CC BY
30
т
rite S - множество возможных состояний проблемной области (универсум); Ро (Ро принадлежит Pg), STo (STo принадлежит STg) начальные (текущие) множества продукционных правил и стратегий соответственно; Pg, Stg - множества генераций правил и стратегий; R(ST) - множество правил для выбора стратегии поиска решения St из STo; R(Po), R(STo) - множества правил для модификации Ро и STo; F - множество правил для коррекции и пополнения модели.
Разработаны алгоритмы построения модели и поиска решения, включая параллельный поиск. Для реализации предполагается использование
инструментальной среды G2 [3].
ЛИТЕРАТУРА
1. Башлыков А.А.. Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике / Под ред. А.Ф.Дьякова. М.: МЭИ, 1994. 216 с.
2. Yeremeyev А.P. Adaptive Parallel Production Model of Knowledge Representation for Decision Support Systems // Proc. of JCK.BVSE'94. Russia, Percslavl-Zalesski, May 1994. P. 178-180.
3. Экспертные системы реального времени. Материалы семинара // Научн. рук. Э.В.Попов. М.: ЦРДЗ, 1995. 147 с.
УДК 658.012.
В.А. Акулов, Т.Н. Провинцева, А.Н. Маляров, С.В. Пестриков ИНФОРМАЦИОННАЯ ОБУЧАЮЩАЯ И ТЕСТИРУЮЩАЯ ПРОГРАММНАЯ СРЕДА "ЭКСТРЕМАЛЬНАЯ МЕДИЦИНА"
Разработан демонстрационный вариант базы знаний "Экстремальная медицина", представляющей собой техническое средство двойного назначения и выполненной в виде программ для 1ВМ-совместимого ПК. В едином комплексе объединены программная оболочка для создания и модификации содержательной части, средства обучения, контроля, самоконтроля знаний по проблемам экстремальной медицины и инструмент для выполнения адаптации.
Медицинские знания представлены в виде ситуационных задач, которые, в основном, являются обобщением реальных событий, имевших место в экстремальных условиях (Афганистан, Чечня, крупные транспортные и промышленные аварии и т.п.). Указанная особенность в значительной степени определяет уникальность системы.
Комплекс оснащен блоком адаптации, обеспечивающим настройку в соответствии с условиями пользователя (объем вызываемой информации, наименование разделов и тем, общее время тестирования, список пользователей и другие атрибуты сценария),а также установку цветовой гаммы экранов для режимов обучения и контроля.
УДК 007.52:611.86:519.816
А.Н.Каркищенко Оптимальное сокращение множества гипотез при поиске решений в интеллектуальных системах
В настоящее время получили широкое распространение продукционные .принципы при создании интеллектуальных систем, в частности, в области автоматизированного проектирования. Теоретические и практические основы
Материалы Всероссийской конференции “Интеллектуальные САПР-95” ________________________________________________________ 1
применения продукционных систем хорошо описаны в литературе. Однако наряду с достоинствами они обладают и известными недостатками, основным из которых является значительное время, требующееся на проведение логического вывода при большом объеме базы знаний (БЗ).
Для сокращения времени вывода применяется предварительная структуризация БЗ: правила объединяются в группы по причинно-следственным иди
семантическим признакам. В БЗ вводятся метаправила, которые соотносят анализируемую ситуацию к одной из групп, сокращая тем самым пространспо поиска. Такая структуризация осуществляется человеком-экспертом, ^ а следовательно, является субъективной. ' Проблема усложняется, если БЗ формировалась независимо несколькими экспертами.
В любой предметной области исходы различных ситуаций имеют некоторое распределение вероятностей. Квалификация эксперта определяется тем,.насколько его опыт отражает имеющееся в реальности распределение. А именно, принимая решение или пытаясь сделать некоторое заключение, опытный эксперт будет исходить прежде всего из наиболее вероятных (в интуитивном понимании) предположений. По мере получения дополнительной информации, эксперт может пересмотреть распределение вероятностей на гипотезах и апостериори принять более обоснованное решение относительно очередного предположения.
Такой взгляд на проблему приводит к идее, названной неполным выводом. Суть ее в том, что цз предположительно большого множества гипотез в БЗ выделяется некоторое подмножество, обладающее тем свойством, что риск получить "плохое" решение, проверяя гипотезы только из данного подмножества, будет для него минимальным.
В работе описывается математи .сская модель неполного поиска в интеллектуальной системе, в'рамках которой поиск гипотез для доказательства сводится к решению оптимизационной задачи. На основе исследования модели строится эффективный метод решения, описывается способ статистической оценки основных параметров задачи.
УД К 681.51:007
1М.Д.Сеченов
Об одном подходе к построению интеллектуального интерфейса
Одной из основных компонент экспертных систем (ЭС) с элементами искусственного интеллекта янл.;ется интеллектуальная подсистема взаимодействия с пользователем. От ее возможностей ио многом зависит эффективность работы ЭС. Проблема понимания интеллектуальными системами естественно-языковых конструкций, а тем более уяснение г лучинного смысла выражений - одна из важнейших при создании интерфейсов на естественном языке. В рамках современных теорий языкознания делаются попытки закрепить за мельчайшими единицами речи звуками или <’мнемами - различные элементарные смыслы. Такие попытки пока нель ;и назвать удачными I! силу многообразия смыслов одного и того же фрагмента текста и большой ра мерное-! и задачи. При этом система, настроенная н; ограниченное подмножество естественного языка, например русскою не сможе! понимать английский, немецкий и другие тексты на уровне глуОиннмх !1юн этой связи перспективным представляется такой подход, коюр... оикшы зетсн на том, что каждая фонема означает какой-либо диалектический икон, категорию, отношение назовем их “диосновами” [1]. Двадцать диоснов образуют единую диалектическую структуру, которая не изменялась в шести проанализированных лзык. х: русском, английском, немецком, норвежском, японском и итальянском. Еслй п*. тставить эти значения вместо фонем, то вскрывается смысл слова, состоящий из движений
