Агентно-ориентированная модель представления и обработки нечетких знаний

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