автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Математическое и программное обеспечение задач компьютерной поддержки принятия решений с использованием прецедентов

На правах рукописи

Решта Ирина Вячеславовна

МАТЕМАТИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ЗАДАЧ КОМПЬЮТЕРНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ С ИСПОЛЬЗОВАНИЕМ ПРЕЦЕДЕНТОВ

05.13.17 - Теоретические основы информатики

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Новосибирск - 2005

Работа выполнена в Новосибирском государственном техническом университете

Научный руководитель:

доктор технических наук, профессор Хабаров Валерий Иванович

Официальные оппоненты: доктор технических наук, профессор

Загоруйко Николай Григорьевич

кандидат физико-математических наук Ковалев Сергей Протасович

Ведущая организация: Томский политехнический университет, г.Томск

Защита состоится 11 мая 2005 года в 16-00 на заседании диссертационного совета Д 212 173.06 в Новосибирском государственном техническом университете по адресу: 630092, г.Новосибирск, пр К. Маркса 20.

С диссертацией можно ознакомиться в библиотеке Новосибирского государственного технического университета.

Автореферат разослан « В » апреля 2005 года.

Ученый секретарь

диссертационного совета

Чубич В М

:№€- У

,/Ш

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

Основным инструментом работы со сложными объектами сегодня являются экспертные системы пятого поколения, построенные на различных видах отношений между объектами, представляющими собой прецеденты.

Подобные системы нашли применение в различных классах задач, связанных с поддержкой принятия решений:

♦ Получение дополнительной информации (доопределение задачи);

♦ Поиск пары (поиска комплиментарной пары);

♦ Поиск прототипа, идентификация объекта, поиск модели;

♦ Конструирование объекта, управление объектом.

Интерактивная система поддержки принятия решений наряду с объективными формальными данными позволяет учесть опыт, предпочтения и в том числе субъективные оценки лица, принимающего решение.

Специфика подобных систем заключается в том, что их Базу знаний образуют не только логические правила (традиционно именуемые «Базой знаний»), а и так называемая «База прецедентов». Прецедентные системы построены на рассуждениях, основанных на прецедентах (Case-Based Reasoning или CBR). В терминологии CBR прецедент обычно понимается как проблемная ситуация или заранее известная ситуация, которая была изучена и сохранена с целью повторного использования для решения будущих проблем.

Термин «решение проблемы» в данном контексте имеет широкое значение; это не обязательно нахождение конкретного решения соответствующей задачи, это может быть другая проблема, новая интерпретация решаемой проблемы или получение информации, на основании которой судить или критиковать решение предлагается пользователю.

Парадигма CBR объединяет несколько различных методов организации, восстановления, удаления и индексирования знаний, сохраненных в виде прецедентов:

♦ Рассуждения, основанные на образце (Exemplar-based reasoning)

♦ Рассуждения, основанные на примере (Instance-based reasoning)

♦ Рассуждения, основанные на памяти (Memory-based reasoning)

♦ Рассуждения, основанные на случае (Case-based reasoning)

♦ Рассуждения, основанные на аналогии (Analogy-based reasoning) Проблема разработки математического обеспечения является ключевой при

проектировании подобных систем. Ее основные аспекты заключаются в структуризации знаний, связанных с предыдущим опытом; определении близости прецедентов и обосновании сведения искомого решения к запрограммированному решению.

Основная идея работ знаний на

посредством применения объектами.

сложными

Определение близости объектов включает в себя два класса задач: когда отношения, определяющие близость объектов, известны и проблема близости сводится к проблеме изоморфизма, и когда эти отношения не определены и проблема не сводится к изоморфизму. Близость объектов определяется через отношение подобия между ними.

Развитию теории вывода по аналогии и его математическому обеспечению посвящены работы А.И.Уемова, В П.Гладуна, П.Н.Пипунырова, М.С.Строговича, Н И.Кондакова, ПВ.Копнина, А.А.Старченко, С.Осуги, С.Арикавы, М.Харагути, A.Agnar, S Pel, П.Уинстона, Ф.Ибервега, В.Биганского. В работах этих и других авторов достаточно хорошо освещен класс детерминированных отношений подобия. В практических реализациях эти отношения заложены в основу «Базы знаний». Однако класс задач с неопределенным отношением остался за рамками рассмотрения.

Таким образом, основной научной проблемой, пути решения которой рассматриваются в предлагаемой диссертационной работе, является проблема обнаружения недетерминированного отношения между сложными объектами, определяющего их близость. Из всего многообразия подходов, применяемых в прецедентных системах поддержки принятия решений, в данной работе рассматривается подход, базирующийся на каузальной аналогии, в основу которого заложен принцип Уинстона (подобные причины приводят к подобным следствиям).

Цель диссертационной работы

Целью данной работы является создание математического обеспечения для определения отношения подобия между сложными объектами на основе каузальной аналогии и соответствующего ему программного обеспечения задач компьютерной поддержки принятия решений с использованием прецедентов. Для достижения этой цели поставлены и решены следующие задачи:

1) Ввести ряд понятий, расширяющих понятие близости объектов (через парное соответствие прецедентов) за счет системы дополнительных знаний о семантической близости объектов;

2) Сформулировать условия, предъявляемые к определению отношения подобия между объектами, гарантирующие обоснованность и достоверность результатов применения каузальной аналогии;

3) Разработать механизм семантического абстрагирования, основанный на применении системы, содержащей информацию о близости объектов. Таким образом, на программном уровне расширить традиционную База знаний за счет подключения системы дополнительных знаний.

При решении поставленных в работе задач использовались теория и методы искусственного интеллекта, элементы лингвистики, элементы теории двузначной и нечеткой логики, теория экспертных систем, теория графов, методы программирования, а также элементы проектного менеджмента.

Научная новизна работы сортоит в том, что исследован процесс получения новых знаний и когнитивная модель вывода по аналогии. В качестве метода

извлечения знаний предложен вывод по аналогии, причем механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости.

Предложена модель представления знаний, адекватная поставленной задаче. Введен и исследован ряд структурных аналогий и на основе их анализа введены понятия синтаксической и семантической близости прецедентов и разработан механизм поиска близкого прецедента.

Предложен механизм семантического абстрагирования, использующий систему дополнительных знаний о семантической близости. Рассмотрены механизмы, гарантирующие обоснованность полученных результатов. В частности выведено условие, которое обеспечивает сведение аналогии к дедукции (на основе частичного тождества заданных парных соответствий, определяющих близость прецедентов).

Большая часть работ в данной области отдает приоритет семантике проблемной области, в предлагаемой же работе внимание в первую очередь акцентируется на синтаксических структурах и на возможности использования системы дополнительных знаний, что позволяет работать не только в ситуации неполных данных о проблеме, но и переносить информацию между различными проблемными областями.

Теоретическая значимость работы состоит в том, что Исследован процесс получения новых знаний посредством вывода по аналогии - механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости объектов. Исследована модель представления знаний в виде древовидных структур

отражающих синтаксис и семантику знания; Расширено понятие изоморфизма древовидных структур до различных видов

структурных аналогий и исследованы их особенности; Сформулированы и исследованы условия применимости структурного подхода; Введено понятие синтаксической близости прецедентов и разработан механизм поиска синтаксически близкого прецедента на основе структурной аналогии; Предложена форма представления онтологии, описывающей иерархию концептов, связанных отношениями категоризации, и в рамках этого представления разработан механизм семантического абстрагирования. Практическая ценность работы заключается в том, что теоретические положения доведены до прикладных разработок. Предложен метод анализа знаний с целью получения новых знаний. Для этого предложена и обоснована форма представления знаний, оптимальная для поиска близкого прецедента и доказана возможность ее применения. Разработан механизм представления исходной информации оптимальным для дальнейшей обработки образом. Создано программное обеспечение для реализации механизма поиска близкого

прецедента и исследована его эффективность. Создано программное обеспечение для реализации механизма минимизации критерия семантической близости и также исследована его эффективность.

Практическая ценность работы подтверждается возможностью включения подхода в основу разных систем, что отражено в программных приложениях, а также востребованностью предложенной идеи в разных прикладных областях, в частности, таких как экспертиза социальных, исследовательских и инвестиционных проектов, консультирование по социальному проектированию, менеджмент человеческих ресурсов, брокерская деятельность. В работе описана программная реализация ядра системы, и ряд программных приложений, описываемых в диссертационной работе как Примеры 1-5, таких как определение аналогии Пролог-программ, диагностика рабочих обязанностей персонала, прецедентных экспертных систем - поиск по базе данных (реализован на примере базы данных организаций социальной направленности) и система поддержки принятия стратегических решений. Наличие в разработанных экспертных системах базы знаний и относительно универсального решателя делает принципиально возможным создание новых экспертных систем для новых приложений путем разработки новой базы знаний без изменения интерпретатора. Апробация работы

Предлагаемый подход внедрен в рамках интеллектуального поиска по базе данных, которая используется при работе с клиентами в Межрегиональном Общественном Фонде «Сибирский Центр Поддержки Общественных Инициатив» и Некоммерческом Партнерстве «Информационно-Аналитический Центр» (ИнА-Центр). На протяжении разработки описываемого в данной работе подхода различные элементы системы, различные приложения и рекомендации по возможным перспективным приложениям, а также сам подход к построению логики исследования представлялись на международных и межрегиональных конференциях, семинарах и рабочих встречах и на совещаниях с партнерами, таких как (в обратном хронологическом порядке):

1. Школа молодых ученых «Проблемы управления в науке» (Всероссийская сетевая школа), г.Томск, 2004.

2. Семинар по разработке индикаторов эффективности выполнения проекта, г.Душанбе (Таджикистан), г.Ташкент (Узбекистан), 2004.

3. Международная встреча технической группы по взаимодействию Всемирного Банка с некоммерческими организациями Европы и Азии, г.Варшава (Польша), 2003.

4. Международная конференция IPEN (International Program Evaluation Network) «Оценка запланированных социальных изменений в управлении программами и проектами», г.Москва, 2003.

5. Международная конференция Диалог', г.Москва, 2003.

6. Межрегиональный практический семинар по механизмам повышения качества социальных услуг, г.Пятигорск, 2002.

7. Шестой международный научно-технический симпозиум KORUS-2002, г.Новосибирск, 2002.

8. Межрегиональная конференция "Перспективы развития образования", г.Новокузнецк, 2000.

9. Международная конференция "Интернет. Личность. Общество - 1999", г.Санкт-Петербурге, 1999.

10.Международная конференция "Rebirth of Voluntarism in East and East-Central Europe", г.Будапешт (Венгрия), 1997.

11.Вторая международная англоязычная конференция студентов и аспирантов НГТУ, г.Новосибирск, 1996.

12. Первая международная англоязычная конференция студентов и аспирантов НГТУ, г.Новосибирск, 1995.

Публикации

Предлагаемый подход и сферы его приложения в различных проблемных областях отражены в 6 публикациях. Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения, списка литературы (131 источник) и приложений. Общий объем - ¿^страницы. В тексте диссертации имеются Я? рисунков и 12 таблиц.

Первым шагом исследования явилось построение дерева проблем, которое затем было преобразовано в дерево целей и дополнено необходимыми информационными блоками. Таким образом было построено структурное дерево диссертационной работы, которое отражает структуру и основные пункты содержания работы

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснованы выбор темы исследования и ее актуальность, сформулирована главная идея, цель и задачи исследования, определен объект исследования, раскрыта научная новизна и практическая и теоретическая значимость работы.

В главе первой дан аналитический обзор исследований в области управления информационными ресурсами, приведены основные определения, освещены современные направления искусственного интеллекта и виды экспертных систем.

На основе краткого анализа когнитивных процессов человека и механизмов вывода приведена классификация задач, решаемых с помощью аналогии, и классификация методов Case-Based Reasoning. Рассмотрены лингвистические и логические особенности человеческих рассуждений. Представлен математический аппарат вывода по аналогии и освещены вопросы достоверности вывода по аналогии.

В первой главе также приведена неформальная постановка проблемы и обоснован выбор подхода к решению (рассмотрены прожективный и

непрожективный подходы, системный подход, рассмотрены модели интеллекта и интеллектуальных систем) При постановке проблемы проведен анализ работы эксперта-консультанта Задача поставлена в терминах искусственного интеллекта, определено парное соответствие, рассмотрено древовидное представление связного текста, позволяющее формализовать проблему.

Рост объема информации и увеличение сложности ее структуры привели к созданию новых информационных технологий, наиболее перспективным из которых является создание искусственного интеллекта Обзор направлений развития искусственного интеллекта, в частности экспертных систем, приведен в первой главе. Предлагаемый автором в работе подход является ядром прецедентной системы поддержки принятия решений.

При управлении сложными системами, имеющими длительную историю существования, оптимальным вариантом для решения проблемы является принятие решения на основе обращения к банку решенных ранее проблем. Этот же подход является наиболее естественным для человека с точки зрения когнитивной психологии, поэтому разработка теоретической базы решения проблем по аналогии основана на анализе когнитивных процессов человека. В качестве примера в первой главе приведен анализ работы эксперта-консультанта по решению социальной проблемы.

Существуют различные классификации решения проблем, в основе которых лежат различные критерии. В первой главе приведен ряд классификаций видов аналогии и самих задач, решаемых по аналогии; в описана классификация аналогии в исторической перспективе.

Наиболее важный критерий с точки зрения автора - «первичность» проблемы. Исходя из этого критерия выделяется два типа решений (в различной литературе они именуются по-разному): запрограммированные решения (те, с которыми мы сталкивались раньше) и незапрограммированные решения (те, которые возникли впервые, или мы с ними не сталкивались). Решение проблемы предполагает перевод искомого решения из разряда незапрограммированных в разряд запрограммированных.

Подобный поход к решению проблемы основан на выводе по аналогии, который в терминах искусственного интеллекта иллюстрируется следующей схемой (см. Рис.¡у

старая проблема решение старой

проблемы

1 - замещение (ассимиляция), 2 - восстановление (аккомодация) Рис 1 Общая схема вывода по аналогии

Ключевым термином в решении проблем по аналогии является прецедент, то есть описание ситуации, ограниченной во времени и пространстве В терминологии Case-Based Reasoning (CBR), прецедент или случай обычно понимается как проблемная ситуация. Соответственно, новый случай - это описание новой задачи, которая должна быть решена. В работе рассмотрена парадигма CBR (Case Based Reasoning), которая объединяет несколько различных методов организации, восстановления, удаления и индексирования знаний, сохраненных в виде прецедентов, и рассмотрены основные виды CBR-методов (Exemplar-based reasoning, Instance-based reasoning, Memory-based reasoning, Case-based reasoning, Analogy-based reasoning).

Вывод по аналогии на основе обращения к имеющемуся опыту предполагает целостное рассмотрение синтаксиса и семантики. При этом возможны два подхода:

1. использование прямых аналогий в рамках одной прикладной области;

2. так называемый креативный подход, в котором решающую роль играет

синтаксис и возможны сопоставления прецедентов из различных

прикладных областей при допустимом семантическом абстрагировании.

Как видно из проведенного автором анализа имеющихся в данной области

наработок, в современных исследованиях уделено недостаточно внимания разработке математического аппарата и проектированию систем, основанных на креативном комплексном подходе к синтаксису и семантике. Поэтому в данной работе ставилась задача создания открытой системы поддержки принятия решений, рассматривающей как семантический, так и синтаксический (т.е. структурный) аспекты аналогии и основанной на креативном, в первую очередь непрожективном, подходе к решению проблем.

В работе рассмотрены оба - прожективный и непрожективный (близкий к применяемому в ТРИЗ) - подхода к решению задачи. При прожективном подходе больше внимания уделяется семантике, при непрожективном -синтаксису, поскольку именно он отражает внутреннюю сущность явления и его внутренние и внешние связи. Связи между элементами явления или в более сложном случае связи между явлениями ханактеризуются с двух сторон: синтаксической и семантической стороны, что находит отражение в представлении прецедента в виде структурного дерева (процедура построения которого приведена во второй главе). При формализации прецедента должны быть учтены лингвистические и логические особенности рассуждений (в том числе использование энтимем и роль пресупозиций) и вопросы достоверности вывода по аналогии, включая учет особенностей индивидуального сознания и учет онтологии (под онтологией в данном контексте понимается объединенная единой семантикой часть модели мира, которой соответствует единая проблемная область), что освещено в первой главе.

Представление описания явления в виде дерева позволяет построить редукционную модель проблемы.

В главе введен математический аппарат для описания вывода по аналогии и построения модели на основе теории множеств.

В главе второй дана формальная математическая постановка задачи. Приведено определение парного соответствия, детально рассмотрена формализация аналогии и определение аналогии через дедукцию. Разработан механизм поиска решения. Введено понятие структурного дерева и сформулирована и доказана теорема о существовании структурного дерева проблемы.

Рассмотрим два объекта: Я] и Пусть Ъ1 ¡, Ь2¡, , Ьп¡, а/ - факты, справедливые в 5/, причём Ь1 /, Ь2 ¡, , Ьп] являются предпосылками, а/ -заключением. Также Ь12, Ь22, , ЪП2, «2 - факты, справедливые в Л'т, причём Ь12, Ь22, ЬП2 являются предпосылками, а! - заключением. <р - парное соответствие, определяющее близость. Тождественность предпосылок записывается как Ь'¡<р Ь 2, 1=1,- ,п Тогда аналогия - это вывод о2 в Б2 такого, что (¡¡(р ^(согласно принципу Уинстона).

Для строгого определения аналогии необходимо задать: определение подобия (р;

метод получения <р из заданных объектов 5/ и Л'?;

операцию для вывода а2 такого, что а¡(ра2 на основе (р (см.Рис •£).

Мрс Л1

■ подобие Ф

предпосылкиЪ оЩ)

гющбие^

&2

Рис 2 Математический аппарат вывода по аналогии В работе объекты аналогии представляются через предложения логики предикатов первого порядка. Во второй главе введена графическая форма вывода по аналогии:

(Конкретизация) А¡<-В/В "

(Преобразование правила а/ ь/ ,Ь "

с помощью ср)

(Модус поненс) Ь2' .,Ь" а2 <~Ь2 ...,Ь2"

<*2

Факт а 2, который получен как следствие аналогии, не обязательно является логическим следствием Б2, хотя парное соответствие (¡> дает основание

полагать, что а2 справедлив. Поэтому, предположив существование можно продолжить процесс вывода.

С точки зрения заданных объектов и ^ выведенные атомы а,, е М,(*), в общем случае логически не следуют из 5/ и 5*2, поэтому вывод, осуществленный вышеописанным образом, является не достоверным выводом, а правдоподобным Однако случай известного парного отношения <р можно считать вариантом дедукции. На самом деле атом ад. е М,(*) логически выводится из суммы аналогий 5 и Яд, определённой во второй главе.

Сумма аналогий - это ограниченное множество правил, состоящее из следующих подмножеств:

(В.1) множества правил, определяющих парное соответствие <р, (Я2) так называемых «копий» 5у и

(ЯЗ) множества правил, выполняющих преобразование правил.

Если для заданных и парное соответствие <р определено, то, согласно используемой в главе Теореме 1 (О сумме аналогий), аналогия с помощью <р — это дедукция из суммы аналогий 5/ <р $2-

Во второй главе поставлена наиболее важная задача при оперировании аналогией - метод определения (р. Задача ограничена представлением проблемы на языке предикатов первого порядка (одна из форм представления объектов аналогии).

Пусть есть нерешённая проблема Рд, описываемая как представление в терминах логики предикатов первого порядка РРд, которое в вышеприведенной графической форме есть правило Яд: ад <— Ьд .. ,Ьд" , причем Ьд ... ,Ьд -формулировка проблемы, ад - решение проблемы, которое неизвестно и которое требуется найти. Таким образом, имеем следующую форму: Рд о РРд <^>ао Ьд _ .. ,Ьд"

Пусть есть База Проблем, содержащая решенные ранее проблемы Р*. 1=1,....п. Все элементы Базы Проблем будут последовательно анализироваться на близость проблеме Рд Пусть каждый подлежащий анализу элемент Базы, то есть решенная проблема Р* 0=1,... п), описана представлением в терминах логики предикатов первого порядка РР*', которое в вышеприведеной графической форме есть правило а] <- ь/ . ,Ь" , причем ь/ .. ,Ь" -формулировка проблемы, а - решение проблемы, которое известно. Таким образом, имеем следующую форму: Р,* о РР* <^>aJ <— Ь, . ,Ь,

Требуется решить проблему Р^.то есть найти что в формулировке через представления эквивалентно построению/3/^ . Представления РРд и РР* могут быть сведены к Пролог-программам, то есть к хорновскому подмножеству логики предикатов первого порядка. Назовем соответствующее решенной

проблеме представление определенной Пролог-программой, а соответствующее нерешенной проблеме представление - недоопределенной Пролог-программой

Проблема, представленная в логике предикатов первого порядка, представима в виде структурного дерева, отражающего синтаксическую и семантическую стороны проблемы, что конструктивно доказано автором в Теореме 2 (О существовании структурного дерева проблемы) в этой же главе {Какова бы не была проблема, описанная в терминах логики предикатов первого порядка, всегда существует соответствующее ей древовидное представление).

Пусть нерешенной проблеме Ро соответствует структурное дерево То, решенной проблеме Р* - дерево Т*, причем подобное соответствие определено для всех содержащихся в базе решенных проблем Р,*, у'=/, . , п, поэтому индекс j будет для упрощения записи опущен, поскольку все решенные проблемы будут последовательно проанализированы на близость нерешенной проблеме Таким образом, модель решения проблемы по аналогии иллюстрируется схемой, приведенной на Рис.3, где к

(р - парное соответствие между правилами логики предикатов первого

порядка.

рр

(р - парное соответствие между Пролог-программами.

1

<р - парное соответствие между структурными деревьями.

ц}'^ - соответствие между представлением проблемы в логике предикатов

первого порядка и в виде Пролог-программ.

у/ - соответствие между представлением проблемы в логике предикатов первого порядка и представлением в виде структурных деревьев. у)11 - соответствие между Пролог-программой проблемы и структурным деревом проблемы.

, Лягяьал ^мш» '—^¿Ьеяаную.

Представление логики предикатов в виде Пролог-программ

Представление в виде структурных деревьев

Представление проблемы в терминах логики предикатов I порядка

Рис 3 Модель решения проблемы по аналогии.

Более подробно исследован метод получения новых знаний на основе модели изображенной на Рис 6/.

Дерево решения

Представление

виде структурных деревьев

Представление в логике предикатов I порядка

Рис^ Модель решения задачи

В рамках доказательства Теоремы 2 (О существовании структурного дерева

проблемы) во второй главе определено преобразование В третьей главе т

определено ф , соответствующее блоку анализатору на схеме системы вывода по аналогии (см.Рис.З):

Рис У Схема системы вывода по аналогии В главе третьей рассмотрены методы решения задачи. Приведена математическая модель поиска аналогичного прецедента: рассмотрены виды парного соответствия, проанализирована аналогия на основе частичного тождества. Введено понятие структурной близости деревьев, понятие синтаксической близости, понятие семантической близости. Введены деревья категорийных матриц. Определено усредненное общее дерево и универсальное дерево решения. Разработана классификация топологических и семантических вариантов, возникающих при обходе пары деревьев.

В третьей главе введено понятие аналогичности прецедентов, определен многокритериальный подход к поиску близкого прецедента (включая классификацию критериев оптимального решения) и разработан механизм поиска близкого прецедента.

Поскольку, если для заданных S и Sf, парное соответствие <р определено, то согласно приведенной выше Теореме 1 (О сумме аналогий), аналогия с помощью (р — это дедукция из суммы аналогий S (р So, то основная задача третьей главы заключается в определении у

Рассмотрение видов парного соответствия и введение предиката структурной эквивалентности термов (в смысле возможности унификации в соответствии с логикой предикатов первого порядка) позволяет определить логику первого порядка LOG((p), которая дает условия того, что <р является частичным тождеством (используется Теорема 3 (О непротиворечивости логики)' дчя парного сответствия <р следующие два усчовия равнозначны (р -частичное тождество, LOG((p)- непротиворечивая логика).

Исходя из вышеописанного, для заданных представлений объектов S и Sq проблема выводов по аналогии разбивается на две подпроблемьг

1) Проблема получения (р, для которого LOG(<p) непротиворечива.

2) Вывод новых фактов по дедукции из суммы аналогии S <р Sq для полученного <Р-

Поэтому в главе третьей описаны шаги реализации механизма аналогии:

1) Получение парного соответствие между моделями множеств определенных предложений, затем преобразование правил и одновременно с преобразованием проверка согласования частичных тождеств, частично определив тем самым (р. На этом шаге применяется лемма о частичном тождестве и Теорема 4 (О расширенном условии частичного тождества -COND) COND обеспечивает возможность унификации

2) Преобразование правил с применением конкретизации и правила «модус поненс» в системе обработки логических программ. Искомая процедура вывода состоит из двух процедур: интерпретатора, который считает S логической программой и выполняет ее процедурную интерпретацию; и процедуры, выполняющей преобразование правил от цели к фактам. Поскольку в качестве интерпретатора используется интерпретатор чистого Пролога, то процедуру вывода можно считать логической программой, расширяющей этот интерпретатор (что подробно описано в четвертой главе).

Доказанная выше Теорема 2 (О существовании структурного дерева) предоставляет возможность сведения основной задачи исследования к определению парного соответствия q> между проблемами, представленными в виде структурных деревьев, не противоречащего логике предикатов первого порядка, то есть согласно Теореме 4 (Об условии частичного тождества) удовлетворяющего расширенному условию частичного тождества COND Через q> определяется близость прецедентов (р

Близость прецедентов определяется как совокупность структурной и семантической близости, причем структурная близость первична и выражается через понятие аналогичности, которая определяется через изоморфизм. Два дерева Т] и Т2 изоморфны, если Т2 может быть получено из Т] изменением порядка ветвей в поддеревьях.

Под двумя аналогичными деревьями понимаются два изоморфных дерева или изоморфно вложенных одно в другое дерева Т; и Т2, причем накладываемые друг на друга вершины должны одноименными или синонимичными В случае рассмотрения структурных деревьев категорий накладываемые друг на друга вершины должны относиться к одной категории языка или совпадать Ветви типа

с/

/ I а/ с1

/ I а2 :

с{

/ \ ап-1 ап

считаются аналогичными ветвям с1

// \ а/ а2 ■■■ а„

Дерево Т/ /-аналогично дереву Т2, если корень Т/ совпадает (или синонимичен) с некоторой вершиной V дерева и часть дерева Т2, находящаяся ниже V, аналогична Т/

Дерево Т2 из предыдущего определения О-аналогично дереву Т/ Двигаясь по анализируемым деревьям сверху вниз и слева направо, можно вводить комбинации определенных выше отношений, при этом в рассмотрение включаются дополнительные и добавочные поддеревья (или листья): Дополнительные поддеревья (или листья) присутствуют в о-аналогичном дереве, но отсутствуют в парном ему /-аналогичном дереве. Добавочные поддеревья (или листья) присутствуют в /аналогичном дереве, но отсутствуют в парном ему о-аналогичном дереве.

Изоморфная с точностью до синонимов часть обоих деревьев называется общим деревом.

Дерево, полученное путем наложения обоих деревьев (включающее в себя дополнительные листья и поддеревья и добавочные листья и поддеревья), называется деревом решения. Деревья Т] и Т2 аналогичны, если дерево Т/ О-аналогично или 1-аналогично дереву Т2.

Введенные выше аналогии назовем структурными аналогиями

Согласно Теореме 2 (О существовании структурного дерева пробчемы), каждому прецеденту можно поставить в соответствие дерево. Пусть V- отношение синтаксической близости прецедентов Р\ и Прецеденты Р; и Р2 называются синтаксически близкими (Р/ V Р2), если соответствующие им деревья аналогичны Пусть V1 - обозначение отношения синтаксической 1-близости Прецедент Р1 называется синтаксически /-близким прецеденту Р2 (Р1 к/ Р2), если соответствующее ему дерево ¡-аналогичны дереву прецедента Р2.

Пусть уо -обозначение синаксической о-близости Прецедент Р1 называется синтаксически О-близким прецеденту Р2 (Р1 уо Р2), если соответствующее ему дерево О-аналогично дереву прецедента Р2

Подобным же образом вводится определение общего дерева прецедентов В третьей главе рассмотрены свойства отношений синтаксической близости и вводится определение семантической близости. В качестве подхода к определению семантической близости предложено построение категорийных матриц в третьей главе.

Дерево категорийных матриц есть некоторое простейшее формализованное представление базовых знаний проблемной области, выраженное через родовидовые отношения; это простейший случай онтологии, описывающей иерархию концептов, связанных отношениями категоризации. Представление в виде родо-видовых отношений позволяет применить объектно-ориентированный подход и проводить процедуру концептуального абстрагирования, используя систему дополнительных знаний для определения близости прецедентов. Дополнение схемы вывода по аналогии механизмом абстрагирования дает усовершенствованную схему вывода по аналогии (см

Рис 8)

ниш И/Я ' К 1(17

Г 1 ии'НШ НЧаОи Щ II1 <1 У! I

ШшШВшШШШ)ШжШ1

аострагиррваиче

Рис 6 Схема вывода по аналогии с использованием абстрагирования

При анализе пары деревьев на аналогичность осуществляется обход и анализ обоих деревьев и одновременное построение общего дерева и дерева решения. Цель построения дерева решения - в получении информации, которая необходима для решения исходной проблемы.

Выводы о возможном получении новой информации при рассмотрении пары вершин делаются с учетом топологии (то есть синтаксической структуры) рассматриваемых деревьев. Имея набор общих деревьев путем наложения их и вьгделения общей для всех части строится усредненное общее дерево. Наложение друг на друга деревьев решений дает универсальное дерево решения. В работе приводится классификация топологических и семантических вариантов при обходе пары деревьев и 36 их сочетаний с целью определения специфики возможностей переноса информации с одного прецедента на другой.

В третьей главе введены понятия аналогичности прецедентов: Как было обозначено во второй главе, парное соответствие <р -это отношение аналогичности прецедентов Р( и Р2, определяющее их близость.

Прецедент Р] I-аналогичен Р2 тогда и только тогда, когда Pj синтаксически ¡-близок Р2 и Pi семантически близок Р2: Pi <р Р2 <->

(Р, v' P2)&(Pi и Р2)

Прецедент Р] о-аналогичен Р2 тогда и только тогда, когда Р] синтаксически о-близок Р2 и Pj семантически близок Р2 Р] (р° Р2 о(Р, v° Р2)&(Р| цР2).

Тем самым (р обозначает отношение аналогичности прецедента Р2 прецеденту Р¡, тогда: Pj (р Р2 <-> (Р, <р Р2)&(Р] Ц Р2) OR (Pi <р° Р2)& (Р1 ц Р2).

В работе рассмотрены свойства отношений аналогичности и удовлетворение <р расширенному условию частичного тождества COND.

В контексте аналогичности прецедентов очевидным становится смысл понятия и цель нахождения дополнительных и добавочных поддеревьев и листьев. Эти понятия переформулированы следующим образом:

Пусть прецедент Pj о-аналогичен прецеденту Р2 , следовательно, прецедент Pi более информативен, чем Р2. Информация, отсутствующая в Р2, представляет собою поддеревья или листья Р1, которых нет в Р2. Такие деревья или листья называются соответственно дополнительными поддеревьями или листьями. Наряду с этим возможно, что в Р2 имеется дополнительная информация, отсутствующая в Р/.

Пусть в Р2 имеются листья или поддеревья, отсутствующие в Р] Они называются соответственно добавочными листьями или поддеревьями

Задача определения аналогичности прецедентов является трудно формализуемой задачей и ей присуща многокритериальность: эффективность стратегии оценивается не одним, а несколькими критериями 11,. В работе классифицированы и анализируются количественные и качественные критерии выбора оптимального решения.

В конце главы приведен алгоритм определения близости прецедентов и резюмированы методы, используемые на различных этапах задачи построения системы поддержки принятия решений

Результатом работы системы поддержки принятия решения не обязательно является нахождение конкретного решения соответствующей задачи; это может быть другая проблема или дерево решения, получив представление о которых эксперт интерпретирует проблемную ситуацию, сгенерирует набор возможных решений и выберет оптимальное решение исходной задачи. Или же система предложит набор решений, проранжированных по предпочтительности согласно определенным критериям, однако, принимать окончательное решение предстоит пользователю. В третьей главе проанализированы факторы, влияющие на адаптацию усредненного дерева решения до решения проблемы и сформулированы для каждого класса задач, решаемых по аналогии, рекомендации по адаптации результатов вывода по аналогии.

В главе четвертой описано программное обеспечение, реализующее предлагаемый подход и представлены программные приложения. Обоснован выбор Пролога в качестве языка программной реализации предлагаемого подхода. Предложена процедура определения парного соответствия.

В четвертой главе приведены описания следующих программных приложений:

♦ Программное приложение 1. Подбор пар аналогичных деревьев (Пример 1);

♦ Программное приложение 2. Аналогия пролог-программ, включая три подробных примера работы приложения (Пример 2);

♦ Программное приложение 3. Интеллектуальный поиск по базе данных, (реализованный в МОФ «Сибирский Центр Поддержки Общественных Инициатив» (Пример 3);

♦ Программное приложение 4. Диагностика оптимизации рабочих обязанностей и загрузки персонала, применяемая в МОФ «Сибирский Центр Поддержки Общественных Инициатив» и НП ИнА-Центр (Пример 4);

♦ Программное приложение 5. Система поддержки принятия стратегических решений, применяемая в НП «Информационно-Аналитический Центр» (Пример 5).

Как было определено в предыдущей главе, для построения парного соответствия требуется определить условия, которые обеспечивают

частичное тождество заданных парных соответствий. В четвертой главе подробно описан метод реализации механизма аналогии, выполняющего выводы на основе <р, если с помощью определенного в третьей главе условия COND обнаружено частичное тождество (р.

Определение условий и первый шаг реализации механизма аналогии были рассмотрены подробно в третьей главе. Второй шаг заключает в себе преобразование правил с применением конкретизации и правила «модус поненс» в системе обработки логических программ (в данном случае интерпретатором Пролога).

Как было сказано выше, процедура вывода от цели к фактам факта а е М(*) или ац е Мо(*) для некоторого частичного тождества (р состоит из двух процедур:

R1) процедуры-интерпретатора, который рассматривает S как логическую программу и выполняет ее процедурную интерпретацию. В качестве интерпретатора предлагается интерпретатор чистого Пролога;

R2) процедуры, выполняющей преобразование правил от цели к фактам. В четвертой главе приведена процедура вывода (Пролог-программа), которая одновременно с определением некоторого частичного тождества (р для атома ао в So показывает с помощью механизма выводов от цели к фактам, используемого Прологом, что ао е Mq(*).

Итогом служит описание ядра программного обеспечения, которое используется как база для пяти программных приложений, приведенных ниже в этой же главе. Ядро представляет собой программу, сравнивающую два дерева прецедентов на аналогичность.

В четвертой главе приведены краткие сведения о двух организациях, на базе которых апробированы практические приложения предлагаемого подхода.

В заключении приведены результаты, достигнутые в ходе работы над диссертацией и определены сферы применения разработанного подхода.

В работе приведен список литературы, использованный при проведении исследования, содержащий 131 наименование.

ЗАКЛЮЧЕНИЕ

В работе обоснован и описан подход к получению новых знаний, основанный на расширенной схеме вывода по аналогии: введен ряд понятий, расширяющих понятие близости объектов через систему дополнительных знаний. Основные результаты работы:

♦ Исследован процесс получения новых знаний и когнитивная модель вывода

по аналогии;

♦ Проанализированы разработки в области исследования аналогии и

прецедентного подхода;

В качестве метода извлечения знаний предложен вывод по аналогии, причем механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости.

♦ Исследована модель представления знаний в виде древовидных структур отражающих синтаксис и семантику знания;

♦ Доказана возможность перехода от операций над прецедентами, описанными в логике предикатов первого порядка к операциям над

11 древовидными структурами, учитывающим синтаксическую и

семантическую структуру прецедентов;

♦ Предложен метод анализа знаний с целью получения новых знаний основанный на каузальной аналогии и использовании системы дополнительных знаний:

♦ Расширено понятие изоморфизма древовидных структур до различных видов структурных аналогий;

♦ Разработан механизм поиска синтаксически близкого прецедента (на основе структурной аналогии);

♦ Предложена форма представления онтологии, описывающей иерархию концептов, связанных отношениями категоризации, и в рамках этого представления разработан механизм семантического абстрагирования

♦ Сформулированы условия, гарантирующие обоснованность и достоверность результатов применения каузальной аналогии.

В результате работы определен подход к установлению близости между сложными объектами через систему дополнительных знаний и реализованы соответствующие программные приложения. Данный подход может быть использован:

♦ в прецедентных экспертных системах для поиска прецедента, аналогичного решаемой пользователем проблеме, и дальнейшего его восстановления (адаптации);

♦ при решении задач управления в некоторой области, где уже наработана некоторая база решенных управленческих задач;

♦ при конструировании объекта;

♦ при построении модели или идентификации объекта; Сферами приложения подхода являются:

♦ управление организацией; управление персоналом;

♦ менеджмент проектов; экспертиза (например, социальных и инвестиционных проектов); мониторинг (например, в области

< нефинансового аудита);

♦ диагностика (например, в области мобилизации ресурсов организации);

♦ консалтинг и коучинг в различных областях;

♦ работа с базами данных сложных объектов;

♦ прогнозирование (например, брокерская деятельность);

♦ управление сложными объектами (авиация, энергетика и тд.);

♦ патентоведение (поиск ближайшего аналога нового изобретения);

♦ решение изобретательских задач В работе уделено достаточное внимание непрожективному подходу к решению задач.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Основные результаты нашли отражение в следующих публикациях:

1. Дегтярева И.В. (Решта). METAPHORS. NON-CLASSIC APPROACH ТО PROBLEM SOLUTION (Метафоры. Неклассический подход к решению проблем) // Материалы первой международной англоязычной конференции студентов и аспирантов НГТУ, г.Новосибирск, 1995 (3 стр.)

2. Дегтярева И.В. (Решта). SOLVING PROBLEMS BY ANALOGY (Решение проблем по аналогии) // Материалы второй международной англоязычной конференции студентов и аспирантов НГТУ, г.Новосибирск, 1995 (3 стр.).

3. Дегтярева И.В. (Решта). SIBERIAN VOLUNTEER PROGRAM EXPERIENCE. SOCIAL TECHNOLOGY AND TECHNOCAL SUPPORT (Сибирский опыт добровольческих программ Социальные технологии и техническая поддержка) П Труды международной конференции "Rebirth of Voluntarism in East and East-Central Europe", г.Будапешт, 1997. (4 стр.)

4. Решта И.В. ДИСТАНЦИОННОЕ ОБРАЗОВАНИЕ. РАСПРЕДЕЛЕННЫЙ ПРОЕКТ: ОПЫТ МОФ СЦПОИ // Труды межрегиональной конференции "Перспективы развития образования", г.Новокузнецк, 2000. (8 стр )

5 Хабаров В.И., Решта И.В. СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. ПРЕЦЕДЕНТНЫЙ ПОДХОД // Материалы шестого международного научно-технического симпозиума, г.Новосибирск, 2002. (10 стр.)

6. Решта И.В. ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. СТРУКТУРНЫЙ ПОДХОД // Материалы международной конференции Диалог' 2003, М., 2003 (8 стр.)

Подписано в печать 4 4 Формат бумаги 60x84 1/16

Печ.л. 1,25 Тираж 100 экз

#-(5 бИ

РНБ Русский фонд

2006-4 5537

Введение.

Глава 1. Аналитический обзор.

Определения.

Аналитический обзор.

Обзор исследований в области управления информациоными ресурсами.

Когнитивные процессы человека и механизмы вывода.

Классификация задач, решаемых с помощью аналогии.

Типы cbr-методов.;.

Математический аппарат вывода по аналогии.

Достоверность вывода по аналогии.

Неформальная постановка проблемы и выбор подхода к решению.

Прожективный и непрожективный подходы.

Креативный подход и творческое мышление.

Системный подход к построению исппр.

Модели интеллекта и интеллектуальных систем.

Постановка проблемы.

Анализ работы эксперта-консультанта.

Постановка проблемы в терминах искусственного интеллекта.

Определение парного соответствия.

Представление проблемы на естественном языке.

Древовидное представление связного текста.

Представление текста в виде правил.

Построение модели.

Глава 2. Постановка задачи.

Определение парного соответствия.

Формализация аналогии.

Аналогия через дедукцию.

Формальное представление проблемы.

Глава 3. Методы решения задачи.

Математическая модель поиска аналогичного прецедента.

Виды парного соответствия. реализация механизма аналогии.

Ф Структурная близость деревьев.

Понятие аналогичности прецедентов.

Многокритериальный подход.

Адаптация оптимального решения.

Выводы о реализации методов.

Алгоритм решения проблемы.

Методы построения системы поддержки принятия решений.

Глава 4. Программное обеспечение и программные приложения.

Выбор языка.

Процедура определения парного соответствия.

Основной модуль программного обеспечения.

Пример 1. Подбор пар аналогичных деревьев. ф Пример 2. Аналогия пролог-программ.

Определение аналогичности проблем.

Программная реализация вывода по аналогии.

Примеры работы приложения.

Пример 3. Интеллектуальный поиск по базе данных.

Пример 4. Диагностика оптимизации рабочих обязанностей.

Пример 5. Система поддержки принятия стратегических решений.

Постановка задачи.

Разработка системы поддержки принятия стратегических решений.

Логика принятия стратегического решения.

Обоснование выбора рекомендации: многокритериаль-ный подход.

Программное обеспечение.

3 акл ючение.

Современному человеку в процессе принятия профессиональных и иных решений приходится затрачивать много времени и средств на анализ огромных массивов разнородной информации. Целью этой ресурсоемкой работы является выбрать наилучшее решение проблемы (удовлетворяющее ряду критериев), обосновать его, спрогнозировать и оценить возможные последствия (см.Приложение 1, Рис.П.1.1).

Выбор в реальных ситуациях требует выполнения ряда операций, одни из которых более эффективно выполняет человек, а другие может эффективно выполнять машина. Эффективное объединение их достоинств при одновременной компенсации недостатков и воплощается в автоматизированных системах поддержки принятия решений. Основным инструментом работы со сложными объектами [Налимов В., 47] сегодня являются экспертные системы пятого поколения, построенные на различных видах отношений между объектами, представляющими собой прецеденты.

Подобные системы нашли применение в различных классах задач, связанных с поддержкой принятия решений: получение дополнительной информации (доопределение задачи); поиск пары (поиска комплиментарной пары); поиск прототипа, идентификация объекта, поиск модели; конструирование объекта, управление объектом. Интеллектуальная система поддержки принятия решений (ИСППР) наряду с объективными формальными данными позволяет учесть опыт и субъективные оценки лица, принимающего решение [Трахтенгерц Э., 119]. ИСППР не заменяет творческий подход лица, принимающего решение, а помогает человеку: проанализировать большой объем информации; учесть экспертные оценки группы специалистов; более четко формально сформулировать множество возможных вариантов решения; быстро проанализировать соответствие возможных решений различным критериям; предположить последствия принимаемых решений; получить логическое обоснование выбора решения.

Специфика систем пятого поколения заключается в том, что их Базу знаний образуют не только логические правила (традиционно именуемые «Базой знаний»), а и так называемая «База прецедентов». Прецедентные системы построены на рассуждениях, основанных на прецедентах (Case-Based Reasoning или CBR). В терминологии CBR прецедент обычно понимается как проблемная ситуация или заранее известная ситуация, которая была изучена и сохранена с целью повторного использования для решения будущих проблем. Термин «решение проблемы» в данном контексте имеет широкое значение; это не обязательно нахождение конкретного решения соответствующей задачи, это может быть другая проблема, новая интерпретация решаемой проблемы или получение информации, на основании которой судить или критиковать решение предлагается пользователю.

Человек лучше, чем машина принимает решения в условиях неопределенности, но и ему для принятия верного решения необходима адекватная (полная и достоверная) информация, характеризующая предметную область. Однако известно, что человек плохо справляется с большими объемами "сырой" необработанной информации. Поэтому роль машины в поддержке принятия решений может заключаться не в получении окончательного решения как такового, а в осуществлении предварительной подготовки информации об объекте управления и неконтролируемых факторах (среде), с целью помочь просмотреть последствия принятия тех или иных решений, а также в представлении всей этой информации в наглядном и удобном для принятия решений виде.

Таким образом, ИСППР пятого поколения позволяют сочетать возможности вычислительной техники по быстрой обработке больших массивов информации с математическими методами теории принятия решений, системным подходом к анализу проблемной области, данными когнитивных и психологических исследований и опытом специалистов-экспертов, тем самым расширяя интеллектуальные возможности компьютеров.

Парадигма CBR объединяет несколько различных методов организации, восстановления, удаления и индексирования знаний, сохраненных в виде прецедентов:

Рассуждения, основанные на образце (Exemplar-based reasoning)

Рассуждения, основанные на примере (Instance-based reasoning)

Рассуждения, основанные на памяти (Memory-based reasoning)

Рассуждения, основанные на случае (Case-based reasoning)

Рассуждения, основанные на аналогии (Analogy-based reasoning) Проблема разработки математического обеспечения является ключевой при проектировании подобных систем. Ее основные аспекты заключаются в структуризации знаний, связанных с предыдущим опытом; определении близости прецедентов и обосновании сведения искомого решения к запрограммированному решению [Simon Н., 33].

Определение близости прецедентов включает в себя два класса задач: когда отношения, определяющие близость объектов, детерминированы и проблема определения близости между ними сводится к проблеме изоморфизма и когда эти отношения не определены и проблема шире проблемы изомрфизма. Близость объектов определяется через отношения подобия между ними. Развитию теории вывода по аналогии и его математическому обеспечению посвящены работы А.И.Уемова, В.П.Гладуна, П.Н.Пипунырова, М.С.Строговича, Н.И.Кондакова, П.В.Копнина, А.А.Старченко, С.Осуги, С.Арикавы, М.Харагути, A.Agnar, S.Pel, П.Уинстона, Ф.Ибервега, В.Биганского. В работах этих и других авторов достаточно хорошо освещен класс детерминированных отношений подобия. В практических реализациях эти отношения заложены в основу «Базы знаний». Однако класс задач с неопределенным отношением остался за рамками рассмотрения.

Таким образом, основной научной проблемой, пути решения которой рассматриваются в предлагаемой диссертационной работе, является проблема обнаружения отношения подобия между сложными объектами, определяющего ф их близость. Из всего многообразия подходов, применяемых в прецедентных системах поддержки принятия решений, в данной работе рассматривается подход, базирующийся на каузальной аналогии, в основу которого заложен принцип Уинстона (подобные причины приводят к подобным следствиям). Целью данной работы является создание математического обеспечения для определения отношения подобия между сложными объектами на основе каузальной аналогии и соответствующего ему программного обеспечения задач компьютерной поддержки принятия решений с использованием прецедентов. Для достижения этой цели поставлены и решены следующие задачи:

1. Ввести ряд понятий, расширяющих понятие близости объектов (через парное соответствие прецедентов) за счет системы дополнительных знаний о семантической близости объектов;

2. Сформулировать условия, предъявляемые к определению отношения подобия между объектами, гарантирующие обоснованность и достоверность результатов применения каузальной аналогии;

3. Разработать механизм семантического абстрагирования, основанный на применении системы, содержащей информацию о близости объектов. Таким образом, на программном уровне расширить традиционную База знаний за счет подключения системы дополнительных знаний.

На начальном этапе исследования был применен проектный подход [«Общее управление НКО», 95] и построено дерево проблем, корнем которого явилась проблема «Проблема не решена» (см.Приложение 1, Рис.П.1.2). Затем по дереву проблем было построено дерево целей. Наполнение узлов дерева целей ® определило блоки работ в рамках исследования и тем самым дерево целей с конкретизированными узлами определяет логику представляемой исследовательской работы, что отражено на Рис.П.1.3. в Приложении 1.

При решении поставленных в работе задач использовались теория и методы искусственного интеллекта, элементы лингвистики, элементы теории двузначной и нечеткой логики, теория экспертных систем, теория графов, методы программирования, а также элементы проектного менеджмента. При разработке системы поддержки принятия решений методология исследования опиралась на принципы системности (применен как реляционный, так и объектно-ориентированый подход), оптимальности (определены условия и построены критерии) и адаптивности (учтены параметрические свойства объектов), а также синергетичности (рассмотрены структурные свойства). Научная новизна работы состоит в том, что исследован процесс получения новых знаний и когнитивная модель вывода по аналогии. В качестве метода извлечения знаний предложен вывод по аналогии, основанный на механизме определения отношения подобия (р между сложными объектами Sj и через введение системы S3 дополнительных знаний о семантической близости (см.Рис.В Л):

Рие.В.1. Определение близости объектов через систему дополнительных знаний

Предложена модель представления знаний, адекватная поставленной задаче. Введен и исследован ряд структурных аналогий и на основе их анализа введены понятия синтаксической и семантической близости прецедентов и разработан механизм поиска близкого прецедента.

Предложен механизм семантического абстрагирования, использующий систему дополнительных знаний о семантической близости. Рассмотрены механизмы, гарантирующие обоснованность полученных результатов. В частности выведено условие, которое обеспечивает сведение аналогии к дедукции (на 5 з основе частичного тождества заданных парных соответствий, определяющих близость прецедентов).

Большая часть работ в данной области отдает приоритет семантике проблемной % области, в предлагаемой же работе внимание в первую очередь акцентируется на синтаксических структурах и на возможности использования системы дополнительных знаний, что позволяет работать не только в ситуации неполных данных о проблеме, но и переносить информацию между различными проблемными областями. Теоретическая значимость работы состоит в том, что

Исследован процесс получения новых знаний посредством вывода по аналогии - механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости объектов.

Исследована модель представления знаний в виде древовидных структур отражающих синтаксис и семантику знания;

Расширено понятие изоморфизма древовидных структур до различных видов структурных аналогий и исследованы их особенности;

Сформулированы и исследованы условия применимости структурного подхода;

Введено понятие синтаксической близости прецедентов и разработан механизм поиска синтаксически близкого прецедента на основе структурной аналогии;

Предложена форма представления онтологии, описывающей иерархию концептов, связанных отношениями категоризации, и в рамках этого представления разработан механизм семантического абстрагирования.

Практическая ценность работы заключается в том, что теоретические * положения доведены до прикладных разработок. Предложен метод анализа знаний с целью получения новых знаний. Для этого предложена и обоснована форма представления знаний, оптимальная для поиска близкого прецедента и доказана возможность ее применения. Разработан механизм представления исходной информации оптимальным для дальнейшей обработки образом. Создано программное обеспечение для реализации механизма поиска близкого прецедента и исследована его эффективность. Создано программное обеспечение для реализации механизма минимизации критерия семантической близости и также исследована его эффективность.

Практическая ценность работы подтверждается возможностью включения подхода в основу разных систем, что отражено в программных приложениях, а также востребованностью предложенной идеи в разных прикладных областях, в частности, таких как экспертиза социальных, исследовательских и инвестиционных проектов, консультирование по социальному проектированию, менеджмент человеческих ресурсов, брокерская деятельность. В работе описана программная реализация ядра системы, и ряд программных приложений, описываемых в диссертационной работе как Примеры 1-5, таких как определение аналогии Пролог-программ, диагностика рабочих обязанностей персонала, прецедентных экспертных систем - поиск по базе данных (реализован на примере базы данных организаций социальной направленности) и система подержки принятия стратегических решений. Наличие в разработанных экспертных системах базы знаний и относительно универсального решателя делает принципиально возможным создание новых экспертных систем для новых приложений путем разработки новой базы знаний без изменения интерпретатора.

Предлагаемый подход апробирован и внедрен в рамках интеллектуального поиска по базе данных, которая используется при работе с клиентами в Межрегиональном Общественном Фонде «Сибирский Центр Поддержки Общественных Инициатив», некоммерческом партнерстве «Информационно-Аналитический Центр». На протяжении разработки описываемого в данной работе подхода различные элементы системы, различные приложения и рекомендации по возможным перспективным приложениям, а также сам подход к построению логики исследования представлялись на международных и межрегиональных конференциях, семинарах и рабочих встречах и на совещаниях с партнерами, таких как (в обратном хронологическом порядке):

1. Школа молодых ученых «Проблемы управления в науке» (Всероссийская сетевая школа), г.Томск, 2004.

2. Семинар по разработке индикаторов эффективности выполнения проекта, г.Душанбе (Таджикистан), г.Ташкент (Узбекистан), 2004.

3. Международная встреча технической группы по взаимодействию Всемирного Банка с НКО Европы и Азии, г.Варшава (Польша), 2003.

4. Международная конференция IPEN (International Program Evaluation Network) «Оценка запланированных социальных изменений в управлении программами и проектами», г.Москва, 2003.

5. Международная конференция Диалог', г.Москва, 2003.

6. Межрегиональный практический семинар по механизмам повышения качества социальных услуг, г.Пятигорск, 2002.

7. Шестой международный научно-технический симпозиум KORUS-2002, г.Новосибирск, 2002.

8. Межрегиональная конференция "Перспективы развития образования", г.Новокузнецк, 2000.

9. Международная конференция "Интернет. Личность. Общество - 1999", г.Санкт-Петербурге, 1999.

Ю.Международная конференция "Rebirth of Voluntarism in East and East-Central Europe", г.Будапешт (Венгрия), 1997.

11.Вторая международная англоязычная конференция студентов и аспирантов НГТУ, г.Новосибирск, 1996.

12.Первая международная англоязычная конференция студентов и аспирантов НГТУ, г.Новосибирск, 1995.

Предлагаемый подход и сферы его приложения в различных проблемных областях отражены в 6 публикациях.

Основные результаты работы:

Исследован процесс получения новых знаний и когнитивная модель вывода по аналогии;

Проанализированы разработки в области исследования аналогии и прецедентного подхода;

В качестве метода извлечения знаний предложен вывод по аналогии, причем механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости.

Исследована модель представления знаний в виде древовидных структур отражающих синтаксис и семантику знания;

Доказана возможность перехода от операций над прецедентами, описанными в логике предикатов первого порядка к операциям над древовидными структурами, учитывающим синтаксическую и семантическую структуру прецедентов;

Предложен метод анализа знаний с целью получения новых знаний основанный на каузальной аналогии и использовании системы дополнительных знаний:

Расширено понятие изоморфизма древовидных структур до различных видов структурных аналогий;

Разработан механизм поиска синтаксически близкого прецедента (на основе структурной аналогии); Предложена форма представления онтологии, описывающей иерархию концептов, связанных отношениями категоризации, и в рамках этого представления разработан механизм семантического абстрагирования

Сформулированы условия, гарантирующие обоснованность и достоверность результатов применения каузальной аналогии.

В результате работы определен подход к установлению близости меясду сложными объектами через систему дополнительных знаний и реализованы соответствующие программные приложения, приведенные в

Примерах 1-5. Данный подход может быть использован: в прецедентных экспертных системах для поиска прецедента, аналогичного решаемой пользователем проблеме, и дальнейшего его восстановления (адаптации); при решении задач управления в некоторой области, где уже наработана некоторая база решенных управленческих задач; в патентоведении для поиска ближайшего аналога нового изобретения; при решении изобретательских задач. В работе уделено достаточное внимание непрожективному подходу к решению задач. В ТРИЗ принято делить задачи на пять уровней [Архангельский Г., 37]:

1. Первый уровень. Решение таких задач не связано с устранением технических противоречий и приводит к мельчайшим изобретениям.

2. Второй уровень. Задачи с техническими противоречиями, легко преодолеваемыми с помощью способов, известных применительно к родственным системам. Ответами на задачи второго уровня являются мелкие изобретения.

3. Третий уровень. Противоречие и способ его преодоления находятся в пределах одной науки. В итоге получается среднее изобретение.

4. Четвертый уровень. Синтезируется новая техническая система, приводящая к крупному изобретению.

5. Пятый уровень. Изобретательская ситуация представляет собой клубок сложных проблем, решение является крупнейшим изобретением, ведущим к новой отрасли техники.

Предлагаемый подход к решению задач может быть использован при решении задач первого и второго уровней.

При проведении исследования были проанализированы и реализованы полностью или на уровне проработки блоков) следующие программные

ЗАКЛЮЧЕНИЕ

В работе обоснован и описан подход к получению новых знаний, основанный на расширенной схеме вывода по аналогии: введен ряд понятий, расширяющих понятие близости объектов через систему дополнительных знаний (см.Рис.В.1).

1. Aamodt Agnar, Plaza Enric. Case Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AlCom Artificial Intelligence Communications, IOS Press, Vol.7: 1, pp.39-59.

2. AI Research Group, 6/2002. Журнал

3. Anderson J. R., (1983). The architecture of cognition. Harvard University Press, Cambridge

4. Bauer Peter, Nouak Stephen, Winkler Roman. A brief cource in Fuzzy Logic and Fuzzy Control

5. Boley Harold, Decker Stefan, Sintek Michael. Tutorial on Knowledge Markup Techniques. ECAI2000 Berlin, reedited 2001

6. Bosak Jon and Bray Tim. XML and the Second-Generation Web (The combination of hypertext and a global Internet started a revolution. A new ingredient, XML, is poised to finish the job). http://www.sciam.com/1999/0599issue/0599bosak.html

7. Denisov V.I., Poletaeva I.A., Khabarov V.I. Expert System for Asnalysis of Multifactor Objects. Analysis of Variance. Precedent Approach. Novosibirsk, 1995, 142p.

8. Doyle Jon. Carnegie Mellon University. Some Mathematical Problems in the Artificial Intelligence, Manuscript, 1994

9. Doyle Jon. Carnegie Mellon University .What is Rational Psychology? Towards a modern mental Philosophy, 1983

10. Falkenhainer D. The Structure-Mapping Engine: Algorithm and Examples, Artificial Intelligence, 41, 1990

11. Furnas G.W., Deerwester S., Dumais S.T., Landauer Т.К., Harshman R.A., Streeter L.A., and Lochbaum K.E. Information retrieval using a Singular Value Decomposition Model of Latent Semantic Structure ACM SIGIR, 1988

12. Goffman, E. Frame Analysis: An Essay on the Organisation of Experience. New York, 1974

13. Gumperz, J.J. Discourse Strategies. Cambridge, 1982

14. Hall R. P. Computational approaches to analogical reasoning; A comparative analysis. Artificial Intelligence, Vol. 39, no. 1, 1989. pp 39-120.

15. Haraguchi M., Arikawa S. A Foundation of Reasoning by Analogy. Analogical Union of Logic Programs. Proc. Logic Programming Conference. 1986, June, Tokyo. Pp.103-110.

16. Havel Ivan M. Center for Theoretical Study, Charles University, Prague. Ф Living in Conceivable Worlds, First World Congress on Paraconsistency (WCP97),

17. Ghent 30.7.-2.8.1997, Workshop: Worldviews and Paraconsistency

18. Havel Ivan M. Center for Theoretical Study, Charles University, Prague. Artificial Intelligence and Connectionism: Some Philosophical Implications

19. Havel Ivan M. Center for Theoretical Study, Charles University, Prague. Scale Dimensions in Nature

20. Havel Ivan M. Center for Theoretical Study, Charles University, Prague. Artificial Thought and Emergent Mind

21. Havel Ivan M. Center for Theoretical Study, Charles University, Prague. Remarks on Schredinger's Concept of Consciouness

22. Havel Ivan M. Misguided Artificial Intelligence: The Turing Test1 23. Henzinger Monica R., Heydon Allan, Mitzenmacher Michael, Marc Najork.

23. Google, Inc. 2400 Bayshore Parkway, Mountain View, CA 94043; Compaq Systems Research Center, 130 Lytton Ave., Palo Alto, CA 94301; Harvard

24. University, Division of Engineering and Applied Sciences, On Near-Uniform URL Sampling

25. Ingargiola Giorgio P. "Search.". 1 Dec. 1998. http://yoda.cis.temple.edu:8080/UGAIWWW/lectures97/search

26. Kantrowitz Mark. "Artificial Intelligence FAQ." http://www.cs.cmu.edu/Groups/AI/html/faqs/ai/aigeneral/top.html. 10 Aug. 1997

27. Kolodner Janet. Maintaining organization in a dynamic long-term memory. Cognitive Science, Vol.7, s.243-280. 1983

28. Mohanarajah S. Computer Unit, Eastern University, Sri Lanka; A/R/Weerasinghe, Dept. Of Statistics & Comp.Science, Unversity of Colombo, Sri Lanka. An English to Tamil Translator's Workbench

29. Radev Dragomir R. "Natural Language Processing FAQ." http://www.cs.columbia.edu/~acl/nlpfaq.txt. 23 Dec. 1996

30. Ross B.H. Some psychological results on case-based reasoning. Case-Based Reasoning Workshop , DARPA 1989. Pensacola Beach. Morgan Kaufmann, 1989. pp. 144-147)

31. Russell Stuart, Norvig Peter. Artificial Intelligence A Modern Approach. Prentice Hall, Upper Saddle River, N.J., 1995

32. Schank R. Dynamic memory; a theory of reminding and learning in computers and people. Cambridge University Press. 1982

33. Simon H. The New Science of Management Decision. N.Y. 1960

34. Simon H., Murch R. Organizations. Wiley. N.Y. 1958

35. Youngblood G.Michael, Web Hunting: Design of a Simple Intelligent Web Search Agent, http://www.acm.org/crossroads/xrds5-4/webhunting.html

36. Архангельский Г.А. Основные инструменты ТРИЗ

37. Архангельский Г.А., Метод структурирования внимания, Международная конференция «Менеджмент, маркетинг, информатизация обращования: теория и практика», сборник докладов. Оренбург, 2001

38. Архив рассылки «Обучение Интернет-профессиям. Search Engine Expert», http://searchengine.narod.ru/archiv/no.htm

39. Ашманов И.С., Власова А.Е., Зоркий К.П., Иванов А.П., Калинин АЛ. Технология фильтрации содержания для интернет. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

40. Болдасов М.В., Соколова Е.Г. Генерация содержания запроса пользователя системой INBASE в виде естественно-языкового высказывания. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

41. Болонкин А. XXI век. Бессмертие людей и возникновение посто-человеческой цивилизации., Нью-Джерси, 2002 год

42. Бондаренко М.Ф., Соловьева Е.А., Маторин С.И. Анализ системологического инструментария концептуального моделирования проблемных областей. Из интернет, УДК 005: 519.7: 303.732

43. Бондаренко М.Ф., Соловьева Е.А., Маторин С.И. Основы системологии: учебное пособие, К., 1996. 80 с.

44. Боровикова О.И., Загорулько Ю.А. Организация порталов на основе онтологий. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

45. Браун Марк, Хоникатт Джерри и др. (под ред. Петриковца Г.П.). Использование HTML 4, 4-ое издание, Москва, Санкт-Петербург, Киев, 2000

46. Налимов В.В., З.Б.Барииова. Этюды по истории кибернетики (предтечи кибернетики в древней Индии), http://sadhu.by.ru/kiber.html

47. Вернадский В.И., Живое вещество, два синтеза космоса, В сборнике ,ф «Начало и вечность жизни», М., 1989. 702 с.

48. Веселов В.В., Долженков А.Н. XML и технологии баз данных

49. Воронина И.Е. Компьютерное моделирование лингвистических объектов. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

50. Выборнова О.Е. Пресуппозиционный компонент общения и его прикладное моделирование. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

51. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем, Санкт-Петербург, 2000, 384 стр.

52. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем, М., 1992. 200 с.ф 54. Гёрцель Бен, Бугай Стефан В. Интернет: сверхразум и за его пределами,http ://kharko v. vbelous .net/webm ind-r. htm

53. Гладун В.П. и др. Вывод гипотез о составе и свойствах объектов на основе аналогии // Искусственный интеллект. 2000. - N1. - С. 44-52.

54. Годфруа Ж. Что такое психология: в 2-х т., М., 1996

55. Грязнов А.Ф. Язык и деятельность М., 1991, 140 стр.

56. Дегтярева И.В. Магистерская диссертация, тема: "Вывод по аналогии в прецедентных экспертных системах", 1996

57. Демьянков В.З. Доминирующие лингвистические теории в конце XX века. Статья в сборнике «Язык и наука конца 20 века». М. 1995

58. Денисов В.И., Полетаева И.А., Хабаров В.И. Экспертная система для • анализа многофакторных объектов. Дисперсионный анализ. Прецедентныйподход: монография. Новосибирск, 1992. 127 стр.

59. Дубинский А.Г. Днепропетровский государственный университет. Модель мультиагентной системы информационного поиска в глобальной сети, http://dubinsky.nm.ru/99/t6/99t6.htm

60. Дубинский А.Г. Днепропетровский государственный университет. Моделирование потоков информации в глобальной компьютерной сети Интернет

61. Дубинский А.Г. Днепропетровский государственный университет. Новая парадигма информационных систем: агенты

62. Дубинский А.Г. Днпропетровский государственный университет. Агенты как системы автоматического управления

63. Ермаков А.Е. Неполный синтаксический анализ текста в информационно-поисковых системах

64. Жигалов В.А., Жигалов Д.В., Жуков А.А., Кононенко И.С., Соколова Е.Г., Толдова С.Ю., Система ALEX как средство дл многоцелевой автоматизированной обработки текстов. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

65. Жульен Ф. Трактат об эффективности. М.-СПБ.Д999

66. Залюбовский И. «Компьютерный инструментарий инновационного менеджмента. Место прецедентных экспертных систем в общей структуре инновационного менеджмента». Журнал "Управление персоналом" #1, 2000

67. Ивин И.И. Логика, Москва, 1999

68. Как снизить риски принимаемых решений. Журнал «Управление компанией» (до 2002 года «Рынок капитала»), №23-24, декабрь 2000

69. Кини P.JL, Райфа X. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ./ Под ред. И.Ф. Шахнова. М.: Радио и связь, 1981.-650с.

70. Киселев М., Соломатин Е. «Средства добычи знаний в бизнесе и финансах». Журнал «открытые системы», №4, 1997, Москва

71. Кислуха В.А. «Значение и применение экспертных систем в службах управления персоналом». «Делопроизводитель» 1/2001

72. Клещев А.С. Генерация продукций, основанная на принципе смешанных вычислений А.П.Ершова (статья в сборнике «Теоретические проблемы систем обработки информации», Новосибирск, 1990)

73. Козлова М.С. Философия и язык, 1972, М., «Мысль», 254 стр.

74. Комина Н.А. Анализ дискурса в интеракциональной социолингвистике

75. Компьютерные технологии обработки информации: Учеб. пос.; Под ред. С.В. Назарова. -М.: Финансы и статистика, 1995. -242 с.

76. Кулик Б.А. Логические основы здравого смысла (под редакцией и с предисловием Д. А. Поспелова. СПб.: Политехника, 1997. http://www.ipme.ru/ipme/labs/msa/kulik/zdrsmysl.htm

77. Курдюмов В.А. Экзистенциальные аспекты предикационных преобразований, http://www.philosophy.ru/library/kurdumov/glava4.html

78. Куршев Е.П., Осипов Г.С., Рябков О.В., Самбу Е.И., Соловьева Н.В., Тофимов И.В. Интеллектуальная метапоисковая система. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

79. Ланье Жарон. Computerworld, #31/2000

80. Ларьков С.Н. Документоведение. Учебное пособие

81. Леонтьева Н.Н., Шаляпина З.М. Современное состояние машинного перевода. «Искусственный интеллект. Книга 1. Системы общения и экспертные системы» М., 1990

82. Линдеманн-Комарова С. "Закон умножения энергии: сеть сибирского центра поддержки общественных инициатив", Новосибирск, 200085.' Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.

83. Лукач Ю. Справочник Веб-разработчика

84. Лурия А.Р. Язык и мышление, М., 1979

85. Макаров И.М., Виноградская Т.М. и др. Теория выбора и принятия решений, М. 1982

86. Макаров М.В., Гаврилов А.В., Губарев В.В. Использование средств искусственного интеллекта для выбора модели и средств анализа данных. 3-й Сибирский конгресс "ИНПРИМ-98", ч. 5, Новосибирск, 1998

87. Марселлус Д. Программирование экспертных систем на Турбо Прологе. -М.: Финансы и статистика, 1994, с. 19.

88. Математическая логика в программировании. Под ред. М.В.Захарьящева, Ю.И.Янова, Москва, «Мир», 1991

89. Наумов Н.А. О некоторых подходах к расширению языков программирования, http://eidos.kiam.ru/group/pod6.html

90. Николис Г., Пригожин И. Познание сложного. М., 1990

91. Обзор систем Data Mining на http://datadiver.nw.ru/dmsys.htm

92. Общее управление НКО. Курс лекций. Книга I, Москва, 2002

93. Осуга С. и др., Обработка заний, М., 1989. 292 с.

94. Осуга С. и др., Приобретение знаний, М., 1990. 303 с.

95. Перцова Н.Н. О проекте лингвистического процессора для обработки информации из сети интернет. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

96. Печерский Александр. Язык XML практическое введение

97. Пиаже Ж. Избранные психологические труды, М., 1969.-435 с.

98. Питц-Моултис Н., Кирк Ч. XML в подлиннике. СПБ, 2000. 736 стр.

99. Плутенко А.Д., Малов М.В. Амурский государственный университет. Интеграция баз данных, языков разметки и интеллектуальных агентов. (www.amursu.ru, e-mail: maxim@amursu.ru), http://enit.ulsu.ni/d/007/

100. Попов М.Ю., Заболеева-Зотова А.В. Концепция системы семантического анализа текста. Статья из сборника материалов конференции Диалог-2002, Москва, 2002

101. Попов О.Н., Мышление. Материалы лекций по управленческой психологии Харьковского Государственного Университета, 2002

102. Поспелов Д. Ситуационное управление: теория и практика. М.: Наука, 1986.

103. Психология мышеления, Сборник. М., 1965

104. Робсон М., Уллах Ф. Практическое руководство по реинжинирингу бизнес процессов. - М.: Аудит, Юнити, 1997, с. 159

105. Рубашкин В.Ш. Представление и анализ смысла в интеллектуальных информационных системах., Москва «Наука», 1989

106. Рузавин Г.И. Логика и аргументация, Москва, 1997

107. Стерлинг Л., Шапиро Э. Искусство программирования на языке Пролог. -М.: Мир, 1990.

108. Семиотика, под ред. Степанова Ю.С. 1983, М., «Радуга»

109. Смирнов А.В., Шереметов Л.Б. Многоагентная технология проектирования сложных систем. Журнал «Автоматизация проектирования» (Издательство «Открытые системы»)

110. Сойер Б., Фостер Д. «Программирование экспертных систем», М., 1998, издательство «Финансы и статистика»

111. Столяров А. Наблюдатель. Осторожно: людены! Литературно-философский журнал «Топос», Ноябрь 2002

112. Сусов И.П. Введение в теоретическое языкознание (Основы общей лексикологии, Процессы номинации и лексические единицы языка http://homepages.tversu.ru/~susov/301 .htm,

113. Сусов И.П. Компоненты языковой системы.

114. Тихонов Вячеслав. Поисковые системы в сети Интернет, http://java-2.narod.ru/read/search.html, 2000

115. Толковый словарь по искусственному интеллекту. М, 1992. 254 с.ф 119. Трахтенгерц Э.А. Субъективность в компьютерной поддержкеуправленческих решений. М., 2001. 256 с.

116. Тузовский А., Ямпольский В. Системы управления знаниями компании. «Бизнес-мост», №2 (33), Март 2002

117. Туревский A.JI. Разработка программных средств поддержки концептуального моделирования слабоструктурированных проблемных областей

118. Уёмов А.И. Аналогия в практике научного исследования. М.: Наука, 1970.

119. Уёмов А.И. Вещи, свойства, отношения и теория выводов по аналогии. -автореф. на соискание учен, степени доктора философ, наук, Киев, 1964ф 124. Уёмов А.И. Логические основы метода моделирования. М.: Мир, 1971

120. Уёмов А.И. Системный подход и общая теория систем. М.: 1978

121. Хьелл Л., Зиглер Д. Теории личности, С.-П., 1997. 608 с.

122. Чайлахян Л.М. «О глобальной стратегии мозга как управляющей системе». Журнал «Перспективные информационные технологии и интеллектуальные системы», №1, 2003, Москва

123. Шамот Марина, интеллектуальный анализ данных в системах поддержки принятия решений. Из «Open System Magazine» №1/98. http://www.csu.ac.ru/osp/os/1998/01/30.html

124. Шехтман В.Б. Принцип Оккама, возможные миры и машинный перевод, Статья из сборника материалов конференции Диалог-2002, Москва, 2002• 130. Эйнджел Джонотан. XML: время пришло, LAN Magazine, #11/1999

125. Юнг К.Г. Психологические типы, М., 1997. 806 с.