четких знаний является словарь. Словарь имеет имя и методы, обеспечивающие сортировку и поиск слов, а также импорт слов из текстовых документов. Словарь состоит из слов, каждое из которых обладает именем-идентификатором, общепринятым наименованием и типом (целый, действительный или символьный). Со словами могут быть связаны ассоциативные списки допустимых значений.

На основе словаря строятся модули знаний. Каждый модуль имеет литературное наименование, имя-идентификатор, имя предусловия и версию. С модулем связаны методы добавления, выбора модуля-аналога, трансляции и тестирования модуля, определения входимости модуля знаний в базы знаний и другие модули, а также удаления модуля.

Модуль имеет свой словарь, представляющий собой подмножество терминов из словаря базы знаний и включающий входные и выходные переменные. Кроме того, модуль может иметь предусловие, определяющее область определения модуля и содержащее набор взаимосвязанных логических выражений.

Модуль знаний может быть составным и включать в себя другие модули. В качестве механизма здесь выступает метод, представляющий собой скомпилированную реализацию решателя для данного набора МЗ. При необходимости этот структурированный модуль может иметь собственное предусловие.

3. Гибридизация четких и геометрических знаний

Геометрические знания представляют собой параметризованные геометрические образы. С точки зрения технологии программирования наиболее технологичным является представление таких знаний в форме подпрограмм на геометрическом языке. В технологии ИИ знания должны представляться в формате, максимально приближенном к общепринятому в данной области. Таким образом, желательно иметь инструментальное средство, с помощью которого можно было бы формировать геометрические образы с параллельным формированием геометрических подпрограмм. Подобным средством является система SprutCAD Евгенев, 2009].

Программа состоит из описаний точек (P), прямых (L) и контуров (K), которые сопровождаются комментариями, содержащими семантику геометрических элементов. Буквенные параметры, заключенные в круглых скобках (b_, da, d_, df, dv, f_), представляют собой входные переменные геометрической подпрограммы.

Для построения чертежа конкретной детали эти переменные должны быть заданы или рассчитаны с помощью модулей четких знаний.

Для вывода графической информации используются модули знаний с механизмом типа Prt-подпрограммы. Ниже приведено внешнее представление модуля вывода чертежа зубчатого колеса. В этом случае модуль имеет только входные переменные, значения которых определены другими модулями.

МЗ: "GenDraw" - Генерация чертежа

Предусловия запуска

Входные свойства

Механизм - Prt-модуль

Согласование PRT-переменных и свойств МЗ

4. Гибридизация четких и математических знаний

Геометрические знания представляют собой одну из разновидностей математических знаний, необходимых для построения интеллектуальных систем. Другой разновидностью математических знаний, необходимых для выполнения расчетов являются модели непрерывных систем, основанные на дифференциально-алгебраических системах уравнений.

Для включения в состав интеллектуальной системы проектирования инструментальное средство, обладающее возможностями генерации упомянутых моделей, должно обеспечивать: поддержку технологии объектно-ориентированного моделирования, совместимую с языком UML; удобное и адекватное описание модели на общепринятом математическом языке без написания какого-либо программного кода; автоматическое построение компьютерной модели, соответствующей заданной математической, с возможностью автономного использования этой компьютерной модели.

В наибольшей мере этим требованиям отвечает пакет Model Vision Studium (MVS) Колесов, 2004]. Основным элементом языка MVS является активный динамический объект (АДО). Активный динамический объект MVS обеспечивает моделирование не только непрерывного поведения, но также дискретного или гибридного Колесов, 2004].

По отношению к локальным объектам, которые здесь рассматриваются, содержащий их объект является объектом-контейнером. При построении экспертных баз знаний таким контейнером является объект-функция. Внешнее представление математического модуля знаний представлено ниже. Модуль знаний с идентификатором RsDP предназначен для расчета дальности полета тела единичной массы, брошенного под углом к горизонту Teta0 со скоростью V0. Скорость должна принимать значения больше нуля, а угол - быть в пределах от нуля до р/2.

МЗ: " RsDP " - Расчет дальности полета

Предусловия запуска

Входные свойства

Механизм - DLL-модуль

Согласование PRT-переменных и свойств МИЗ

Выходные свойства

5. Гибридизация четких знаний и нейросетевых моделей

Формальный нейрон может быть представлен с помощью двух модулей знаний. Первый реализует входные блоки и сумматор, а второй - функцию активации. В качестве простого примера модуля, осуществляющего расчет взвешенной суммы входов нейрона, ниже приведено внешнее представление модуля знаний RSNeur11. Модуль не имеет предусловия запуска. Такой модуль запускается на исполнение, когда будут определены все входные свойства. В качестве входных свойств выступают входные переменные и синаптические коэффициенты. Выходом модуля является взвешенная сумма входов нейрона, которая вычисляется по формуле.

МЗ: "RSNeur11" - Расчет взвешенной суммы входов нейрона 1 слоя 1

Предусловия запуска

Входные свойства

Механизм - Формула

s11=x_0+x_1*w11+x_2*w12+x_3*w13+x_4*w14+x_5*w15+x_6*w16+x_7*w17+x_8*w18+x_9*w19

Выходные свойства

Вычисление значения функции активации осуществляется приведенным ниже модулем RFNur11. Этот модуль имеет предусловие, которое определяет вид выбранной функции. В данном случае используется логистическая функция. Входные свойства модуля включают параметр функции активации и взвешенную сумму входов нейрона. Параметр функции активации выбирается из базы данных со свойствами сети нейронов, а взвешенная сумма входов вычисляется предыдущим модулем.

МЗ: "RFNeur11" - Расчет логистической активационной функции нейрона 1 слоя 1

Предусловия запуска

Входные свойства

Механизм - Формула

y11 = 1/(1 + 2.71828^(-a_*s11))

Выходные свойства

Предусловия запуска

Входные свойства

Механизм - Внешний Метод

Согласование свойств внешнего метода и свойств МИЗ

Выходные свойства

Используемые здесь константы в соответствии с принятой шкалой назначаются с помощью модуля.

МЗ: "NzPrAge" - Назначение параметров возраста

Предусловия запуска

Механизм - Формула

a_ = 30

b_ = 60

Выходные свойства

Список литературы

1.Евгенев, 2009 Евгенев Г.Б. Интеллектуальные системы проектирования: учеб. пособие для вузов - М.: Изд-во МГТУ им. Н.Э. Баумана, 2009.

2.Колесов, 2004 Колесов Ю.Б. Объектно-ориентированное моделирование сложных динамических систем. СПб.: Изд-во СПбГПУ, 2004.

3.Тарасов, 2002 Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М.: Эдиториал УРСС, 2002.

4.Ярушкина, 2004 Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. Пособие. - М. Финансы и статистика, 2004.

Размещено на Allbest.ru