CC BY
51
граф второго вида C = (A,T) с нечеткими вершинами и ребрами. В качестве множества вершин выступает множество нечетких шарниров, степень нечеткости вершины совпадает со степенью нечеткости шарнира. Из вершины А(х) в вершину А(у) направлено ребро со степенью достижимости вершин.
Поскольку удаление нечетких шарниров уменьшает степень сильной связно, C = ( A , T ) -
сти рассматриваемой системы.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Старостина ТА. О живучести нечетких графов // Обозрение прикладной и промышленной математики. - М., Т.9, 2002. - 656 с.
2. Берштейн Л.С. Боженюк А.В., Розенберг ММ. Анализ и синтез живучести нечетких
// -SCM2005. - Санкт-Петербург, Т.1, 2005. - С. 204-207.
3. Целых А.А. Разработка и исследование методов и алгоритмов для моделирования адаптивных веб-ресурсов на основе нечетких ультраграфов // Дис. канд. техн. наук: 05.13.17, Таганрог, 2005.
П.В. Сороколетов
К ВОПРОСУ ПОСТРОЕНИЯ ДИНАМИЧЕСКИХ ЭКСПЕРТНЫХ СИСТЕМ*
В основе теории и практики искусственного интеллекта лежит новая технология интеллектуального анализа данных, т.е. Data mining (discovery-driven data mining) [1,2]. Она основана на концепции шаблонов, описывающих многообразные взаимоотношения между рассматриваемыми данными. Одна из основных проблем - это сложность анализируемых и определяемых шаблонов. Шаблоны должны содержать нечеткие, неопределенные и неожиданные кластеры и регулярные объекты в данных, составляющие так называемые скрытые данные. Новая технология DM согласно [2] включает следующие этапы в процессе анализа и обнаружения в неопределенных данных: нечетких; нетривиальных; полезных для данной практической деятельности; доступных интерпретаций знаний, необходимых для принятия решений в исследуемой области.
Для DM сейчас используется две основных технологии: «сверху-вниз» и «снизу-вверх», которые анализируют следующие уровни знаний: скрытый, глубокий, неглубокий, поверхностный. При этом, как правило, используют такие аналитические инструменты как: язык простых запросов, оперативная аналитическая обработка, «раскопка данных» и др. [2].
DM
систему (ДЭС). Под ДЭС понимается система, объединяющая возможности компьютера со знанием и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительной характеристикой такой системы, является «способность системы по требованию прокомментировать ход своих рассуждений в понятной для пользователя форме» [3].
* Работа выполнена при частичной финансовой поддержке программы развития научного потенциала высшей школы 2006-2008 годы (проекты РНП.2.1.2.2238, РНП 2.1.2.3193)
Раздел I. Искусственный интеллект и нечеткие системы
Модуль ДЭС - это система, в которую включены знания специалистов о проблемной области и которая в пределах этой области способна принимать эксперт.
Определим характеристики, которыми должна обладать ДЭС: 1) анализ и обнаружение неопределенных данных; 2) рассуждать при нечётких данных; 3) объяс-
; 4)
; 5) ; 6)
способностью обучения и самоорганизации.
ДЭС обязательно содержит в своём составе базу знаний и механизм логических выводов (интерпретатор) [4]. Для представления фактических знаний используется отдельный механизм - БД, а в базе знаний (БЗ) остаются процедурные знания. Для ведения базы знаний и дополнения ее при необходимости знаниями, полученными от эксперта, требуется отдельный модуль приобретения знаний. Другим компонентом ДЭС является пользовательский интерфейс, необходимый для правильной передачи ответов пользователю в удобной для него форме. Кроме то, -ляций со знаниями. В ДЭС присутствует модуль, способный при помощи механизма логического вывода «предаожить разумный совет или осуществить реальное
». , , модулём советов и объяснений. Следует отметить, что механизм объяснений играет важную роль, позволяя повысить степень доверия пользователя к полученному результату. Это важно не только для пользователя системы, но и для эксперта, который с его помощью определяет, как работает система и как используются предоставленные им знания.
Типичную структуру ЭС можно представить как систему, состоящую из
: DM; ; ; -
; [5-7].
данные решаемой задачи. База знаний экспертной системы содержит правила (или
), -тия решения. Интерпретатор (решатель,) использует исходные данные из базы данных и знания из базы знаний, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи. Компонент общения является связующим звеном с пользователем, организует общение как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.
Такие структуры, принято называть динамическими ЭС [3-6], т.к. они изменяются в процессе принятия решения. ЭС такого типа используют в тех приложе-
, , . оперирует знаниями двух типов:
1) , , -щих непосредственное отношение к конфигурации;
2) , -же условия ограничения, накладываемые на совместимость компонентов.
В ДЭС главным является подход, предполагающий, что процесс решения на-(data -driven).
компонентов и далее пытается сконструировать такую конфигурацию этих компонентов, которая удовлетворила бы ограничениям, вытекающим как из характеристик отдельных компонентов, так и из отношений и связей между ними [5,6].
Знания о компонентах хранятся в базе данных отдельно от памяти системы, порождающей правила и о рабочей памяти транзитных элементов данных. База данных имеет динамическую структуру. В ней для каждого компонента хранится
информация о классе, типе и множестве характеристик. Знания об ограничениях сохраняются в виде правил в памяти продукционной системы программы. Для процедуры вывода программа использует управляющие знания о предметной области (domain-specific control knowledge), позволяющие принимать решение о начале и расширения структуры комплекса. Процесс решения направляется последовательностью правил для нахождения более оптимально решения.
Предметная область систем поддержки принятия решений (СППР) находится в - , -сочетаются друг с другом. Возникает необходимость внесения новых знаний и данных. Здесь в процессе решения используется несколько видов знаний: декларатив-, . объекта и формализуются сетью фреймов, продукционные знания представляют опыт решения задач и порядок взаимодействия компонентов ДЭС, формализуемых набором правил процедурных знаний о схемах вычислений. Такая организация знаний приемлема для ДЭС позволяет использовать все имеющиеся знания в полном объеме и производить более качественный вывод по сравнению со стандартной ЭС. В системе используются несколько средств обоснования решений. Отличительной особенностью системы является синтетическая структура решателя, в состав которого входят компонент многокритериального анализа, расчетно-логический компонент и компонент логического вывода. В блоке управления стратегией вывода целесообразно использовать метазнания о процессе принятия решений. Метазнания согласно [3,6] являются основным источником развития ДЭС.
Специфика проектирования ДЭС заключается в наличии ряда факторов: анализ и обнаружение неопределенных данных; рассуждение при нечётких данных; работа с , , знаний, их формализации и.т.д. Новая методология проектирования ДЭС должна включать перспективные элементы адаптивной технологии, анализ риска, обучения и , .
Рассмотрим преимущества такой модели [7]:
♦ реально (в виде эволюции) отображает разработку ДЭС;
♦ позволяет учитывать риск на каждом витке эволюции;
♦ включает шаг системного по дхода в итерационную структуру;
♦ использует моделирование для уменьшения риска.
Исходя из требований, предъявляемых к разработке ЭС, целесообразно определить возможность использования имеющегося подхода или преобразовать его согласно постановке задачи и спецификой области принятия решений, для которой . ,
применение для инженерной деятельности в качестве средства автоматизации при.
БИБЛИОГРДФИЧЕСКИЙ СПИСОК
1. Искусственный интеллект: современный подход. - М.: Издательский дом «Вильямс», 2006. - 1408 c.
2. Дюк В., Самойленко A., Data Mining: учебный курс. - СПб.: Питер, 2001. - 368 с.
3. Джексон П. Введение в экспертные системы. М.: Издательский дом «Вильямс», 2001. -624 c.
4. . ., . ., . ., . . -
пертные системы // под ред. Попова Э.В. - М.: Финансы и статистика, 1996. - 320 с.
5. . ., . ., . ., . ., .
обработка информации. - М.: Изд-во «Нолидж», 2000. - 352 c.
6. Гавр плова ТА. Хорошевский В.Ф. Базы знаний интел лектуальны систем. - Спб: Питер, 2000. - 384 c.
7. . ., . . . -
: - , 2006. - 140 .
