CC BY
113
Стаття присвячена функщонуванню ште-лектуального агента. Для моделювання пове-дтки ттелектуального агента використано мережi Петрi i метод онтологи. Показано, що модель поведшки, що розвиваеться, може бути перетворена в асинхронному завданш динамгч-ного програмування.
Ключовi слова: онтологш, ттелектуальний
агент, система прийняття ршень
□-□
Статья посвящена функционированию интеллектуального агента. Для моделирования поведения интеллектуального агента использована сеть Петри и метод онтологии. Показано, что модель поведения, которое развивается, может быть преобразована в асинхронную задачу динамического программирования
Ключевые слова: онтология, интеллектуальный агент, система принятия решений □-□
Article considers intelligent agent functioning plan development. For intelligent agent behavior modeling Petri nets and ontology method were used. It was shown that developed behavior model could be transformed into asynchronous dynamic programming task
Keywords: ontology, intelligant agent, system of making decision
УДК 004.853+004.832
ВИКОРИСТАННЯ АДАПТИВНИХ ОНТОЛОГ1Й В 1НТЕЛЕКТУАЛЬНИХ СИСТЕМАХ ПРИЙНЯТТЯ
Р1ШЕНЬ
В.В. Литвин
Кандидат техычних наук, доцент Кафедра шформацтних систем та мереж* E-mail: vasyll@ukr.net
В.Я. Крайовський
Проректор з господарськоТ роботи* Контактний тел. 8 (032) 258-24-04
Н.Б. Шаховська
Кандидат техычних наук, доцент, заступник декана* Контактний тел.: 8 (032) 258-24-04 E-mail: natalya233@gmail.com *Нацюнальний ушверситет «Львiвська полЬехшка» вул. С.Бандери, 28, Львiв-13, 79013
1. Вступ
На даному етат розвитку шформацшних техноло-гш, а саме систем тдтримки прийняття ршень, розрiз-няють два напрями розвитку штелектуальних систем прийняття ршень, яю базуються на знаннях [1]:
• штелектуальш системи прийняття рiшень, засно-ванi на прецедентах;
• штелектуальш системи прийняття ршень, засно-ваш на плануваннi.
Згiдно iз сучасною термiнологieю, процес прийняття ршення (логiчного виведення) у таких системах здшснюе iнтелектуальний агент (1А).
Практично ва раннi експертнi системи моделю-вали хiд ухвалення рiшення експертом як дедуктив-ний процес з використанням лопчного виведення, заснованого на правилах. Це означало, що в систему закладалася сукупшсть правил вигляду "якщо...то...", згщно з якими на пiдставi вхiдних даних генерувався той або шший розв'язок вирiшення задач^ що щка-вив користувача (такий тдхщ е частковим випадком планування дiяльностi 1А). Однак навколишнiй свгг складний. 1снуе ряд задач, для яких школи не буде знайдено формального розв'язку (судочинство, меди-
цина). Актуальшсть проблеми обумовлена i чисельш-стю таких задач, i практичною потребою знайти хоча б один який-небудь вщповщний розв'язок там, де через ввдсутшсть строгого формалiзованого методу не мож-на знайти Bci або найоптимальнiшi розв'язки.
Щоб виршувати кожну задачу, виходячи з пер-винних принципiв, експерт часто аналiзуe ситуацiю в цiлому i згадуе, якi рiшення ухвалювалися ранiше в подiбних ситуацiях. Потiм вiн або безпосередньо вико-ристовуе цi ршення, або, при необхiдностi, адаптуе !х до обставин, що змiнилися для конкретно! проблеми. Моделювання такого тдходу до вирiшення проблем, заснованого на досввд минулих ситуацiй, привело до появи технологи лопчного виведення, заснованого на прецедентах (англшською - Case-Based Reasoning, або CBR), i надалi - до створення програмних продукпв, що реалiзовують цю технологiю. У рядi ситуацiй метод виведення за прецедентами мае серйозш переваги в по-рiвняннi з виведенням, що Грунтуеться на плануваннi, зокрема правилах, i особливо ефективний, коли:
• основним джерелом знань про завдання е досвщ, а не теорiя;
• ршення не унiкальнi для конкретно! ситуацii i можуть бути використаш в iнших випадках;
• метою е не гарантоване вiрне ршення, а краще з можливих.
Таким чином, виведення, засноване на прецедентах, е методом побудови штелектуальних систем, яю приймають ршення щодо дано1 проблеми або ситуацп за наслiдками пошуку аналогiй, що зберiгаються в базi прецедентiв. На наш погляд, пошук таких аналогш до-цiльно здiйснювати на основi онтологiй предметних областей (ПрО) [2] в яких функщонуе 1А.
З шшого боку ми часто зустрiчаемось iз задачами, де необхiдно знайти послщовшсть дiй, яка дозволяе досягнути кшцевого стану, який називають щльовим станом. Такий процес пошуку називаеться плану-ванням [3]. Задача побудови плану поведшки 1А е актуальною задачею, осюльки саме вiд правильно побудованого плану залежать юльюсш показники, отримаш пiд час досягнення цiлi (затрачен ресурси, витрачений час для досягнення цШ, оцiнка досягну-того стану, його корисшсть тощо). З лиератури вiдо-мо, що для моделювання такого плану знаходження оптимального рiшення використовуються стохастичш або детермiнованi мережi з вершинами типу 1/АБО i методи пошуку вглиб, вшир або iнформативний пошук з використанням евристичних функцш [4]. Однак щ моделi можна використовувати для задач, в яких стани чико задаються множиною фактiв, яю реалiзуються однiею з формальних лопк або набором продукцiйних правил та не враховують витрату ресурсiв.
Очевидно, що у складних прикладних областях опис сташв та вибiр альтернатив для вщповщних переходiв мiж станами вимагае зовам шших пiдходiв, а отже i моделей, якi базуються на онтологiях задач та онтологп ПрО. З огляду на постановку задачi - досягнення щльового стану 1А - для розв'язування ще1 задачi запропоновано використовувати мережi Петрi [5] для моделювання шляхiв (процесiв) досягнення щ-льового стану, байеивсью мережi [3] для моделювання iмовiрнiсних оцiнок переходiв мiж станами, онтолопю ПрО для опису сташв та обчислення необхщно затра-чуваних ресурав для переходiв мiж станами.
Мета роботи: розробити моделi штелектуальних систем прийняття ршень, якi використовують онтологп та методи функщонування таких систем.
2. Використання онтологш в штелектуальних системах прийняття ршень, заснованих на прецедентах
Системи виведення за прецедентами показують дуже добрi результати в найрiзноманiтнiших задачах, однак володжть рядом штотних недолiкiв. По-перше, вони взагалi не створюють яких-небудь моделей або правил, що узагальнюють попереднш досвщ, - пiд час вибору розв'язку вони Грунтуються на всьому масивi доступних iсторичних даних, тому неможливо сказа-ти, на основi яко1 конкретно iнформацii, системи виведення за прецедентами видають своi ршення.
Можна видiлити двi основнi проблеми, з якими зустрiчаються подiбнi системи: пошук найбiльш вщпо-вiдних прецедентiв i подальша адаптащя знайденого розв'язку. У основi в«х пiдходiв до вiдбору прецеден-пв лежить той або iнший споаб вимiрювання ступеня близькостi прецеденту i поточноi ситуацii. При таких вимiрюваннях обчислюеться чисельне значення де-
яко1 мiри, що визначае склад множини прецеденпв, якi необхiдно опрацювати. Основним недолжом таких систем е вщсутшсть едино! методики вибору мiри близькость Ще один недолiк методу пов'язаний з кон-струкцiею прецедентiв i призначення ваг ix атрибутам, що зменшуе застосовнiсть таких систем у рiзниx ПрО. Однак процес роботи таких систем вже добре ввдомий: шукаються вiдстанi мiж поточною ситуащею та на-явними прецедентами; вибираеться той прецедент, для якого ця вщстань е найменшою; виконуеться чи пропонуеться до виконання те ршення, яке вщповвдае цьому вибраному прецедентовь
Щоб формально це описати введемо таю позначен-
ня:
Pr = {Pr4,Pr2,...,PrN } - множина прецеденпв;
Ri - ршення, яке приймаеться згiдно до прецедента Pri;
S - поточна ситуащя;
di(Pri,S) - ввдстань мiж i-им прецедентом та поточною ситуащею;
о - ощнка прийнятого ршення.
У бiльшостi випадюв методи пошуку прецедентiв зводяться до шдукцп дерев рiшень або до алгоритму "найближчого сусвда" [6], доповненого, можливо, використанням знань про ПрО. Задачi адаптацп i використання знайденого ршення до сих тр залишають-ся недостатньо формалiзованими i сильно залежними вiд ПрО. Обидвi проблеми - пошук прецедента i його адаптацiя - виршуються (повнiстю або частково) iз залученням фонового знання, шшими словами, викори-стовуючи знання про ПрО (domain knowledge). На наш погляд, джерелом таких знань виступае онтолопя ПрО.
Тому нами пропонуеться проектувати прецеденти та поточну ситуащю на онтолопю ПрО; ввести в межах онтологп ПрО метрику за допомогою яко! шукати необхщну вiдстань (рис. 1). Крiм того сама онтолопя буде адаптуватися до ПрО за рахунок методiв ште-лектуального аналiзу даних (1АД). Щоб цi методи ви-користовувались, нам необxiдно вести шторж функ-цiонування iнтелектуальноi системи, тобто набутий нею досвщ розв'язування подiбниx задач, який буде збержатися у арxiвi даних.
Рис. 1. Процес прийняття ршення на 0CH0Bi прецедентiв з використанням онтологiй
А саме у цьому архiвi даних зберкаються прийняп системою рiшення згщно до ситуацiй та оцiнка цих ршень. Для процедур 1АД використовуються тiльки тi данi, для яких оцшка прийнятих рiшень е високою, тобто е вищою за деякий порш Проблема оцiнювання прийнятих ршень в цiй роботi не розглядаеться. Для шкалювання оцiнок прийнятих ршень використовуються математичнi апарати, таю як теорiя нечiтких множин та ввдношень, лiнгвiстичнi змiннi тощо [7].
Ефектившсть адаптаци онтологи бази знань до особливостей предметно! областi визначають закладе-нi в 11 структуру елементи та мехашзми 11 оптимiзацп (точнiше адаптаци) шляхом самонавчання шд час експлуатаци. Одним з пiдходiв до реалiзацii таких механiзмiв е автоматичне зважування понять бази знань (БЗ) та семантичних зв'язюв мiж ними тд час самонавчання. Цю роль беруть на себе коефвденти важливостi понять та зв'язкiв. 1х розподiл у БЗ мае вщповщати таким основним вимогам:
• ввдображати семантичну вагу понять ПрО, в яюй ця iнтелектуальна система реально застосовуватиметься;
• формуватися пiд час наповнення БЗ та коректу-ватися у вщповщност з визначеними правилами;
• забезпечувати контроль щлкност БЗ;
• вщповщати вимогам метрики при 1х використан-нi для порiвняння семантично'1 близькостi понять.
Сто1ть задача сформулювати вщповщний набiр правил присвоення вагових коефвденпв (шформа-цшно1 ваги) поняттям та твердженням в моделi БЗ, що забезпечить оцшку актуально! цшносп 11 шформацш-ного наповнення та дослвджуваних поточних ситуацiй (наприклад вщнесення текстових документiв до кла-сiв згiдно УДК, визначення захворювання пащента).
Покажемо можливiсть вирiшення сформульовано'1 задачi шляхом введення деяких спрощень i припущень. Подамо БЗ у виглядi iменованого графа, числовi семан-тичнi характеристики вершин i ребер якого визнача-ються за певними правилами. Вш е орiентованим зва-женим мультиграфом з наступними властивостями:
1) у кожний елемент (вершину) може бути дов^ьна юльюсть входiв дуг графа;
2) кожний елемент може мати зв'язок з будь-якою юльюстю шших елементiв;
3) кожному зв'язку (ребру) у моделi ввдповщае пев-ний напрям i коефвдент важливостi зв'язку та досто-вiрностi вiдповiдного твердження, кожному поняттю (вершиш) - коефiцiенти важливостi поняття.
Коефвдент важливостi поняття (зв'язку) - це чи-сельна мiра котра характеризуе значимость даного поняття (зв'язку) у конкретнш предметнiй областi, i динамiчно змiнюеться за певними правилами в про-цесi експлуатаци системи [8].
Наш тдхщ до представлення знань у формi зваже-но1 семантично'1 мережi (концептуальних графiв) по-лягае у тому, що будь-яке можливе узагальнення, тобто комплексне, складене поняття завжди явним чином артикульоване, назване i як окремий концепт ф^уруе в базi знань. Тому якщо деяке узагальнення мае стльш властивостi чи способи функцiонування, вони фiзично можуть бути реалiзованi через властивост та обробни-ки подш вiдповiдного узагальнюючого концепта.
Отже таку онтолопю ми будемо визначати як п'я-тiрку:
О =< >,
де X - сюнченна множина концептiв (понять, термов) предметно! областi, яку задае онтолопя О; R - скiнченна множина вщношення мiж концептами (поняттями, термшами) задано! предметно! областi; F - скшченна множина функцш iнтерпретацii (аксь оматизацiя), заданих на концептах або вщношеннях онтологи О, W - важливкть понять Х, L - важливкть вiдношень R.
Визначену таким чином онтолопю будемо назива-ти адаптивною, тобто такою що адаптуеться до ПО за рахунок модифжаци понять та коефiцiентiв важливо-стi цих понять та зв'язюв мiж ними [9].
Один iз способiв визначення цих коефiцiентiв важ-ливостi та !х змiна будуть описаш нижче. Тут тiльки вщзначимо, що змiна цих коефiцiентiв вщбуваеть-ся згiдно модифiкацii знань методами 1АД. Метою технологи видобування даних е виробництво нового знання, яке користувач може надалi застосувати для полшшення результапв свое! дiяльностi. Можна ви-дiлити, принаймнi, сiм методiв виявлення i аналiзу знань: 1)класифжащя; 2)регресiя; 3)кластеризацiя; 4)аналiз асоцiацiй; 5)прогнозування тимчасових по-слiдовностей (рядiв); 6)агрегащя (узагальнення); 7)-виявлення вiдхилень.
Методи 1, 2, 4 i 5 використовуються, головним чином, для прогнозування, тодi як останш зручш для опису iснуючих закономiрностей в даних.
Очевидно, що кожний прецедент однозначно зада-еться онтолопею, яка е частиною загально! онтологи i навпаки - онтолопею однозначно визначаеться прецедент. Тобто мiж ними е однозначна вщповщшсть, яку запишемо у виглядк
Pri ^ Oi с O
1нтелектуальний агент 1АД модифiкуе онтологiю на основi старо! онтологи та архiву даних, який зберь гае вiдповiдний 1А. Тобто:
IAD :< O,AD O
Розглянемо методи задання початкових коефвден-пв онтологи 1А та !х модифжащю згiдно з рiшеннями отриманими методами 1АД, а саме методом побудови дерева ршень [6]. Нехай онтолопя мiстить множину понять X={x1,x2,^xn} та множину зв'язюв R={r1,r2,^,rm}. W={w1,w2,^,wn} - коефвденти важливостi вiдповiдних понять, L={li,l2,...,lm} - коефiцiенти важливостi вщпо-вiдних зв'язкiв. Спочатку вважаемо, що ва значення wi=1, i=1,2,...,n; lj=0, j=1,2,...,m.
Нехай у результатi побудови дерева рiшень ми от-римали k рiзних правил Rule1, Rule2,...,Rulek. Кожне правило Rules складаеться iз тдмножини понять, тобто Rules={xs1, xs2,..., xst}. Додаемо до значення wi одини-цю, якщо поняття xi входить у будь-яке правило Rules,
s=1.....k. Аналогiчно, якщо мiж поняттями xi та Xj iснуе
зв'язок lp, то значення lp збiльшуемо на одиницю, якщо обидва поняття xi та xj входять у одне правило. Тим самим ми зб^ьшуемо важливiсть понять, яю входять у правила та вщповщних !м зв'язкiв. Це вщповвдае уявленню, що поняття (ознаки), яю присутнi у правилах е важлившими, нiж iншi значення.
Нами пропонуеться визначати ввдстань мiж прецедентом i ситуацiею, як суму вщстаней мiж найважли-вiшими поняттями прецедента та поточного випадку. Таких понять може бути одне, два; однак якщо !х е три або б^ьше, то нами пропонуеться вибирати першi три. Ця юльюсть визначена на основi опитувань експертiв
рiзних ПрО i вважаеться ними оптимальною. У такому досягнення цього стану зi всiма можливими альтер-
випадку ми маемо 3 центри ваг прецедента i 3 центри нативами. Процес планування Грунтуеться на деком-
ваг поточно! ситуацп, тобто 9 уах можливих вiдстаней позицii. Задача планування ZP мiстить 3 складовк
мiж ними. Вибираемо 3 найменшi з них та сумуемо. множину сташв St, множину дш F, множину цiлей Z;
Отримана таким чином сума й буде вщстанню мiж пре- тобто ZP = <St, F, Z>.
цедентом та поточною ситуацiею. Очевидно, що визна- У свою чергу дiя складаеться iз 3-ьох частин: iм'я
чена таким чином вiдстань залежатиме вщ того як ми ди i список параметрiв, передумова та результат, а
визначимо вiдстань мiж двома сумiжними вершинами. сам план визначаеться як кортеж з 4-ьох елеменпв
Для цього нами пропонуеться визначати ввдсташ мiж - <множина дiй, множина обмежень впорядкування,
вершинами, що з'еднаш зв'язком як множина причинних зв'язюв, множина вiдкритих пе-
редумов> [3]. Для врахування декомпозицп, i/або за-
^ _ Q лежностей мiж станами та переходами, ввдображення
'' _ L■(W + Ш) альтернатив досягнення цiльових сташв пропонуемо
використовувати мережi Петрi. Приклад тако! мережi
де Wi та Wj - коефiцiенти важливостi вершин С; та з щльовим станом St(z) наведено на рис. 2.
С вiдповiдно; Lij - коефвдент важливостi зв'язку мiж Нехай бiжучий стан 1А у просторi сташв, змоде-
вершинами; Q - константа, яка залежить вщ конкрет- льованому мережею Петр^ вiдображаеться деякою
но! онтологп. Приймемо, що Lii = тодi dii = 0. фшкою, яка в певний момент часу може знаходитись
Далi знаходимо центри ваг концептуального графа. на одному з вузлiв мережь На початку фшка мережi
Це першi три вершини для яких середня вщстань di е знаходиться у сташ St(0). найменшою:
чад
di = mindi -Г" Л
Середня ввдстань di для вершини О обчислюеться .^р^р'[Ур131 р24' згщно формули:
х а
а, =
п -1
де п - кiлькiсть вершин графа, d*j - найкоротший шлях мiж вершинами С; та Сj, який обчислюеться за допомогою вiдомих алгоритмiв, наприклад Форда, Дейкстри, Флойда-Уоршалла [10].
Далi згiдно концептуального графа, що задае он- ч^ед тологiю прецедента, шукаемо вiдстань вiд даного прецедента до поточно! ситуацп. Якщо поняття поточно! Рис. 2. Приклад мережi Петрi побудови плану дiяльностi ситуацii не входять в концептуальний граф, то онтоло- |А пю даного прецедента доповнюемо онтологiею всього
1А до якого входить цей прецедент. Якщо ж необхiдне Тад очевидно, що суть функцiонування 1А полягае
поняття далi не входить в онтолопю 1А, то його вщ- у перемiщеннi фiшки в кшцевий стан St(z) з мжмаль-
сутнiсть зумовлюе рiст вiдстанi до безмежноси, що ною витратою ресурав. Щоб почати розв'язувати цю
означае не близьюсть прецедента iз поточною ситуащ- задачу слiд довести, що мережа Петрi побудована так,
ею. Зазначимо, що пропонована таким чином вщстань що кшцевий стан St(z) можна досягнути. Вщомо, що
задовольняе трьом аксюмам метрики. Дiйсно, згвдно для такого доведення використовуються плануваль-
визначення вiдстанi, автоматично виконуються двi ники - програми, якi шукають розв'язок або доводять
першi аксюми: d(Ci,Ci) = 0 ; d(Ci,Cj) = (С^С^ . неiснування розв'язку. Ця робота оминае розгляд та-
Нехай Я** - шлях мiж вершинами С; та Сj, який кого доведення. Апрюрно вважаемо, що такий перехвд
вiдповiдае вiдстанi мiж ними. Тодi dij = dik + dkj, якщо iснуе i не один, в iншому випадку задача немае змшту.
вершина Ск лежить на шляху Я** i dij < dik + dkj, якщо Стан St(i) характеризуеться базою даних та базою
вершина Ск не лежить на шляху Я**. А це означае, що знань (сховищем даних), поданих у виглядi множи-
виконуеться третя аксюма метрики. ни фактiв з вщповвдними iмовiрнiсними оцiнками.
Вiдкритим залишаеться питання як часто викори- Дiя Fij подаеться у виглядi вiдображення зi стану
стовувати роботу агента 1АД для модифiкацii онтологiя St(i) в стан St(ji) з вiдповiдною ймовiрнiстю рji, тобто:
1А. Тобто агент 1АД виступае ще в ролi координатора, St(i) ^ ST(ji) з ймовiрнiстю рji.
а питання моменпв втручання е задачею координацп Для вибору необхщних дiй користувач повинен
[11]. У цш роботi дане питання не розглядаеться. вмгги оцшювати стани: як тi, в яких вш вже перебу-
вав, так i бажанi. Нехай q(St(i)) - оцшка стану St(i).
--Для оцшки станiв в яких вже перебував рацюналь-
ний агент, використовуватимо онтолопю предметно! обласп О. Вважатимемо, що онтолопя однозначно визначае стан О^(^), який за певними значеннями вiдрiзняеться вiд реального опису стану. Тад оцiнку стану визначимо як обернену пропорцшну величину
3. Використання онтологш в iнтелектуальних системах прийняття ршень, заснованих на плануваннi
Для досягнення щльового стану iнтелектуальний агент (1А) насамперед повинен промоделювати план
до В1дстан1 м1ж описом зпдно онтологи та реальним описом стану:
q(St(i))=const/d(0(St(i)),St(i)),
де const - коефщ1ент пропорцшносп, d(0(St(i)),St(i))
- ввдстань м1ж вдеальним описом та реальним описом стану St(i). Для обчислення ц1е! ввдсташ пропонуеться спос1б, аналопчний запропонованому вище у цш статт
- для обчислення ввдсташ м1ж прецедентами.
Для ощнки стану, в який 1А ще не потрапляв, ви-користовуватимемо евристичш функци. Як вщомо, загального визначення евристик не 1снуе, а таке виз-начення строго прив'язуеться до предметно! область Тому ощнка майбутшх сташв е складною задачею. У наших дослщженнях для вибору дш 1А ми спиратиме-мось на ращональшсть агента, як прагнення м1шм1зу-вати витрати ресурс1в для досягнення кшцевого стану. Тому вважатимемо, що д1я Fj однозначно визначаеться витратами ресурав Rj (щна переходу з1 стану в стан), де k=1,2,...,n;. n; - к1льк1сть альтернатив ak для здшс-нення переходу Fjj.
Розглянемо функщонування 1А на основ1 ощнки витрат ресурс1в. 1нформащя про альтернативи та не-обхвдний для цього ресурс знаходиться в лиературних джерелах T.
Кортеж <d(0(St(ji)), St(ji)), St(jj)), Rjjk, o(St(j;))>
визначае чи робити нам перехщ Fij, використовуючи альтернативу ak.
Для обчислення необхщних ресурс1в Rjjk викори-стовуемо онтологи лиературних джерел О(Т) [12] та онтологи сташв 0(St(i)). А саме:
< O(T),O(St(i)) Rijk,
< O(F,j(St(i»>,O(St(ji)) d(O(Stk(j, )),St(Ji)).
Мета досягнута, якщо d(0(St(z)), St(z)) <v, де v по-рогова величина, яка залежить в1д предметно! област1 та 1А. Враховуючи вигляд мереж1 переход1в сташв, а саме кон'юнкци д1й, можемо стверджувати, що стан St(j) досягений, якщо St(j) = Fj4i л Fj2i л... л Fjmi.
Затрати ресурав для досягнення стану St(j) ста-
новлять R(j) = ^Rj jk , якщо була використана альтер-i=1 '
натива ak.
№ Випадок Мережа Петр1 Граф
1. Один вихщ - один вхщ о+о о-о
2. Один вихщ - бшьше одного входу (для прикладу 2 входи)
3. Бшьше одного виходу (для прикладу 2 виходи) gx) с>°
Позначимо g - функщю для визначення часових переметрiв переходу зi стану в стан. Час для переходу зi стану i в стан j запишемо як tij=g(Rijь R'ij), де до-датковi ресурси, якi необхщш затратити для зменшен-ня часу переходу.
Якщо, завдяки онтологи ПО та лиературним дже-релам, ми оцiнили затрати ресурав Rij для переходу iз стану i в стан j, то мережу Петрi можна трансформува-ти у граф i задачу вибору шляху, розглядати як задачу асинхронного динамiчного програмування [13]. Для
тако! трансформацii розглянемо три можливих випад-ки переходiв у мережi Петрь Тобто, якщо е бiльше, шж один вихiд, то дуги, що збираються у вершинi з'едну-емо, щоб вказати, що ми маемо справу з кон'юнкщею. Використовуючи методи, придатш для розв'язування задач асинхронного динамiчного програмування, зна-ходимо розв'язок у виглядi шляху переходу з початко-вого у кiнцевий стан з мжмальними затратами [13].
4. Висновки
Запропонований метод використання адаптивних онтологш в штелектуальних системах, заснованих на прецедентах та плануванш, дозволяе видавати ефек-тивнiшi розв'язки, шж традицiйними методами, якi використовуються штелектуальними системами. Шд-вищення ефективностi досягаеться шляхом введення в модель онтологи коефвденпв важливоси понять та зв'язюв, якi безпосередньо використовуються для обчислення вщстаней мiж прецедентами та бiжучою ситуацiею, а також для ощнки сташв ПрО. Для правильного функщонування штелектуально! системи коефвденти важливоси понять та зв'язкiв модифь куються на основi досвiду набутого системою, використовуючи методи штелектуального аналiзу даних. Показано, що визначена таким чином вщстань задо-вольняе трьом аксюмам метрики.
Ця стаття теоретично обгрунтовуе запропонований метод. У наступних роботах нами буде розглянуто практична дощльшсть використання такого методу з вщповщними аплжащями у предметнiй обласп фь зико-механiчних властивостей матерiалiв. На цей момент онтолопя ще! ПрО нами розробляеться.
Лiтература
1. Каменнова М.С. Каменнова. "Корпоративные информаци-
онные системы: технологии и решения". Системы Управления Базами Данных № 3/1995 стр. 88-99.
2. Гаврилова Т. А. Базы знаний интеллектуальных систем /
Т.А.Гаврилова, В.Ф.Хорошевский. -СПб: Питер, 2001.
- 384с.
3.Рассел С., Норвиг П. Искусственный интеллект. - М.,С.-П.,К.: Вильямс, 2006. - 1408с.
4.Логика рассуждений и ее моделирование / Под ред. Д.А.Поспелова. - М.: Науч. совет по комплекс. пробл. "Кибернетика" АН СССР, 1983. - 180 с.
5. Питерсон Дж. Теория сетей Петри и моделирование си-
стем. - М.: Мир, 1984. - 264с.
6. Цветков 93 Цветков А. М. "Разработка алгоритмов индук-
тивного вывода с использованием деревьев решений". Кибернетика и системный анализ. - 1993. - № 1. - С. 174-178.
7. Аверкин А. Н., Батыршин И. 3., Блишун А. Ф., Силов В. Б.,
Тарасов В. Б. Нечеткие множества в моделях управления и искусственного интеллекта // Под ред. Д. А. Поспелова. М.: Наука, 1986.
8. Даревич Р. Р., Досин Д. Г., В. В. Литвин. Метод автоматич-
ного визначення ¡нформацшно! ваги понять в онтологи бази знань // Вщб1р та обробка ¡нформацй. - 2005.
- Вип. 22(98). - С. 105-111.
9. Литвин В.В., Голощук Р.О. 1нтелектуальш системи тдтримки прийняття рiшень на 0CH0Bi адаптивних онтологiй. - тези VI
1шжнародно! конференцй' „Математичне та програмне забезпечення штелектуальних систем. - Дншропетровськ. - 12-14 листопада 2008р. - С.208-209.
10. Свами М., Тхуласираман К. Графы, сети и алгоритмы. - М., 1984.
11. Месарович М., Мако Д., Такахара И. Теория иерархических многоуровневых систем. - М.: Мир, 1973. - 344 с.
12. Даревич Р.Р., Досин Д.Г., Литвин В.В., Назарчук З.Т. Ощнка подiбностi текстових документа на основi визначення шформа-цiйноi ваги елементiв бази знань // Штучний iнтелект. - №3. - 2006. - С.500-509.
13.Bertsekas, D. P. (2000). Dynamic Programming and Optimal Control, Vols. 1 & 2, 2nd ed. Athena Scientific.
Розглянута проблема ттеграцп даних та знань, ттегращя тформацшних систем, що побудованг на основг онтологгчного пгдходу. Розроблена архгтектура об'еднання декглькох тформацшних систем на ocнoвi застосування принцитв мультиагентних систем та менеджменту знань
Ключoвi слова: архгтектура гнтеграцп, гнте-
лектуальнш агент, штеграцш даних та знань □-□
Рассмотрена проблема интеграции данных и знаний, интеграция информационных систем, спроектированных на основе онтологического подхода. Разработана архитектура объединения нескольких информационных систем на основании применения принципов проектирования муль-тиагентных систем и менеджмента знаний
Ключевые слова: архитектура интеграции, интеллектуальный агент, интеграция данных и знаний
□-□
In this paper considered the problem knowledge and data integration, integration ontology-based information systems. Proposed the integration architecture based on principles multi-agent system and knowledge management
Key words: integration architecture, intelligent agent, knowledge and data integration
УДК 519.7:004.8
РАЗРАБОТКА АРХИТЕКТУРЫ ИНТЕГРАЦИИ НЕСКОЛЬКИХ ИНФОРМАЦИОННЫХ
СИСТЕМ
А. А. Воскобойни кова
Аспирант
Харьковский национальный университет радиоэлектроники пр. Ленина 14, г. Харьков, 61166 Контактный тел.: 8 (057) 702-13-37 e-mail: voskobojnikova@gmail.com
1. Введение
На сегодня основным достижением развития 1Т-индустрии в рамках обеспечения и поддержки любой информации и знаний на корпоративном уровне стало внедрение систем управления документооборотом и систем управления знаниями. Крупные предприятия начинают повсеместно использовать достижения и технологии менеджмента знаний для повышения эффективности своей работы. Поэтому, активно разрабатываются и внедряются в жизнь интеллектуальные информационные системы, которые аккумулируют в себе все знания предприятия, представленные в виде онтологии.
На фоне того, что информационные технологии очень быстро развиваются и внедряются во все сферы
жизни человека, нельзя упускать из виду того, что они очень разнообразны. Каждое предприятие применяет те программные продукты и архитектуры построения систем, которые считает наиболее оптимальными, опираясь при этом на различного рода критерии: быстродействие, безопасность, стоимость решений и прочее. Поэтому, представление и описание одной и той же информации и знаний в двух разных информационных системах может существенно отличаться.
Эта проблема становится существенной, когда происходит объединение нескольких предприятий, включение одного в состав другого, объединение различных организаций в сообщества и т.д. При этом каждое предприятие (организация) предоставляет другому всю или часть имеющихся в нем информации и знаний, и взаимодействие между ними происходит
