1 ст." crlf)))) (assert (label Aa)))
После задания в системе множества фактов для описания событий Aa, Ab, Ta, Tb на основании коэффициентов уверенности выполняется поиск правил для определения состояний событий Va и Vb. В процессе поиска может возникнуть ситуация, когда выполняются несколько правил, формирующих некоторое множество фактов при одних и тех же условиях. Это объясняется тем, что экстремумы а- и b-волн могут соответствовать нескольким состояниям. В этом случае используется наибольшее значение условной вероятности события Im.
Литература
1. Бидюк П.И., Терентьев А.Н., Гасанов А.С. Построение и методы обучения байесовских сетей // Кибернетика и системный анализ. 2005. № 4. С. 133-147.
2. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем; [пер. с англ.]. М.: Вильямс, 2003. 864 с.
3. Хазиев Р.Р. Расширенные байесовские сети доверия и их применение в системах поддержки принятия решений //
IS&IT'2012: тр. конгр. по интеллект. системам и информ. технологиям. М.: Физматлит, 2012. Т. 1. С. 224-232.
4. Нероев В.В., Зуева М.В., Цапенко И.В., Рябина М.В., Киселева О.А., Каламкаров Г.Р. Ишемические аспекты патогенеза заболеваний сетчатки // Российский офтальмологический журнал. 2010. Т. 3. № 1. С. 42-49.
5. Зуева М.В., Цапенко И.В. Электрофизиологическая характеристика глиально-нейрональных взаимоотношений при ретинальной патологии // Сенсорные системы. 1992. № 3. С. 58-63.
6. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование; [пер. с англ.]. М.: Вильямс, 2007. 1152 с.
Referenses
1. Bidyuk P.I., Terentev A.N., Gasanov A.S., Cybernetics and System Analysis, 2005, no. 4, pp. 133-147.
2. Lyuger George F., Artificial Intelligence: Structures and Strategies for Complex Problem Solver, Мoscow, Vilyams, 2003, 864 p.
3. Khasiev R.R., Proc. of the Congress «IS&IT'2012», Мoscow, Physmathlit, 2012, Vol. 1, pp. 224-232.
4. Neroev V.V., Zueva M.V., Tsapenko I.V., Ryabina M.V., Kiselyova O.A., Kalamkarov G.R., Russian Ophthalmologic Journ, 2010, Vol. 3, no. 1, pp. 42-49.
5. Zueva M.V., Tsapenko I.V., Sensor systems, 1992, no. 3, pp. 58-63.
6. Giarratano J., Riley G., Expert Systems: principles and programming, Мoscow, Vilyams, 2007, 1152 p.
УДК 004.42
ИСКУССТВЕННЫЕ МИРЫ: ПРОСТРАНСТВЕННАЯ ОРГАНИЗАЦИЯ
Е.А. Кольчугина, к.т.н., доцент (Пензенский государственный университет, ул. Красная, 40, г. Пенза, 440026, Россия, kea@pnzgu.ru)
Искусственный мир - это среда, в которой происходят развитие и совершенствование путем конкуренции популяции искусственных организмов, реализованных как программные агенты. Принципы устройства такой среды играют определяющую роль при формировании свойств организмов. Для популяции мобильных агентов важное значение имеет организация пространства искусственного мира, так как от ее свойств зависят выбор оптимальных алгоритмов перемещения агентов, а также возможность и правила взаимодействия искусственных организмов.
Как правило, пространство в мультиагентных моделях искусственных миров рассматривается как клеточное, а сами модели относятся к одному из двух классов: либо к моделям клеточных автоматов, либо к многомерным машинам Тьюринга. В данной работе пространство рассматривается как клеточное, однако дополнительно введен принцип его послойной организации, при котором каждая точка (клетка) пространства является совокупностью бесконечного числа логических слоев. Каждый логический слой идентифицируется в модели целым неотрицательным числом. Это позволяет легко и наглядно разделить искусственные организмы в соответствии с их видовой принадлежностью и функциональным назначением на иерархические уровни. При этом агенты вышележащих уровней имеют возможность управлять агентами нижележащих уровней. В предложенной модели искусственный организм может оставлять в местах своего пребывания метки, подобные феромонным меткам насекомых. Эти метки доступны самому организму для последующего решения задач выбора направления перемещения.
Приведен пример, иллюстрирующий, как топологические свойства пространства определяют скорость перемещения особей в пространстве (диффузию), а также наиболее выигрышные стратегии перемещения. Ключевые слова: искусственная жизнь, мультиагентные системы, клеточные пространства.
ARTIFICIAL WORLD'S: SPATIAL ORGANIZATION PRINCIPLES Kolchugina E.A., Ph.D., Associate Professor (Penza State University, 40, Krasnaya St., Penza, 440026, Russia, kea@pnzgu.ru) Abstract. The artificial world is a specially organized computing environment where the development and improvement of the populations of competing artificial organisms realized as mobile software agents take place. The basic principles of
such an environment play the defining role in the process of artificial organisms's formation. The spatial organization of artificial world is very important for mobile software agents's populations evolution because of the influence on optimal strategy choice of agents's movements. It also define the rules and possibilities of agents's interactions.
In this paper the spatial organization of the agent-oriented artificial world's models is considered. As a rule, the space in artificial world's models is considered as a cellular, and models in general belong to one of two main classes: cellular automata or multidimensional Turing machines.
The space in the given model is also considered as cellular, but the principle of hierarchical multilayer organization of each single cell is entered. According to this principle, each cell is an infinite set of layers, and each layer is identified by non-negative integer number. This allow to easily separate artificial organisms according to their species and functional purpose on hierarchically organized levels.
The hierarchical organization make possible for organisms belonging to higher levels to control the organisms at lower levels. In the offered model the artificial organism can leave in each cell the labels similar to feromon traces of the insects in real world. This labels are accessible for organism and are necessary for making subsequent choice of moving direction.
The example illustrating the influence of the model's space topological properties on the organism's speed of moving (diffusion) and the winning strategy of movement, is given.
Keywords: artificial life, multiagent software systems, cellular spaces.
Усложнение программно-аппаратного обеспечения вычислительных систем обусловливает повышение степени переносимости и адаптивности системных и прикладных программ к особенностям окружения, в котором они функционируют. На высоком уровне проявления эти качества связаны со способностью ПО к самоорганизации.
Самоорганизацию программ можно рассматривать как процесс, в котором участвует избыточное количество программных единиц, изменяющихся и развивающихся в специально устроенной для этого среде. С точки зрения теории искусственной жизни такую среду можно рассматривать как искусственный мир, населенный искусственными организмами. Искусственные организмы не могут выйти за пределы замкнутого мира, в котором они существуют, а потому вынуждены приспосабливаться к среде с целью выживания. Следовательно, свойства среды в значительной степени определяют свойства искусственных организмов.
Искусственный мир можно описать как совокупность вида: Т, Я, А, Б), где £ - пространство; Т - время; Я - множество правил и ограничений целостности; А - множество обитателей мира, или активных сущностей (живая природа); Б - множество пассивных объектов, присутствующих в мире (неживая природа) [1].
Пространство в классических моделях искусственных миров
Теория искусственной жизни изучает возможность воспроизведения принципов динамики, присущей биологическим системам, в небиологической среде. В качестве такой среды часто выступает виртуальное пространство искусственного мира, в котором живут и развиваются программные искусственные организмы. В большинстве случаев в программных моделях теории искусственной жизни пространство понимается как клеточное.
Все модели теории искусственной жизни с клеточным пространством можно разделить на две
группы: модели клеточных автоматов и различные варианты машины Тьюринга, как правило, с двухмерной лентой.
В первом случае суть моделирования состоит в том, что каждая клетка пространства в каждый момент времени динамически изменяет свое состояние по заданному набору правил. При этом образуются динамически устойчивые конфигурации, которые можно рассматривать как живые организмы. К таким моделям относятся самовоспроизводящиеся автоматы фон Неймана [2], игра «Жизнь» Конвея [3], модель Q-loops Лангтона [4], модель червеобразных организмов Саяма [5]. Ключевое значение для моделей данного типа имеет понятие соседства, то есть определения множества клеток, находящихся в окрестностях рассматриваемой клетки, чье состояние учитывается при формировании нового состояния рассматриваемой клетки.
Во втором случае в модели имеются пассивное клеточное пространство, которое можно рассматривать как «-мерную ленту машины Тьюринга с записанными на ней символами, и множество активных единиц, перемещающихся по пространству, наблюдающих и изменяющих символы в клетках. Эти активные единицы можно рассматривать как считывающие головки машины Тьюринга. Большинство моделей теории искусственной жизни, в том числе мультиагентные модели, можно отнести именно к этому типу. Агенты представляют собой считывающие головки, а прочее содержимое искусственного мира - препятствия, пища, убежища - рассматриваются как символы в клетках ленты.
Наиболее наглядным примером моделей подобного типа является ERL-модель [6], в которой агенты перемещаются в пределах двухмерного клеточного пространства. В каждой клетке могут находиться пища, укрытие (дерево), препятствие (камень) или вредитель (хищник либо конкурирующий агент своего вида). Пища способствует улучшению состояния агента. Укрытие представляет собой дерево, на которое может взобраться агент, чтобы спастись от хищников. Но дерево,
вырастая, падает и убивает агента. Камень и агент-конкурент ударяют агента, ухудшая его состояние. Хищник может убить агента.
В модели MANTA [7] клетки пространства делятся на две группы: свободные клетки (посещаемые места) и препятствия. Препятствия отличаются тем, что не могут содержать агентов и не распространяют стимулы.
Стимулы - это характеристики, подобные феромонам насекомых, которые имеет каждый агент. При посещении агентом клетки пространства стимулы сохраняются клеткой и распространяются далее, на соседние клетки. Со стимулом связано числовое значение, характеризующее силу его проявления. При распространении в пространстве значение силы проявления стимула уменьшается, пока не станет равным нулю. Так для каждого стимула образуются поля градиента, это позволяет агенту следовать в сторону увеличения или уменьшения стимула кратчайшим путем.
В некоторых моделях, таких как Tierra и Avida [8], сочетаются свойства моделей двух основных групп. Клеточное пространство в этих моделях рассматривается как ресурс, за обладание которым борются искусственные организмы в виде псевдоассемблерных программ. Цель организмов в том, чтобы или удлинить запись своей программы, заняв большее количество соседних клеток пространства, или размножиться, заполнив соседние клетки пространства копиями программы.
В рассматриваемой далее модели агенты по своей структуре близки к цифровым организмам моделей Tierra и Avida, однако в целом модель родственна ERL и MANTA, в том числе и в отношении пространственных свойств.
Предлагаемый способ организации пространства искусственного мира
Будем рассматривать пространство как множество неделимых участков, которые интерпретируем как точки или клетки: S=X, Weight), где X -множество точек пространства, X={xi}i; Weight -функция, которая каждой паре элементов из X ставит в соответствие значение из множества N0+uNull (вес дуги): Weight: XxX^N0+uNull.
Здесь и далее N0+ - множество всех целых неотрицательных чисел. Значение Null соответствует особому пустому значению, вес дуги, равный Null, означает отсутствие смежности между точками. Нулевой вес дуги между xi и Xj - это тождество точек.
Функцию Weight одновременно можно рассматривать и как функцию смежности, и как функцию, вычисляющую расстояние между точками, если на множестве X определены понятия меры или расстояния. Если понятие расстояния не определено, функция Weight задает только топологию пространства. При этом с помощью функ-
ции Weight может быть задано как пространство с нерегулярной топологией графа, так и решетчатое пространство с декартовой топологией. Если каждой точке или клетке пространства сопоставляется вычислительный узел, функция Weight задает топологию вычислительной сети.
Каждая точка пространства, или клетка, идентифицируется номером indX: В декартовом решетчатом пространстве точка может быть идентифицирована и набором координат, или номеров, с учетом мерности пространства S:
x=((.. ,((coordn-shiftn)xsizen+(coordn_i-shiftn_i))x xsize n.1+.+(coord2-shift2))x size2)+(coordi-shifti), где coordi - координата точки в i-м измерении; sizei - количество единиц (i-1) измерения в измерении i; shifti - смещение начала отсчета в i-м измерении относительно нуля.
В дальнейшем будем полагать, что, если не оговорено иное, связи между клетками имеют регулярный характер и задаются так же, как соседства в клеточных автоматах [2, 3]. Для декартова пространства S важны и такие свойства, как замкнутость или незамкнутость по каждому из измерений. Будем считать, что по умолчанию все измерения пространства замкнуты, если другое не определено.
По аналогии с клеточными автоматами для множества точек пространства можно ввести отношение соседства. Это позволит сделать регулярным правило вычисления смежности вершин: если координаты точек xi и Xj удовлетворяют правилу соседства, то Weight(xi, xj)<r, где r - радиус соседства.
Особенностью предлагаемой здесь модели является то, что в ней присутствует еще и дополнительное измерение пространства. Дополнительное измерение, или глубина, представлено совокупностью бесконечного числа логических слоев, на которые разбита каждая клетка. Множество слоев Layers проиндексировано целыми неотрицательными числами: indLayers: Layers
Каждую клетку можно рассматривать как совокупность бесконечного числа слоев V x,eX: xi={xi, //}™=0. С другой стороны, весь пространственный слой с индексом i представляет собой совокупность слоев с номером i отдельных клеток:
VL е Layers, indLayers (L) = i: L = {Xj .lt .
Введение дополнительного измерения связано с необходимостью идентификации видовой принадлежности цифрового организма и места его вида в иерархии (пищевой цепи). Каждому виду цифровых организмов соответствует один слой, но каждый слой может быть занят произвольным количеством видов. Перемещение цифрового организма в пространстве происходит вдоль слоя с одним и тем же номером.
Совокупность слоев считается прозрачной снизу вверх, то есть нижележащие слои с меньшими
номерами оказываются доступными цифровому организму для исследования и воздействия, а вышележащие слои с большими номерами нет. Такое ограничение задано для того, чтобы агенты низших слоев - информационные агенты - были доступны для воздействия агентов высших слоев -управляющих агентов. Самый нижний, нулевой, слой отводится для БД и поддерживающих их СУБД. Данные, в том числе и таблицы БД - это пассивные объекты искусственного мира.
Целью введения послойной организации является разделение особей, принадлежащих разным видам, упрощение представления и анализа межвидовых взаимодействий, в том числе пищевых цепей и пирамид, и обеспечение управляемости программной системой.
Кроме того, в предлагаемой модели поддерживается возможность сохранения в клетке следов пребывания агентов. Эти следы являются аналогами феромонных меток насекомых и похожи на стимулы, используемые в модели MANTA [7]. След реализуется в виде записи в системном журнале, в котором фиксируются уникальный идентификатор агента, время пребывания агента в клетке и его важнейшие параметры. В настоящее время в модели предполагается, что только сам агент использует свои феромонные метки. Однако следы пребывания агентов могут использоваться и в моделях коллективного поведения искусственных организмов одного вида, и для интеллектуализации поиска агента-жертвы агентом-хищником.
Алгоритмы перемещения цифровых организмов в клеточном пространстве
Топология пространства, заданная с помощью функции смежности Weight, существенно влияет на характер последующей эволюции сообщества цифровых организмов. В частности, топологические свойства пространства определяют скорость перемещения особей в пространстве (диффузию) и наиболее выигрышные стратегии перемещения.
Примерами регулярных алгоритмов перемещения в клеточном пространстве являются алгоритм virtual ant (или vant, или Langton 's ant) [4] и алгоритм перемещения по спирали [9].
В случае алгоритма vant в клеточном пространстве перемещается активный агент виртуальный муравей. Как правило, пространство задано как одномерное или двухмерное, каждая клетка может быть раскрашена. В исходной модели [4] используются два цвета - синий или желтый, но есть и многоцветные модификации. В пустом пространстве муравей движется прямо. Если он наблюдает синюю клетку, то поворачивает направо и оставляет клетку желтой, а если наблюдает желтую клетку, то поворачивает налево и оставляет клетку синей.
Спиралевидная схема перемещения [9] может использоваться агентами, имеющими свою территорию и охраняющими ее. Агент рассматривается как ориентированный в пространстве, он различает четыре направления: вперед, назад, влево, вправо. Ориентация по сторонам света несущественна. В данном алгоритме элементарными действиями являются поступательное движение вперед-назад и изменение направления движения (поворот на 90 градусов). Обход территории начинается из некоторой исходной точки, или гнезда. Основной алгоритм обхода состоит из следующих шагов.
1. Переместиться вперед на Ь клеток, повернуть на 90 градусов влево.
2. Повторить предыдущий шаг.
3. Увеличить значение Ь на единицу.
4. Если значение Ь больше установленного значения Ьтах, то перейти к шагу 5; если нет - перейти к шагу 1.
5. Переместиться назад на Ь клеток, повернуть на 90 градусов вправо.
6. Повторить предыдущий шаг.
7. Уменьшить значение Ь на единицу.
8. Если значение Ь больше 1, перейти к шагу 5, если нет - перейти к шагу 1.
В [10] приводятся результаты эксперимента, в котором коллектив агентов должен был выбрать наиболее подходящий алгоритм перемещения из трех заданных: алгоритма уаШ, спиралевидной схемы или просто прямолинейного движения вдоль одной из координатных осей в замкнутом двухмерном клеточном пространстве с топологией тора. Условием продолжения функционирования агента была обработка достаточного количества файлов ресурсов. При стохастическом размещении ресурсных файлов равновероятно выживали агенты с любым из алгоритмов перемещения. Но когда файлы стали размещаться только в узлах вдоль одной из координатных осей, агенты с алгоритмом прямолинейного движения вытеснили всех остальных.
На получение подобного результата большое влияние оказала топология пространства, в частности присущая ей регулярность. Однако, помимо регулярности топологии и пространственного распределения ресурсов, полученный результат стал следствием большей сложности алгоритмов уаП и спиралевидной схемы, так как они требовали большего количества вычислений. Кроме того, для алгоритма уаП требуется анализ феромонных меток, что также увеличивает время вычисления.
В заключение следует отметить, что свойства пространства искусственного мира, такие как его топология, наличие меры (расстояния), замкнутость, регулярность, оказывают влияние на характеристики программных агентов, существующих в искусственном мире, поощряя выживание одних групп и гибель других.
Дальнейшее направление исследований может быть связано с выявлением и формализацией подобных зависимостей.
Литература
1. Кольчугина Е.А. Моделирование биоценозов // Новые информационные технологии и системы: тр. VI междунар. на-уч.-технич. конф. Пенза, ПГУ, 2004. С. 240-246.
2. Нейман Дж. фон. Теория самовоспроизводящихся автоматов; [пер. с англ.]. М.: Мир, 1971. 382 c.
3. Тоффоли Т., Марголус Н. Машины клеточных автоматов; [пер. с англ.]. М.: Мир, 1991. 280 с.
4. Langton C.G., Physica D: Nonlinear Phenomena, 1986, Vol. 22, Iss. 1-3, pp. 120-149.
5. Sayama H., Artificial Life, 1999, Vol. 5, no. 4, pp. 343-365.
6. Ackley D.H., Littman M.L., Artificial Life II, SFI Studies in the Sciences of Complexity, Redwood City, CA: Addison-Wesley, 1991, Vol. X, pp. 487-509.
7. Drogoul A., Corbara B., Lalande S., Artificial Societies: the Computer Simulation of Social Life, London: UCL Press, 1995, pp. 190-211.
8. Dittrich P., Ziegler J., Banzhaf W., Artificial Life, 2001, Vol. 7, no. 3, pp. 225-275.
9. Кольчугина Е.А. Моделирование перемещений особи // Новые информационные технологии и системы: тр. VI меж-дунар. науч.-технич. конф. Пенза, ПГУ, 2004. С. 246-249.
10. Кольчугина Е.А. Результаты эксперимента по созданию эволюционирующего программного обеспечения // Изв.
вузов. Поволжский регион. Технические науки. № 1, 2007. Пенза, ИИЦ ПГУ, 2007. С. 54-60.
Referenses
1. Kolchugina E.A., Trudy VI Mezhdunar. Nauch.-tekhnich. Konf. [Proc. VI Int. Scientific and Technical Conf.], Penza, Penza State Univ., 2004, pp. 240-246.
2. Neumann J., Burks A.W., Theory of self-reproducing automata, Urbana, Univ. of Illinois Press, 1966.
3. Toffoli T., Margolus N., Cellular Automata Machines: a new environment for modeling. Cambrige, Mass., MIT Press, 1987.
4. Langton C.G., Physica D: Nonlinear Phenomena, 1986, Vol. 22, Iss. 1-3, pp. 120-149.
5. Sayama H., Artificial Life, 1999, Vol. 5, no. 4, pp. 343365.
6. Ackley D.H., Littman M.L., Artificial Life II. SFI Studies in the Sciences of Complexity, Redwood City, CA, Addison-Wesley, 1991, Vol. X, pp. 487-509.
7. Drogoul A., Corbara B., Lalande S. Artificial Societies: the Computer Simulation of Social Life, London, UCL Press, 1995, pp. 190-211.
8. Dittrich P., Ziegler J., Banzhaf W., Artificial Life, 2001, Vol. 7, no. 3, pp. 225-275.
9. Kolchugina E.A., Trudy VI mezhdunar. Nauch.-tekhnich. Konf. [Proc. VI Int. Scientific and Technical Conf.], Penza, Penza State Univ., 2004, pp. 246-249.
10. Kolchugina E.A., University proceedings. Volga region. Technical Sc., Penza, Penza State Univ., 2007, Vol. 1, pp. 54-60.
УДК 004.896
АРХИТЕКТУРА ПОДСИСТЕМЫ НЕЧЕТКОГО ВЫВОДА ДЛЯ ОПТИМИЗАТОРА БАЗ ЗНАНИЙ
С.В. Сорокин, к.ф.-м.н.., доцент (Тверской государственный университет, ул. Желябова, 33, г. Тверь, 170100, Россия, sergey@tversu.ru); Н.Ю. Нефедов, аспирант; А.Г. Решетников, аспирант; С.В. Ульянов, д.ф.-м.н., профессор (Международный университет природы, общества и человека «Дубна», ул. Университетская, 19, Московская обл., г. Дубна, 141980, Россия, nefnukem@gmail.com, reshgtnikovag@pochta.ru, ulyanovsv@mail.ru)
Рассматривается архитектура системы нечеткого вывода, реализованная в рамках инструментария оптимизатора БЗ на мягких вычислениях. Разработанная архитектура подразумевает вынесение интерфейса алгоритмов, заинтересованных в получении списка активных правил, в отдельный класс. Сам алгоритм нечеткого вывода реализован в виде шаблонного метода, а его примитивные операции - в классах конкретных моделей нечеткого вывода и баз правил. При этом алгоритм конфигурируется объектом, которому необходимо направлять список активных правил. Представлены результаты работы оптимизатора БЗ на примере создания интеллектуальной системы управления (ИСУ) неустойчивым динамическим объектом. Проведенное тестирование показало, что ИСУ, спроектированная в оптимизаторе, обладает большей робастностью, чем ИСУ, спроектированные с использованием других современных средств.
Ключевые слова: нечеткий вывод, нечеткие множества, программная архитектура, интеллектуальные системы управления.
FUZZY INFERENCE ARCHITECTURE FOR SOFT COMPUTING OPTIMIZER OF KNOWLEDGE BASES Sorokin S. V., Ph.D., Associate Professor (Tver State University, 33, Zhelyabova St., Tver, 170100, Russia, sergey@tversu.ru);
NefedovN.Yu., Postgraduate; ReshetnikovA.G., Postgraduate; UlyanovS. V., Ph.D., Professor (Dubna International University for Nature, Society and Man, 19, Universitetskaya St., Moscow Reg., Dubna, 141980, Russia, nefnukem@gmail.com, reshetnikovag@pochta.ru, ulyanovsv@mail.ru)