Агентно-ориентированная модель представления и обработки нечетких знаний
Изучение проектирования современных распределенных интеллектуальных систем. Введение специальных механизмов, использующих вероятностные, эмпирические или нечеткие методы учета неполноты информации. Анализ неточного вывода на основе факторов уверенности.
Рубрика | Программирование, компьютеры и кибернетика |
Вид | статья |
Язык | русский |
Дата добавления | 24.08.2020 |
Размер файла | 16,4 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Агентно-ориентированная модель представления и обработки нечетких знаний
Зайцев Е.И.
Проектирование современных распределенных интеллектуальных систем связано с построением распределенных баз знаний, разработкой и реализацией методов их обработки, а также способов устранения и учёта нечёткости и неполноты знаний. Для адекватного представления знаний о проблемной области и эффективного использования релевантных решаемой задаче знаний в распределенных интеллектуальных системах используется агентно-ориентированный поход [1,2,3], согласно которому вместо одного интеллектуального решателя, обладающего глобальным видением проблемы и имеющего все необходимые знания и ресурсы для ее решения, используется множество программных агентов - автономных или полуавтономных процессов, способных проявлять инициативу и выполнять задания в кооперации с другими, возможно, удаленными агентами.
Переход от строго упорядоченной последовательности задач к неупорядоченной коллекции слабосвязанных процессов, обменивающихся сообщениями, присущий агентно-ориентированному подходу, естественным образом подходит для решения проблем, характеризующихся отсутствием или сложностью формальных алгоритмов решения, нечеткостью достигаемых целей. Интеллектуальные программные агенты не обладают полным знанием о своем окружении и осуществляют выводы на основании неполной и неопределенной информации. Для моделирования неопределенности вводятся специальные механизмы, использующие вероятностные, эмпирические или нечеткие методы учета неполноты информации [4]. интеллектуальный эмпирический информация
В интеллектуальной многоагентной системе (ИМАС) знания разделяются на несколько независимых источников, ассоциированных с реактивными агентами, функционирующими в узлах распределенной системы, деятельность которых координируется когнитивными агентами. Модель когнитивного агента формально определяется шестеркой: AK=(ZK,W,SK,s0,SP,SG), где ZK - множество входных осведомительных сообщений; WK = {WS ,WA} - множество синхронных и асинхронных (информационных, управляющих и координационных) выходных сообщений; SK - множество состояний когнитивного агента, соответствующее множеству ситуаций, которые зависят от состояний других агентов и их взаимосвязей; s0 - исходное состояние; SP - система продукций, определяющая переходы агента из одного состояния в другое, и формируемые при этом выходные управляющие сообщения, SG - динамическое множество целей.
Когнитивные агенты осуществляют свои действия на основе цели, используя эвристический поиск и планирование. Выбор когнитивным агентом действия в любой конкретный момент времени определяется историей того, что было ранее воспринято агентом. Для каждой возможной последовательности актов восприятия когнитивный агент должен выбирать действие, которое максимизирует показатели его успешного поведения, с учетом фактов, предоставленных данной последовательностью актов восприятия и встроенных знаний, которыми обладает агент.
Реактивные агенты представляют собой категорию управляемых данными и не имеющих целевой ориентации компонентов, представленных в виде набора источников знаний. В случае двухуровневой архитектуры ИМАС модель реактивного агента задается следующим образом: AR=(ZR,W,N,SR(R,A(G))), где ZR - множество входных сообщений; W - множество выходных информационных сообщений; N - множество методов, определяющих реакцию на входные сообщения; SR - множество состояний источника знаний, каждое из которых определяется набором атрибутов реактивного агента и их значениями: INT Ri = {…[Aj ,DOM(Aj)],…}; EXT Ri = {F1,…Fp }; Fk={A1(G1),… As(Gn)}, где R - множество отношений, G - множество значений множества атрибутов A. Домены (DOM) являются общими совокупностями значений, из которых берутся реальные значения для атрибутов отношения. Интенсиональные части локальных баз знаний (INT) содержат информацию, характеризующую семантику предметной области, экстенсиональные части (EXT) описывают возможные состояния агентов и их взаимосвязи. Реактивные агенты данного типа представляют нижний уровень интеллектуальной многоагентной системы.
Идея связывать знания и представлять в виде коллаборативных агентов предполагает не только сотрудничество агентов для достижения совместной цели, но и координацию их действий с возможностью разрешения возникающих конфликтов. В группы программных агентов одного уровня могут быть введены управляющие агенты, реакция которых на внешние события, соответствующая определенной ситуации, генерируется конечным автоматом. Более эффективным оказывается вариант, в котором координация распределенного функционирования агентов в той или иной мере поддерживается специально выделенным когнитивным агентом, который при этом понимается как находящийся на метауровне по отношению к остальным агентам. Совместная работа агентов в этом случае состоит в том, что на стратегическом уровне когнитивный агент формулирует гипотезу, а на тактическом уровне реактивные агенты проводят ее пошаговую верификацию.
Ключевой при разработке интеллектуальных многоагентных систем является проблема представления нечетких знаний. Существует ряд моделей представления нечеткости, среди которых модель коэффициентов уверенности, вероятностная логика, теория свидетельств, теория возможностей, модель голосования и другие. Несмотря на различную природу нечеткости, формализованную в этих моделях, их условно делят на группы по типу нечетких множеств, используемых для оценок объектов. К первой группе относятся модели с числовым значением функции принадлежности, например, модель коэффициентов уверенности, вероятностная логика. Ко второй группе, включающей в себя интервально-значные модели, относятся теория свидетельств, теория возможностей, модель голосования. Третью группу представляют нечетко-значные модели, в частности, лингвистическая модель.
Распределенная интеллектуальная система на основе агентов ориентирована в основном на динамические проблемные области, в которых данные и знания, описывающие сущности и связи, как правило, неполны, противоречивы, неточны и неопределенны. В данных проблемных областях при добавлении в базу знаний новой информации возникает опасность получения противоречивых выводов. Кроме того, трудность получения полной и непротиворечивой базы знаний состоит в том, что знания о конкретной проблемной области, как правило, плохо формализованы, а значит трудно сформулировать априорные свойства, которым должны удовлетворять формулы, выводимые в данной системе.
Локализация источников знаний, ассоциированных с интеллектуальными агентами, модели которых описывают не всю предметную область, а лишь некоторую ее часть, а также использование немонотонных выводов являются необходимыми для формализованной обработки неполных знаний. Система немонотонных рассуждений управляет степенью неопределенности, делая наиболее обоснованные предположения в условиях неопределенной информации, после чего осуществляет вывод на основе этих предположений, принимаемых за истинные.
В качестве альтернативы логическому подходу для абдуктивного вывода могут применяться нечеткие рассуждения или неточный вывод на основе факторов уверенности. Нечеткие понятия в данном случае формализуются в виде нечетких и лингвистических переменных, а нечеткость действий в процессе решения в виде нечетких алгоритмов. Поиск решения может осуществляться с использованием механизмов нечетких и немонотонных (абдуктивных, умолчания) логик, а также механизмов обобщения и пополнения динамических знаний.
Нечеткие агенты обобщают различные формы представления знания и дают унифицированную основу для представления как определенного, так и неопределенного знания. Агентно-ориентированный подход уже на ранних стадиях анализа требует предоставления данных о классификации в виде диаграмм классов, что в случае систем с высоким уровнем неопределенности представляется достаточно сложным и требует тщательного анализа предметной области. Поэтому, при применении такого метода классификации как концептуальная кластеризация, когда трудно однозначно определить принадлежность элементов предметной области к той или иной категории, применяется аппарат нечетких множеств.
Теория нечетких множеств предлагает необходимые средства для представления понятия объектного класса, которое интуитивно определяется как нечеткое. При задании конкретной функции принадлежности определяется наиболее достоверное нахождение данного объекта в рамках определенного класса. Стоит отметить, что атрибуты агентов могут иметь не только атомарные значения, то есть в основе лежит логика, которая не является логикой первого порядка. Нечеткий интеллектуальный агент может содержать одно нечеткое множество, определяющее значение какого-либо атрибута, или несколько нечетких атрибутов, а также нечеткие правила, используемые для моделирования стратегии решения интеллектуальных задач.
Система нечетких правил продукций ИМАС представляет собой множество отдельных согласованных нечётких продукций интеллектуальных агентов, осуществляющих прямой или обратный нечёткий вывод. Прямой вывод реализуется посредством преобразования отдельных фактов базы знаний в конкретные значения функций принадлежности условий нечётких продукций и нахождения значений функций принадлежности заключений по каждому из нечётких правил. Процесс обратного вывода состоит в подстановке отдельных значений функций принадлежности заключений и нахождении функций принадлежности условий, которые принимаются в качестве очередных подцелей и далее могут использоваться как функции принадлежности новых заключений.
Литература
1. Зайцев Е.И. Проектирование и реализация распределенных интеллектуальных систем на основе агентов // Приборы и системы. - 2004, №11
2. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. -М.: Эдиториал УРСС, 2002. -352с.
3. Wеiss G., Multiagent systems. MIT Press // Cambridge, Massachusetts. - 1999.
4. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. - М.: Финансы и статистика. - 2004. -320с.
Размещено на Allbest.ru
...Подобные документы
Агентно-ориентированная программная архитектура систем обработки потоковых данных. Обеспечение гибкости и живучести программного обеспечения распределенных информационно-управляющих систем. Спецификации программных комплексов распределенной обработки.
реферат [1,1 M], добавлен 28.11.2015Понятия в области метрологии. Представление знаний в интеллектуальных системах. Методы описания нечетких знаний в интеллектуальных системах. Классификация интеллектуальных систем, их структурная организация. Нечеткие системы автоматического управления.
курсовая работа [768,2 K], добавлен 16.02.2015Инструментальные средства проектирования интеллектуальных систем. Анализ традиционных языков программирования и представления знаний. Использование интегрированной инструментальной среды G2 для создания интеллектуальных систем реального времени.
контрольная работа [548,3 K], добавлен 18.05.2019Анализ видов обеспечения автоматизированных систем предприятия. Средства программирования распределенных систем обработки информации. Изучение особенностей использования технологии распределенных объектов. Эксплуатация программного обеспечения системы.
отчет по практике [486,0 K], добавлен 23.11.2014Основные этапы систем нечеткого вывода. Правила нечетких продукций, используемые в них. Нечеткие лингвистические высказывания. Определение алгоритмов Цукамото, Ларсена, Сугено. Реализации нечеткого вывода Мамдани на примере работы уличного светофора.
курсовая работа [479,6 K], добавлен 14.07.2012Преимущества и недостатки моделей представления знаний. Модель, основанная на правилах, фреймовая модель. Семантическая сеть. Структура экспертных систем и этапы их разработки. Механизмы логического вывода. Стратегия "вверх-снизу", "от цели к ситуации").
презентация [195,3 K], добавлен 29.10.2013Понятие искусственного интеллекта и интеллектуальной системы. Этапы развития интеллектуальных систем. Модели представления знаний, процедурный (алгоритмический) и декларативный способы их формализации. Построение концептуальной модели предметной области.
презентация [80,5 K], добавлен 29.10.2013Разработка методов дихотомической оценки нечетких моделей знаний операторов информационной системы о государственных и муниципальных платежах. Механизмы и принципы управления базами нечетких моделей знаний операторов, методика и этапы их идентификации.
диссертация [2,0 M], добавлен 30.01.2014Анализ существующих алгоритмов обработки информации человеком и современных моделей памяти. Разработка алгоритмов и математической модели ассоциативного мышления. Имитационная модель обработки информации. Компьютерный эксперимент по тестированию модели.
курсовая работа [2,3 M], добавлен 19.11.2014Обзор моделей анализа и синтеза модульных систем обработки данных. Модели и методы решения задач дискретного программирования при проектировании. Декомпозиция прикладных задач и документов систем обработки данных на этапе технического проектирования.
диссертация [423,1 K], добавлен 07.12.2010Понятия, классификация и структура экспертных систем. Базы знаний и модели представления знаний. Механизмы логического вывода. Инструментальные средства проектирования и разработки экспертных систем. Предметная область ЭС "Выбор мобильного телефона".
курсовая работа [2,2 M], добавлен 05.11.2014Представление знаний в когнитологии, информатике и искусственном интеллекте. Связи и структуры, язык и нотация. Формальные и неформальные модели представления знаний: в виде правил, с использованием фреймов, семантических сетей и нечетких высказываний.
контрольная работа [29,9 K], добавлен 18.05.2009Интеллектуальные информационные системы: понятие, классификация, этапы проектирования. Анализ предметной области и методы приобретения знаний. Моделирование деятельности нотариальной конторы в программной среде AllFusion Process Modeler в стандарте IDEF0.
курсовая работа [5,5 M], добавлен 14.06.2012Анализ процессов диагностики повреждений трубопровода. Разработка модели продукционной базы знаний: обзор методов представления знаний, описание создания базы знаний и разработки механизма логического вывода. Экономическое обоснование концепции проекта.
дипломная работа [3,0 M], добавлен 16.04.2017Понятие и свойства лингвистической переменной, ее разновидности. Основы теории приближенных рассуждений. Нечеткие системы логического вывода с одной и несколькими входными переменными. Принципы нечеткого моделирования, вычисление уровней истинности.
презентация [152,7 K], добавлен 29.10.2013Построение баз знаний для семантической сети. Цели создания и язык представления онтологий. Структура исследований в области многоагентных интеллектуальных информационных систем, архитектура агента. Экономическое обоснование разработки базы знаний.
дипломная работа [1,6 M], добавлен 29.09.2013Сущность данных и информации. Особенности представления знаний внутри ИС. Изучение моделей представления знаний: продукционная, логическая, сетевая, формальные грамматики, фреймовые модели, комбинаторные, ленемы. Нейронные сети, генетические алгоритмы.
реферат [203,3 K], добавлен 19.06.2010Аспекты применения современных информационных технологий в образовании. Системный подход к созданию электронных пособий. Инструментальные средства и технология проектирования электронного учебного пособия. Способы защиты информации и компьютерных систем.
дипломная работа [3,2 M], добавлен 15.04.2012Термины "логический" и "физический" как отражение различия аспектов представления данных. Методы доступа к записям в файлах. Структура систем управления базами данных. Отличительные особенности обработки данных, характерные для файловых систем и СУБД.
лекция [169,7 K], добавлен 19.08.2013Получение изображения объекта с помощью оптико-электронных систем, построенных на основе ПЗС-приемника. Методы обработки первичной измерительной информации. Реализация алгоритма обработки графической информации с помощью языка программирования Python.
лабораторная работа [1,1 M], добавлен 30.05.2023