автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Методы и программные средства поиска решения на основе аналогий в интеллектуальных системах поддержки принятия решений

На правах рукописи

Варшавский Павел Романович

МЕТОДЫ И ПРОГРАММНЫЕ СРЕДСТВА ПОИСКА РЕШЕНИЯ НА ОСНОВЕ АНАЛОГИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ

Специальность 05.13.11 - Математическое и программное обеспечение вычислительные машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ диссертация на соискание ученой степени

Москва - 2005

Работа выполнена на кафедре Прикладной математики Московского энергетического института (Технического университета)

Научный руководитель' лауреат премии Президента РФ

в области образования доктор технических наук, профессор Александр Павлович Еремеев

Официальные оппоненты доктор технических наук, профессор

Игорь Игоревич Дзегеленок

кандидат физико-математических наук, профессор

Геральд Станиславович Плесневич

Ведущая организация- Государственное учреждение «Российский

научно-исследовательский институт информационных технологий и систем автоматизированного проектирования» (ГУ РосНИИ ИТ и АП)

Защита состоится «17» июня 2005 г. в 14 час. 00 мин. на заседании диссертационного совета Д 212.157.01 при Московском энер! етическом институте (Техническом университете) по адресу. 111250, Москва, Красноказарменная ул.. 13(ауд. М-704).

С диссертацией можно ознакомиться в библиотеке Московского энергетического институш (Технического университета).

Отзывы в двух экземплярах, заверенные печатью, просьба направлять по адресу 111250, Москва, Красноказарменная ул., д.14, Ученый совет МЭИ (ТУ)

Автореферат разослан «/£>> мая 2005 г

Ученый секретарь

диссертационного совета Д 212 ! 57.01 кандида! технических наук, профессор

/и/иДчл И.И.Лады! ин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. Изучение механизмов, участвующих в процессе построения умозаключений на основе аналогий, является важной задачей, как для психоло, ов, ¡ак и для специалистов в обтас1И искусственною интеллекта (ИИ) Аналогия может использоваться в различных приложениях ИИ и для решения разнообразных задач, например, для генерации гипотез о незнакомой предметной области, для обобщения некоюрого опыта в виде абстрактной схемы или понимания естественного языка (ЕЯ).

Вопросы о природе аналогии, ее формальном определении, правомерности использования вывода на основе аналогий возникли довольно давно Начиная с первой попытки формализовать понятие аналогии, предпринятой Лейбницем в своем сочинении "Фрагменты логики", и до настоящего момента не удалось дагь исчерпывающего формального определения этому пошпию.

Большой интерес к моделям и методам рассуждения на основе аналогий обусловлен тем, что на сеюдняшний день весьма актуальна проблема моделирования человеческих рассуждений (рассуждений так называемого «здравого смысла») для повышения эффективности современных компьютерных систем типа интеллектуальных систем (ИС) поддержки принятия решений реального времени (ИСППР РВ).

О важности наличия средств, способных моделировать человеческие рассуждения, в частное ш, рассуждения на основе аналогий, говорится во многих работах в области ИИ (см., например, работы Д.А. Поспелова, О.И Ларичева, Э.В. Попова, В.К. Финна, В.Н. Вагина, А.П. Еремеева, О.П. Кузнецова, Г.С. Осипова, И.Б. Фоминых. В.Ф. Хорошевского, Д. Пойя, Д. Мак-Дермотта, Дж. Карбонела, Р. Клинга, Д. Лонга, Д. Плейсгида. П Уинстона и

др.).

ИСППР РВ предназначены для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в реальном масштабе времени при наличии в имеющейся информации (данных и знаниях) различною рода неопределенностей (неполноты, неточное Iи, противоречивости и т.п.), называемых для краткости НЕ-факторами.

Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитеюуру с тысячами взаимосвязей, отследить которые в полном объеме достаточно трудно, с большим количеством контролируемых и управляемых параметров, которые изменяются в процессе функционирования объекта, и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы (например, энергоблок включает в себя такие подсистемы как реактор, первый контур, компенсатор объема и др) и могут функционировав в разтичных режимах (в штатном, нештзчюм и аварийном, К01да включаются системы автоматической защиты)

ИСППР РВ принадлежат к классу интегрированных ИС, сочетающих строгие математические методы и модели поиска решения с нестрогими,

..¡1ЛЫ

эвристическими моделями и методами, базирующимися на экспертных знаниях, моделях человеческих рассуждений и накопленном системой опыте.

Применение моделей и методов поиска решения на основе аналогий в ИСППР РВ позволяв ЛИР в реальном масштабе времени при наличии разного рода НЬ-факторов как в исходной информации, получаемой от объекта и среды, так и в экспертных знаниях принимать более адекватные управляющие воздействия на объект в различных нештатных (аномальных) ситуациях,

В настоящее время большинство отечесшенных и зарубежных средств, использующих рассуждения на основе аналогий, ориентировано на использование в системах понимания ЕЯ, машинного обучения, для выдвижения гипотез о предметной области (например, ДС'М-метод автоматического порождения гипотез) и формирования баз знаний. В тоже время отсутствуют развитые средства поиска решения на основе аналогий для ИСППР РВ. Кроме того, весьма ощутим недостаток отечественных программных средств, сопоставимых с зарубежными системами.

Отметим, что наряду с методами рассуждения на основе аналогий, активно разрабатываю 1ся и применякмея методы рассуждения на основе прецедентов (опыта). Как и рассуждения на основе аналогий, рассуждения на основе прецедентов базируются на понятии аналогии, однако методы их реализации имеют отличия.

Актуальность исследования обуславливается практической значимостью ИСИПР РВ, способных оперировать механизмами поиска решения на основе аналогий и прецедентов.

Объектом исследования являю 1ся методы поиска решения (рассуждения! на основе аналогий для ИСППР РВ.

Цель работы. Целью работы является исследование и разработка методов и программных средств поиска решения на основе аналогий и прецедентов, повышающих эффективность и расширяющих интеллектуальные вошожнссш современных компьютерных систем типа ИСППР РВ.

Для достижения указанной цели необходимо решить следующие задачи'

- исследование методов и моделей поиска решения на основе аналогий и на основе прецедентов;

- разработка меюдов поиска решения нэ основе структурной аналогии для ИСППР РВ;

- разработка структуры библиотек прецедентов (БП), ориентированной на применение в рамках ИСППР РВ;

- разработка архитектуры системы поиска решения на основе аналогий и прецедентов;

- программная реалишция системы поиска решения на основе аналогий и прецедентов:

- использование разработанной системы поиска решения на основе аналогий и прецедентов в составе прототипа ИСППР РВ для оперативно-диспе!черского персонала энергоблока и в других приложениях

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, искусственного интеллекта, теории графов, теории алгебраических моделей и методов оценки вычислительной сложности алгоритмов.

Достоверность научных положений. Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе.

Научная новизна исследования состоит в следующем-

1. Предложена структура аналогии с учетом контекста, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах.

2. Предложены методы оценки аналогий с учетом контекста и важности параметров объекта.

3. Разработан обобщенный алгоритм поиска решения на основе структурной аналогии, учитывающий ограничения на время поиска решения и позволяющий применять различные схемы поиска решения на основе аналогий.

4. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ.

Практическая значимость. Практическая значимость работы заключается в создании программной системы поиска решения на основе аналогий и прецедентов, повышающей эффективность и расширяющей интеллектуальные возможности компыо!Сров и компьютерных систем на примере ИСППР РВ для мониюриша и управления сложными объектами и процессами.

Практическая значимость работы подтверждается использованием разработанной программной системы в прототипе ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях, о чем имеются акты о внедрении.

Реализация результатов. Разработанная система поиска решения на основе аналогий и прецедентов использована в ОАО «ЦНИИКА» в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблоков, в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), что подтверждается соответствующими актами о внедрении.

Результаты работы использованы в НИР, выполняемых в рамках фанта РФФИ проск1 №02-07-90042 по тематике «Исследование и разработка инструментальных средств создания экспертных систем семиотического типа», гранта для поддержки научно-исследовательской работы аспирантов государственных образовательных учреждений высшею профессионально! о образования, находящихся в ведении Федерального а]ентс1ва но образованию, проект №2369040 «Методы и программные средства автоматизации процессов принятия решений и управления на основе аналогий» и в рамках Федеральной целевой научно-(ехнической программы «Исследования и разработки по

приоритетным направлениям развития науки и техники» на 2002-2006 годы по теме «Системы мониторинга и поддержки принятия решений на основе аппарата нетрадиционных логик».

Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБТТ) зарегистрировано в Федеральной службе по ингсллектуатьной собственное ги. патентам и товарным знакам (СВИДЕТЕЛЬСТВО № 2005610761 от 31.03.2005 г.).

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на пяти научных конференциях аспирантов и студентов «Радиотехника, электроника, энергетика» в МЭИ (ТУ), (г Москва, 2001 - 2005 гг.), 4-й международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Беларусь, I. Браслав. 2000 г.), «Научных сессиях МИФИ» (г. Москва, 2002 - 2005 гг.), втором международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (г. Коломна, 2003 г), 9-й национальной конференции по искусственному интеллекту с международным участием КИИ'2004 (к Тверь, 2004 г.), на Международных форумах информатизации МФИ-2003 и МФИ-2004 (Международные конференции «Информационные средства и технологии») (г. Москва, 2003, 2004 п.).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 16 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (112 наименований) и приложений Диссертация содержит 157 страниц машинописного текста (без приложений) и 55 страниц приложений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, ее научная новизна и практическая значимость, сформулированы цель работы и приведено краткое содержание диссертации по главам.

В первой главе рассматриваются понятия аналогии и рассуждения на основе аналогий В большинстве энциклопедических источников аналогия определяется как сходс1во предметов (явлений, процессов) в каких-либо свойствах Рассуждение на основе аналогий определяется как метд вывода, коюрый позволяет обнаружить подобие между несколькими заданными объектами и, благодаря переносу фактов и знаний, справедливых для одних объектов, на основе этого подобия на другие объекты, определить способ решения задачи или предсказав неизвестные факты и знания

Формулируется задача поиска решения на основе аналогий, коюрая. как правило, включает в себя следующие этапы

• Поиск подходящего источника для аналогии Имея целевую проблему (задачу), требуется определить потенциальный источник аналоги. при

этом необходимо акцентировать внимание на тех свойствах источника и цели, которые подтверждают правомерность применения аналогии;

• Уточнение Определив на предыдущем этапе источник аналогии, необходимо выделить дополнительные свойства и отношения источника аналогии;

• Отображение и вывод Осуществляется отображение свойств источника аналогии в целевую область с использованием установленных соответствий и вывода на основе аналогий;

• Подтверждение Наличие этого этапа обусловлено необходимостью проверять корректность полученно1 о отображения.

При необходимости возможно включение еще одного этапа - обучения на основе аналогии.

Описываются различные типы аналогии. В зависимости от характера информации, переносимой с одного объекта аналогии на другой, выделяют аналогии свойств и аналогии отношений. В аналогии свойств рассматриваются два единичных объекта (предмета) или два множества (класса) однородных объектов, а переносимыми признаками являются свойства этих объектов. В аналогии отношений рассматриваются отношения между объектами, причем сами объекты могут быть совершенно разными, а переносимыми признаками являются свойства отношений.

По степени достоверности заключений можно выделить три типа аналогии:

• строгая научная аналогия - применяется в научных исследованиях, математических доказательствах и дает достоверное (истинное) заключение;

• нестрогая научная аналогия - дает лишь правдоподобное (вероятное) заключение;

• ненаучная аналогия - даег заключение, достоверность коюрого очень невелика (зачастую близка к нулю).

Если знания о предметной области представимы в структурированном виде, то имеет место структурная аналогия.

Приводится обзор методов, моделей и систем поиска решения на основе аналогий с точки зрения их организации. Выделяются три типа сис[ем поиска решения на основе аналоги:

• символьные системы, базирующиеся в значительной степени на символьной парадигме в ИИ;

• нейросетевые (коннекционистскиеу системы, основывающиеся на аппарате нейронных сетей и других моделях, заимствованных из биоло1ии:

• гибридные системы, базирующиеся как на принципах символьных, так и на принципах нейросетевых систем

В рамках создания гибридных сжмем поиска решения на основе аналогий подчеркивается актуальность и перспективность исследования и разработки как символьных, так и нейросе!евых моделей.

Наряду с методами па основе аналогий рассматриваются методы на основе прецедентов (накопленного опыта). Рассуждения на основе прецедентов, как и рассуждения на основе аналогий, базируются на понятии аналогии, однако методы их реализации различаются.

Прецедент определяется как случай имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода. Рассуждение на основе прецедентов (CBR - Case-Based Reasoning) является подходом, позволяющим решить новую (неизвестную) задачу, используя или адаптируя решение уже известной задачи. Как правило, методы рассуждения на основе прецедентов включают в себя четыре основных этапа, образующие так называемый CBR-цикл'.

• извпечение наиболее соответствующего (подобного) прецедента (или прецедентов) для сложившейся ситуации из библиотеки прецедентов;

• повторное использование извлеченного прецедента для попытки решения текущей проблемы (задачи);

• пересмотр и адаптация в случае необходимости полученно! о решения в соответствии с текущей проблемой (задачей);

• сохранение вновь принято1 о решения как части нового прецедента.

Предлагается использовать перспективную возможность интеграции двух

подходов на основе аналогий и на основе прецедентов в рамках ИСПГТР РВ. В том случае, если поиск решения на основе прецедентов не приводит к необходимому результату в сложившейся ситуации, то привлекается более мощный в плане обнаружения новых фактов (новой информации) метод поиска решения на основе аналогий.

Обосновывается необходимость и важность применения методов поиска решения на основе аналогий и прецедентов в ИСППР РВ

Формулируются требования, предъявляемые к моделям поиска решения на основе аналогий в рамках ИСППР РВ, основными из которых являются требования, что поиск решения на основе аналогий должен осуществляться с учетом ограничений по времени и при наличии различного рода НЕ-факторов. С учетом сформулированных требований для решения задачи диагностики i-остояний сложного техническою объекта и нахождения необходимых решений (управляющих воздействий) выбраны методы структурной аналогии

Во второй главе исследуются методы и модели поиска решения на основе структурной аналогии и рассматриваются вопросы, связанные с ортанизацией представления знаний для осуществления поиска решения на основе аналогий.

В качестве формализма для представления знаний выбраны семантические сети (СС). Выбор СС для представления структурной аналогии обусловлен рядом важных достоинств ceieii, отличающих их or других моделей представления знаний (например, прод\кционною типа). Важным преимуществом СС является естественность представления структурированных знаний и достаточно простое их обноатение в относительно однородной среде. Последнее свойство особенно важно для ИСППР РВ, ориентированных на открытые и динамические предметные области

Опр. 1. Семантическая сеть есть графовая структура <У,Е> с помеченными вершинами и дугами, где V и Е - множества вершин и дуг соответственно Вершины могут отображать объекты {понятия, события, действия и т д) предметной области, а дуги - отношения между объектами

Структуру СС рассмотрим на примере, взятом из области энергетики -оперативного управления атомным энергоблоком. На рис. 1 представлен метауровень СС (универсальный класс) и фрагмент СС, отображающий ситуацию 1. возникшую в процессе функционирования системы автоматически о охлаждения зоны реактора (САОЗ).

/ниверсум

Ситуации САОЗ

JToi ические операции

Сшуация 1

ИекЗнач 1517Б01 6U

Логические операции

■Собьиия

^¡арактеристики

ф К 13СС i на С С Q Объемы на СС

■ Обозначает отношение принадлежности l\iui обозначения семаншчес-ких падежей иию ibivioica

<- указывает на объект вызывающий действие

указывает на объект, подвергающийся дейсжию

Рис. 1. Фрагмент СС для представления на объекте ситуации

Си:уация 1, предетавленная на рис. 1, содержит следующую информацию:

• Рекомендуется «Подпитать насос ТН1 IDO 1 борным концентратом 40 г/кг по причине отключения САОЗ I ui-за закрытия задвижек THJ1S24 и TH11S25»,

• Текущее значение параметра Т517В01 (давление в емкости САОЗ I) равно 60

В качес1ве базовою рассматривается метод структурной аналогии свойств Д. Лонга и Р. Гаритлиано, позволяющей учитывать контекст (рис 2)

Рис. 2. Структура аналогии с учетом контекст

Обозначим PL - множество свойств, которыми обладает объект veV. Опр. 2. Объект vcVоб ladaem свойством р тогда и только тогОа, когда ре /',. Опр. 3. Ачаюгия задается набором (четверкойI A=^OCR,p>, где О -источник (origin), С пересечение (crossover) R - приемник (receiver), р -свойство (propartv) для опредечения первоначального контекста

Опр. 4. Объект R явчяется приемником для аналогии А тогда и только тогда когда (ReV)&ipePR)

Опр. 5. Объект С является пересечением дш аналогии А тогда и точько тогда, когда (СcV)&(pePc)&(nR<nc)&-:(nR''^nr)&^nRc^nR)&(nRr>1), где nRu п( обозначают соответственно кочичество свойств приемника R и пересечения С, а пц( - количество общих свойств приемника R и пересечения С —/п^^Пс) означает, что приемник R не должен быть много меньше пересечения С (т е исключается возможность поглощения пересечением С приемника R, так как при этом повышается вероятность получения ненаучной аналогии) Опр. 6. Объект О является источником дчя аналогии А тогда и только тогда, когда (OeV)&fp еР0)&(п0<п( j&-,fn0<<n()&fn0( ^па)&(п0< -* 1 )&(псК>пм), где по обозначает количество свойств источника О, not - кочичество общих свойств источника О и пересечения С, —i(no^<n() означает, что источник О не должен быть много меньше пересечения С (т е исключается возможность погчощения пересечением С источника О); остальные обозначения аначогичны предыдущему определению

Введем следующие обозначения:

• Множество объектов-кандидатов на роль пересечения С для аналог ич А обозначим Vr.

• Множество объектов-кандидатов на роль источника О для аналогии А обозначим V0.

• Множество аналогий А обозначим УА.

Опр. 7. Множество Р 0сч" Р'о^Р'< ^Р'« обо тачает контекст, в котором проводится аналогия А

Опр. 8. Аналогия A^^O,C,R.p^- называется «хорошей» аначогией тогда а точько тогда когда существует аналогия А', такая что А'=^0\С R,p '

В соответствии с приведенными выше определениями справедливо следующее утверждение.

Утв. 1. Объекты v, v'eV пересекаются на СС тогда и точько тогда, когда Л,г ?де Я,,, - множество общих свойств объектов v v v' а Р и Р, -

множества свойств объектов v и v' соответственно

Отметим, чю базовый алгоритм поиска решения на основе структурной аналогии с учетом контекста имеет полиномиальную опенку вычислительной сложности Ofn /, где п - количество объектов, обладающих свойством р для определения первоначальною контекста.

Наряду со структурной аналогией свойств рассматривается структурная аналогия отношений, базирующаяся на теории структурного отображения (SMT - Structure-Mapping Theory). Согласно SMT предполагается, что аналогия является отображением знаний одной области (базы) в другую область (тгель), базирующимся на системе отношений, которые имеются между объектами базовой области и объектами целевой области, а также, что человек (ЛИР) предпочитает оперировать некоторой целостной системой взаимосвязанных глубинных отношений, а гге простым набором поверхностных и слабо связанных факторов. Описывается механизм структурного отображения (SME-

Stiucture-Mapping Engine), предназначенный для моделирования вывода на основе аналогий и позволяющий сформировать наиболее общие соответствия ОGmaps) для структурированных представлений базовой и целевой областей, а также обеспечивающий оценку полученных соответствий. Алгоритм SME имеет полиномиальную оценку вычислительной сложности за счет введения ограничения на количество анализируемых в процессе сопоставления структурных представлений уровней.

В третьей главе, учитывая выявленные достоинства и недостатки проанализированных методов, предлагаются модифицированная структура аналохии с учетм контекста и алгоритмы поиска решения на основе структурной аналогии При этом учитываются такие особенности применения разработанных алгоритмов в рамках ИСППР РВ, как ограничение по времени поиска решения и наличие различного рода НЕ-факторов.

Модификация структуры аналогии с учетом контекста заключается в том, что вместо свойства р для определения первоначального контекста (см. опр. 3) рассматривается множество свойств Р. определяющих первоначальный контекст аналогии. Данная модификация позволяет более детально уточнить первоначальный контекст и тем самым сократить время поиска решения, что очень важно для ИСППР РВ. Кроме того, в модифицированной структуре аналогии множество свойств Р может быть п> стым В таком случае появляется возможность осуществить поиск решения на основе аналогий без уточнения первоначального контекста (т.е. решается задача определения потенциальных источников для аналогии) и в результате получить аналогии в различных контекстах, хотя это и потребует больших затрат вычислительных ресурсов.

Помимо отмеченного в модифицированной структуре аналогии предполагается осуществлять перенос от источника О на приемник R фактов (свойств), уместных в контексте С (т.е. PR = PR и (Р0( Ро< к)), в отличие от базового варианта, в котором уместность свойств в контексте не рассматривается (Рк= PR<j (Р0\ PR0)).

Далее приводится разработанный алгоритм поиска решения на основе структурной аналогии с учетом контекста (алгоритм 1).

Алгоритм 1. А ¡горитм поиска решения на основе апруктурной анаюгии с учетом контекста и ограничения на время поиска решения

Вхоо С С с информацией о предметной области, приемник R и кс пустое мно/ге.. ibo свойств Р 1тя опре к* тения первоначально! о KOHieKCia. At - интервал времени, выделяемый на поиск решения, также может быть ука!ан источник О Выхо() Множес г во анало! ий V/<

Испочыуечые структуры банных Vt - множество объектов СС, обладающих свойствами Р I р' - множество V/ ia вычетом приемника R, V4 - множество аналогий А, -вспомогательное множество аналогий Л. которое отличается от УА тем. что может содержав анаюгии. которые не удовлетворяют опр 8

1 VS = V^Ry V, = 0,

2 Пока чремя работы an ори гада t < М выполнять

начато

Ести \ р 0 то шаг иначе для каждого объекта i <= К/выполнить Fc ш О «дано на входе алгоритма, то выполнить

начало

Если V подходит на роль пересечения С. то добавить аналогию

А - в V*.

конец, иначе выполнить начало

У/-= 0,

Ьсли V подходит на роль пересечения С, то для всех остальных объектов

V1 е Ур' выполнить' начало

Есчи V' подходит на роль источника О, то в V/ добавить аналогию А = конец;

Если мощность множества У/> 1. то добавить все аналогии из V/в УА конец, конец; иначе перейт и к шагу 3 3. Гели VI Ф 0, то выдать аналогии из Ул ЛПР и перейти к шагу 4. иначе проверить Ьсли Г < Д!, то выдать сообщение «Аналогии не найдены» и переЙ1и к шагу 4, иначе выдать сообщение «За промежуток времени Д( аналогии не найдены» с рекомендацией «Следует увеличить интервал времени Д/ для поиска решения на основе аналогий» и перейти к шагу 4 _4. Конец._________________

Максимальная оценка вычислительной сложности представлений! о алгоритма соответствует оценке для базового алгоритма О(п), где п - число объектов, обладающих свойствами Р для определения первоначального контекста. Для случая, когда задан источник О на входе алгоритма, вычислительная сложность имеет линейную оценку О(п)

Для обеспечения поиска решения на основе структурной аналогии, когда множество свойств Р для определения первоначального контекста пусто (те. отсутствует первоначальный контекст для определения аналогий), разработан алгоритм, использующий метод поиска минимальных пересечений с целью выявления важных свойств для построения аналогий (алгоритм 2).

Приведем формальное определение минимального пересечения. Предположим существование некоторого множества объектов X, каждый из коюрых представлен набором элементарных свойств (атомов), принадлежащих определенному универсуму. Пересечением объектов называется совокупность свойств, общих для всех данных объектов.

Опр. 9. Объект а является минимальным пересечением объектов из множествах, если•

• а - непустое пересечение объектов из IV, где Ж - подмножество X, состоящее, по крайней мере из двух объектов, называемое множеством, образующих минимагьного пересечения а,

• а не пересекается с объектами множества X не входящими в ¡V

Таким образом, минимальное пересечение объектов состоит из свойств,

специфичных для данных объектов в сравнении с другими объектами рассматриваемого множествах

Алгоритм 2. Алгоритм поиска решения на основе структурной аналогии с учетом

контекста, использующий минимальные пересечения_______

Вход: СС с информацией о предметной области, приемник R и возможно пустое множество свойств Р для определения первоначального контекста, А/ - интервал времени, выделяемый на поиск решения; также может быть указан источник О. Выход: Множество аналогий VA.

Используемые структуры данных: V - множество объектов СС, X - множество для определения минимальных пересечений, УА - множество аналогий А, V/ - вспомогательное множество аналогий, которое отличается от VA тем, что может содержать аналогии, которые не удовлетворяют опр. 8, Amin - множество минимальных пресечений, Wmm - совокупность множеств образующих минимальных пересечений.

1. Х:=У;УА:=0;

2. С помощью алгоритма поиска минимальных пересечений определить Ami„ над множеством X, а также Wmin.

3. Пока время работы алгоритма t < At выполнять:

начало

Если Ami„=0, то перейти к шагу 5, иначе выполнить: начало

Если Рф0 и Р содержится в одном из минимальных пересечений аеАтт и его множество образующих We Wrm„ имеет мощность > 3, то оставить только это а в Атт и только его W в Wmin.

Если Рф0 и Р пересекается хотя бы с одним из минимальных пересечений a&Amin и его множество образующих We Wmin имеет мощность > 3, то оставить только это а в Amin и только его W в Wmin.

Если Р~0, то оставить в Ат1п только те минимальные пересечения а, у которых множества образующих F/eWmm имеют мощность > 3 и R&W(соответственно оставить только их Wb Wmi„).

Если Ami„=0, то перейти к шагу 5, иначе для каждого a<~Ami„ выполнить: начало

Если источник О был задан на входе алгоритма и Ое W для выбранного а, то удалить О и R из W, а для всех остальных объектов ve W выполнить: начало

Если V подходит на роль пересечения С, то добавить аналогию A-<0,v,R,P> в VA. конец;

Если источник О не был задан на входе алгоритма, то удалить R из W, а для всех остальных объектов ve W выполнить: начало

У/:= 0;

Если V подходит на роль пересечения С, то для всех остальных объектов v'eW выполнить: начало

Если v' подходит на роль источника О, то добавить аналогию A=<v',v,R,P> в У/. конец;

Если мощность множества V/i'> 1, то добавить все аналогии из V/ в

конец; конец; конец; конец;

иначе перейти к шагу 4. 4. Гели V/ 1 0, то выдать аналогии из Уд ЛПР и перейти к шагу 5. иначе проверить Если / < Д?, то выдать сообщение «Аналогии не найдены» и перейти к шагу 5. иначе выдать сообщение «За промежуток времени А/ аналогии не найдены» с рекомендацией «Гтедует увеличить ишервал времени Дг для поиска решения на основе аналогий» и перейти к шагу 5 Конец__________

Вычислительную сложность данного алгоритма для наиболее сложного случая можно оценить величиной 0(т+т'(ъ>-1)Ы>-2)), где т - сложность алгоритма поиска минимальных пересечений (т=2Ы'(п'-1), 1де А"- мощность множества свойств, а п' - мощность множества объектов), т' - число минимальных пересечений, и- - число объектов в множестве образующих, имеющем максимальную мощность из множеств образующих, которые содержаться в \¥тт. Приведен пример работы данного алгоритма.

В работе предложен обобщенный алгоритм поиска решения на основе структурной аналогии (алгоритм 3), схема которого представлена на рис. 3.

Рис. 3. Схема обобщенного алгоритма

Предложены методы оценки аналогий с учетом контекста и важности параметров объекта.

Метод оценки аналогий с учетом контекста После получения аналогии для приемника R, содержащихся в возникает задача выбора из этого множества наиболее предпочтительных аналогий V„ . Вводя 1ся отношения предпочтения и несравнимости на множестве аналогий с учетом контекста. Опр. 10. Аналогия А - ■ (),C,R,P"- с контекстом P()(R предпочтите!ьнее

аналогии А 0',C,R,P-' с контекстом Рщ и ÎA>A'J тогда и только тогда, когда п0ск>Пог'к , где пгуц и пас ц число свойств в множествах Pout и Ри< Л , обозначающих контекст дчя аналогий А и А'

Опр. 11. Аналогия A=<rO,C,R,P> с контекстом Рсян несравнима с аналогией АG'C',R,P' с контекстом Р0х тогда и только тогда, когда п0< к=п0сК

Метод оценки анаюгий с учетом важности параметров объекта Данный метод базируется на заданных пользователем (экспертом или ЛПР) значениях важности параметров приемника R, для которого необходимо найти аналогии. Эти значения задаются пользователем от 0 до 1 или в процентах от 0 до 100 % (по умолчанию важность параметра равна нулю).

После того как найдены аналогии, для них можно получить оценки важности imp в процентах, зависящие от важности параметров, включенных в контекст аналогии: imp=impi>iimp^AX 100%, где imp,. ~ сумма значений важности всех параметров, входящих в контекст P-jcr аналогии, трш\~ сумма значений важности всех параметровРкприемника/?.

Выявлена специфика использования аппарата прецедентов в рамках ИСППР РВ. Предлагается модифицированный CBR-цикл и разработанная с учетом специфики ИСППР РВ структура библиотек прецедентов (БП). Алгоритм поиска решения па основе прецедентов заключается в определении степени сходства текущей ситуации, которая задана на входе алгоритма, с ситуациями прецедентов из БП. При этом учитываются веса параметров для описания ситуаций прецедентов из БП, заданные экспертом. Степень сходства зависит от близости текущей ситуации к ситуации прецедента и определяется с помощью алгоритма определения ближайшего соседа. В алгоритме определения ближайшего соседа используется простое покоординатное сопоставление текущей ситуации с ситуацией прецедента (каждый параметр для описания ситуаций прецедентов из БП рассматривается как одна из координат). Таким образом, определяется расстояние D между текущей ситуацией и ситуацией прецедента, а также вычисляется максимальное расстояние D\iAX с использованием границ диапазонов параметров для описания ситуаций прецедентов из БП. Затем вычисляется значение степени сходства SIM = 1 - D/DM4X или в процентах SIM = (1 - D/D4AX )100%.

Приведены результаты тестирования разработанных алгоритмов и результаты компьютерных экспериментов по сравнению разработанных алгоритмов поиска решения на основе структурной аналоги с базовым алт ори I мом (рис. 4).

Среднее время работы алгоритмов для БП по подсистеме компенсации объема ВВЭР АЭС.

Для описания ситуаций прецедентов из БП используется 79 параметров (каждая точка - усреднение по 100 различным тестовым ситуациям)

10 20 30 40 50 60 70 80 90 100 Количество прецедентов

Рис. 4. Экспериментальное сравнение алгоритмов по среднему времени работы

♦ Базовый алгоритм

Анализ полученных результатов показал, что предложенный в диссертационной работе алгоритм 1 требует меньше временных затрат по сравнению с базовым алгоритмом Как видно из рис 4, для осуществления поиска решения в соответствии с алгоритмом 2 требуется больше времени, так как поиск решения осуществлялся без уточнения первоначального контекста Поэтому алгоритм 2 целесообразно использовать только в случае, когда первоначальный контекст не задан, и следовательно, другие алгоритмы не могут быть применены.

В четвертой главе рассматривается реализация программной системы поиска решения на основе аналогий и прецедентов для ИСППР РВ. Предложена архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ (рис. 5)

Пользователь (жснерт, ЛПР)

Редактор семантических сетей

(РСС) для представления и поиска решении на основе аналогий

я блоками

. Ж IУГГ? -. Й(Д1ПР РВ - ■

Другие модули, системы и блоки ИСППР РВ

Рис. 5. Архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ

Основными подсистемами разработанной системы являются редактор семантических се гей (РСС) для представления и поиска решения на основе аналогий и конструктор библиотек прецедентов (КБП)

Компонентами РСС, отражающими его функциональные возможности, являются:

• модуль представления знаний о предметной области в виде СС;

• подсистема визуализации и просмотра структуры загруженной или вновь созданной СС,

• подсистема поиска решения на основе аналогий, использующая разработанные алгоритмы поиска решения на основе структурной аналогии свойств и отношений, а также включающая в себя модуль оценки полученных аналогий,

• модуль переноса новых фактов.

Основными компонентами КБП являются:

• модуль, предназначенный для хранения и загрузки ЬП, а также для осуществления импорта данных (прецедентов) из других БП;

• подсистема, обеспечивающая визуализацию и просмотр структуры БП;

• подсистема редактирования и настройки БП, позвотяющая создавать, модифицировать и удалять БП, а также сами прецеденты;

• модуль проверки вновь созданных прецедентов;

• подсистема тестирования БП, позволяющая осуществить поиск решения на основе прецедентов в тестируемой БП.

На основе предложенной архитектуры выполнена программная реализация системы в среде визуального программирования Borland С++ Builder 6.0 под операционную систему Windows® 98/NT/2000/XP.

Рассматривается использование разработанной системы для решения задачи диагностики состояний технического объекта и обнаружения управляющих воздействий на примере подсистемы компенсации объема (КО) в контуре ВВЭР АЭС для прототипа ИСППР РВ.

В работе рассмотрен полный цикл разработки БП на примере подсистемы КО После того как создана и настроена БП для КО (т.е указаны веса параметров для описания ситуаций прецедентов и задано пороговое значение для степени сходства прецедентов с текущей ситуацией) на основе технологического регламента и оперативных инструкций сформированы десять прецедентов. Для описания ситуации прецедентов из БП для КО используется 79 аналоговых и дискретных параметров Последующие действия заключаются в тестировании разработанной Ы1 для КО, что i ¡pe/шолaj ает применение механизмов рассуждения на основе прецедентов. В случае, если для новой ситуации нет прецедентов, например, из-за отсутствия значений параметров TS35S01 и TK13D03 в описании ситуации, можно попытаться найти значения этих параметров с помощью методов на основе аналогий, - для этого используется РСС

Рассмотрен пример поиска решения на основе структурной аналогии с применением обобщенного алгоритма (алгоритма 3) (рис. 6). В данном случае в качестве приемника задается новая ситуация. Для уточнения первоначального контекста используется тот факт, что насосы TG10D03, TK11D02, TK12D02 отключены (т.е. их значения равны 2) и вентили тазовой сдувки TS35S02, TS35S03 находятся в промежуточном состоянии (значения равны 0) Важность таких параметров как TS35S01-TS35S03 задается равной 50%, a TG10D03, ТК11D02-TK13D02, YP10T118 и YP10T119 (температуры низа и верха корпуса КО) - равной 100%.

В результате найдено шесть аналогий (рис. 7^ с различными оценками, полученными как с учетом контекста, так и с учетом важности параметров. Далее выбираем наилучшую аналогию в соответствии с оценками (Аналогию №1) и на ее основе переносим новые факты для данной ситуации Среди этих фактов присутствуют интересующие нас факты о том, что вентиль газовой сдувки TS35S01 находится в промежуточном состоянии (значение равно 0) и насос подпитки TK13D03 отключен (значение равно 2).

По завершению работы с РСС происходит возврат б КБП и дтя уточненной текущей ситуации осуществляется поиск решения на основе прецедентов В

результате для текущей ситуации могут быть найдены новые прецеденты с различными степенями сходства, которые превышают заданное пороговое значение.

Поиск решения ил веши я

Привмии* (цель) для аналогии Номя си^лииа Источник fôejajiiii« аналогии

Атрибуты пристлиигл Iя»пи!для аналогии

Dv-nvoelÔ ~

Dv/Wld-O DV11V20-0 DD01-0 DDÛ^-Û DD05=0 DD06-0 DV i ÏV28-Û

T S 35501-_

iw TS36b0J-0 M« ТЗ'ОСОЗ 2 ✓ Т/1ЮП7-2

тю'осг-г

' TKT5D02-

8 ажиосгв гкдодоггрa {атрибут* ИЛИ елбьтмя}

8 pet-инной интервал для поиска решения

1 Пойся |»апния н*«сиоще «налогий

Поярче «ые •аналогии

Амлс' ия *J*2 Аьалс-ия 3 Аналогия N'4 Анало ия Аналогия HÎ

утх

33 ÛD* 93 СОЙ

6867^

ЕЁ 67% Б6 67Х 66

Наемник {цель) Ноеая'мт^ия Teppece^evw Ррецвдемг Источник Иаз*} Првивоекг №5 Конгеыгг

75ЭКй!мГ

TG100ra-2 >002-2

Ноаые^гты Проверено^«

Si 46601-380

TS35SÛ1=Û

ТИЗОГС^

Смфаиигь rto№fieHrte« ан-згюгйи | Перенести новы» фэкты~| Стме^г

Рис. 6. Окно для задания параметров Рис. 7. Окно выдачи результатов поиска поиска решения на основе аналогий решения на основе аналогий

Таким образом, эксперт, проведя формирование и тестирование БП для выбранной подсистемы сложного объекга, может сохранить полученную БП для дальнейшей ее передачи в оперативную эксплуатацию.

В заключении приведены основные результаты, полученные в диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведено исследование различных моделей и методов поиска решения на основе аналогий и на основе прецедентов для ИС и установлено, что для моделей на основе аналогий, удовлетворяющих требованиям к современным ИСГТПР РВ, целесообразно использовать методы на основе структурной аналогии.

2. Предложена структура аналогии, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах Возможность более детальною уточнения контекста позволяет сократить время поиска решения на основе аналогий, а возможность определения аналогии в различных контекстах позволяет решить проблему обнаружения потенциальных аналогов.

3 Разработаны алгоритмы поиска решения на основе структурной аналогии свойств и отношений, ориентированные на применение в ИСППР РВ. Предложен обобщенный алгоритм поиска решения на основе структурной аналогии, позвотяюпшй в зависимости от исходных данных и времени, выдетяемого на поиск решения, применять различные схемы поиска решения на основе аналогий Проведено компьютерное моделирование по оценке времени работы предложенных

алгоритмов поиска решения на основе структурной аналогии и их сравнению с базовым алгоритмом.

4. Разработаны методы оценки аналогий с учетом контекста и важности параметров объекта.

5. Предложен модифицированный (с учетом специфики ИСППР РВ) метод поиска решения на основе прецедентов и структура библиотеки прецедентов. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ, позволяющая обеспечить интеграцию двух подходов на основе структурной аналогии и на основе прецедентов.

6. Выполнена реализация программных средств поиска решения на основе аналогий и прецедентов для ИСППР РВ.

7. Разработанные методы и программные средства применены для решения задач диагностики состояний сложного технического объекта и обнаружения управляющих воздействий с использованием annapaia аналогий и прецедентов в прототипе ИСППР РВ для подсистемы КО в контуре ВВЭР АЭС, а также в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), о чем имеются акты о внедрении. Программное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБГ1) зарет истрировано в Реестре программ для ЭВМ (свидетельство №200561076' от 31.03.2005)

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Варшавский ПР Применение и важность рассуждения (вывода) по аналогии в системах искусственного интеллекта // Сб. науч. тр. четвертой международной летней школы-семинара по искусственному интеллекту для студентов и аспирантов (Браславская школа - 2000). - Мн . БГУ, 2000, -С. 116-121.

2. Варшавский П Р Реализация схемы рассуждения по аналогии // Радиотехника, электроника и энергетика: : Тез. докл. седьмой междунар научно-гехн. конф. студентов и аспирантов. В 3-х томах. - Т 1, - М Изд. МЭИ, 2001,-С. 248.

3. Варшавский ПР Возможность динамического определения прецедентов для рассуждения по аналогии // Сб. тр. Научной сессии МИФИ-2002 В 14 т. - Т. 3. - М • МИФИ, 2002 - С 98-99.

4 Варшавский П Р Динамическое расширение прецедентов для рассуждения по аналогии // Радиотехника, электроника и энергетика: : Тез. докл. восьмой междунар научно-техн. конф. студентов и аспирантов. В 3-х томах. - Т. 1, - М.: Изд. МЭИ, 2002, - С. 261-262.

5. Варшавский ПР Применение алгоритма поиска минимальных пересечений в методе аналогий с учетом контекста !' Сб тр. Научной сессии МИФИ-2003 В 14 т. - 1. 3. - М МИФИ, 2003 - С 150

6. Варшавский П Р Реализация метода аналогий на семантических сетях с учеюм контекста // Радиотехника, электроника и энергетика- Тез. докл.

20 п ц 4 6 1

девятой междунар. науч.-техн. конф. студентов и аспирантов. В З-'х т., Т. I.

-М.: Изд. МЭИ, 2003, - С. 290. 2006

7. Еремеев А.П, Варшавский ПР Реализация метода приближ; рассуждений на основе аналогий // Интегрированные модели и 1 СО 1 Л. вычисления в искусственном интеллекте. Сб. науч. тр. второт о меж ^ ** А научно-практ. семинара. - М.: ФшМатЛит, 2003, - С. 76-82.

8. Варшавский П Р Применение механизма структурного отображения (БМЕ) в методе рассуждений на основе аналогий // Международный форум информатизации-2003: Тр. междунар. конф. «Информационные средства и технологии». В 3-х т. Т. 1. - М.: Янус-К, 2003. - С. 127-130.

9. Варшавский ПР Метод вывода на основе аналогий, базирующийся на теории структурного отображения // Сб. тр. Научной сессии МИФИ-2004. В 15т,- Т. 3. - М.: МИФИ, 2004. - С. 136-137.

10.Варшавский ПР Реализация схемы рассуждения на основе аналогий с помощью структурною отображения //' Радиотехника, электроника и энергетика- Тез докл десятой междунар. науч.-техн. конф. студентов и аспирантов. В 3-х т., Т. 1. - М.: Изд. МЭИ, 2004. - С. 313-314.

11 .Варшавский 11Р Применение метода аналогий в рассуждении на основе прецедентов для интеллектуальных систем поддержки принятия решений // Тр. девятой нац. конф. по искусственному интеллекту с междунар. участием КИИ-2004. В 3-х т. Т.!. - М.: ФизМатЛит, 2004, - С. 218-226.

12.Варшавский П.Р. Метод структурной аналогии свойств и отношений для интеллектуальных систем поддержки принятия решений // Международный форум информатизации-2004: Тр. междунар. конф «Информационные средства и технологии». В 3-х !. Т. 1. - М.: Янус-К, 2004.-С. 132-135.

\Ъ.Варшавский ПР Метод рассуждения на основе прецедентов для интеллектуальных систем поддержки принятия решений // Сб тр. Научной сессии МИФИ-2005. В 15 т. - Т. 3. - М : МИФИ, - С 154-155.

14.Варшавский IIР Архитектура системы поиска решения на основе прецедентов и аналогий // Радиотехника, электроника и энергетика: Тез. докл одиннадцатой междунар. науч.-техн. конф. студентов и аспирантов. В 3-х I., Т. 1.-М,- Изд. МЭИ, 2005, - С. 329-330.

15.Варшавский ПР, Еремеев АП Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений // Известия РАН. Теория и системы управчения. - № 1 - 2005. - С. 97-109.

16. Варшавский ПР, Еремеев АП Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений // Междунар журнал компьютерных систем Перевод журнала «Известия РАН Теория и системы управчения». - Т. 44. № 1 - 2005. —С. 90-101. — (на англ. яз)

Подписано в печать ^ 0$ ¿'¿>Г Зак. Тир. (ОО П. л. Д.Г

Полиграфический центр МЭИ (ТУ)

Красноказарменная ул., д.13

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. Модели и методы рассуждения на основе аналогий.

1.1. Аналогия и рассуждения на основе аналогий.

1.2. Типы аналогий.

1.3. Методы рассуждения на основе аналогий.

1.3.1. Символьные модели рассуждения на основе аналогий.

1.3.2. Коннекционистские модели рассуждения на основе аналогий.

1.3.3. Гибридные модели рассуждения на основе аналогий.

1.4. Методы рассуждения на основе прецедентов.

1.5. Методы рассуждения на основе аналогий и на основе прецедентов для ИСППРРВ.

1.5.1. Семиотическая ИСППР РВ.

1.5.2. Требования к разработке моделей и методов рассуждения на основе аналогий для ИСППР РВ.

1.6. Выводы по главе 1.

ГЛАВА 2. Структурная аналогия.

2.1. Представление знаний для рассуждения на основе аналогий.

2.1.1. Представление знаний в виде СС.

2.1.2. Структура СС.49—

2.2. Метод рассуждения на основе структурной аналогии свойств с учетом контекста.

2.2.1. Структура аналогии с учетом контекста.

2.2.2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста.

2.3. Метод рассуждения на основе структурной аналогии отношений.

2.3.1. Теория структурного отображения SMT.

2.3.2. Механизм структурного отображения SME.

2.4. Выводы по главе 2.

ГЛАВА 3. Методы поиска решения на основе структурной аналогии и на основе прецедентов для ИСППР РВ.

3.1. Методы поиска решения на основе структурной аналогии.

3.1.1. Модифицированная структура аналогии с учетом контекста.

3.1.2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения.

3.1.3. Алгоритм поиска решения на основе структурной аналогии с учетом контекста, использующий минимальные пересечения.

3.1.4. Обобщенный алгоритм поиска решения на основе структурной аналогии.

3.1.5. Методы оценки полученных аналогий.

3.2. Метод поиска решения на основе прецедентов.

3.2.1. Специфика рассуждения на основе прецедентов для ИСППР РВ.

3.2.2. Структура БП, ориентированная на применение в рамках ИСППР РВ

3.2.3. Алгоритм поиска решения на основе прецедентов для ИСППР РВ.

3.3. Экспериментальное исследование алгоритмов.

3.4. Выводы по главе 3.

ГЛАВА 4. Реализация и применение системы поиска решения на основе аналогий и на основе прецедентов для ИСППР РВ.

4.1. Архитектура и функциональные возможности системы поиска решения на основе аналогий и прецедентов.

4.2. Программная реализация системы поиска решения на основе аналогий и прецедентов.

4.3. Описание системы КО в контуре ВВЭР АЭС.

4.4. Пример применения системы поиска решения на основе аналогий и прецедентов в рамках ИСППР РВ для поддержки оперативно-диспетчерского персонала энергоблока.

4.4.1. Схема функционирования ИСППР РВ.

4.4.2. Разработка структуры БП для системы КО в контуре ВВЭР АЭС.

4.4.3. Пополнение БП для системы КО в контуре ВВЭР АЭС новыми прецедентами.

4.4.4. Тестирование БП для системы КО в контуре ВВЭР АЭС.

4.5. Выводы по главе 4.

В работе исследованы и разработаны методы, модели и программные средства поиска решения на основе аналогий в интеллектуальных системах (ИС) типа интеллектуальных систем поддержки принятия решений (ИСППР).

Полученные результаты были использованы для разработки архитектуры и выполнения программной реализации системы поиска решения на основе аналогий и на основе прецедентов, ориентированной на применение в рамках современных ИС типа ИСППР реального времени (ИСППР РВ) [1—6].

Разработанная система поиска решения на основе аналогий и прецедентов была использована в составе прототипа ИСППР РВ для мониторинга и управления сложными объектами типа энергоблоков и другими процессами различной природы [7, 8].

Актуальность темы исследования.

Изучение механизмов, участвующих в процессе построения умозаключений на основе аналогий, является важной задачей, как для психологов, так и для специалистов в области искусственного интеллекта (ИИ) [9—13]. Аналогия может использоваться в различных приложениях ИИ и для решения разнообразных задач, например, для генерации гипотез о незнакомой предметной области, для обобщения некоторого опыта в виде абстрактной схемы или понимания естественного языка (ЕЯ). Моделирование рассуждений на основе аналогий позволяет обеспечить разработку более гибких моделей рассуждений и систем обучения.

Вопросы о природе аналогии, ее формальном определении, правомерности использования вывода на основе аналогий возникли довольно давно и были весьма актуальны еще во времена эпикурейцев и стоиков [14]. Начиная с первой попытки формализовать понятие аналогии, предпринятой Лейбницем в своем сочинении "Фрагменты логики", и до настоящего момента не удалось дать исчерпывающего формального определения этому понятию. На данный момент уже существует достаточно большое количество различных моделей, схем и методов рассуждения на основе аналогий, отражающих в той или иной степени механизмы вывода на основе аналогий [9, 10, 12-60]. Широко известны подходы, использующие механизмы вывода на основе аналогий, в области доказательства теорем и в задачах программирования роботов [21, 22, 24], в области понимания ЕЯ [27-29, 42], в системах машинного обучения [33, 34] и других областях [15, 18, 25, 26].

Большой интерес к моделям и методам рассуждения на основе аналогий обусловлен тем, что на сегодняшний день весьма актуальна проблема моделирования человеческих рассуждений (рассуждений так называемого "здравого смысла") для ИС и, в частности, для ИСППР и ИСППР РВ [61-67].

ИСППР РВ предназначены для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в реальном масштабе времени при наличии в имеющейся информации (данных и знаниях) различного рода неопределенностей (неполноты, неточности, противоречивости и т.п.), называемых для краткости "НЕ-факторами" [1-3, 7, 8, 67]. Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с тысячами взаимосвязей, отследить которые в полном объеме достаточно трудно, с большим количеством контролируемых и управляемых параметров, которые изменяются в процессе функционирования объекта, и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы (например, энергоблок включает в себя такие подсистемы как реактор, первый контур, компенсатор объема и др.) и могут функционировать в различных режимах (в штатном, нештатном и аварийном, когда включаются системы автоматической защиты).

ИСППР РВ принадлежат к классу интегрированных ИС, сочетающих строгие математические методы и модели поиска решения с нестрогими, эвристическими моделями и методами, базирующимися на экспертных знаниях, моделях человеческих рассуждений и накопленном системой опыте [63, 64, 67].

ИСППР РВ характеризуются, как правило, жестким ограничением на время поиска решения. Нужно отметить, что при использовании методов и моделей рассуждения на основе аналогий в ИСППР РВ необходимо учитывать ряд важных требований, которые предъявляются к таким системам и которые подробно обсуждаются в первой главе диссертации.

Применение моделей и методов поиска решения на основе аналогий в ИСППР позволяет ЛПР в реальном масштабе времени при наличии разного рода НЕ-факторов как в исходной информации, получаемой от объекта управления и среды, так и в экспертных знаниях принимать более адекватные управляющие воздействия на объект управления в различных нештатных (аномальных) ситуациях.

Актуальность исследования обуславливается практической значимостью ИСППР РВ, способных оперировать механизмами поиска решения на основе аналогий и прецедентов.

В настоящее время большинство отечественных и зарубежных средств, использующих рассуждения на основе аналогий, ориентировано на использование в системах понимания ЕЯ [27, 42], машинного обучения [33] и для выдвижения гипотез о предметной области (например, ДСМ-метод автоматического порождения гипотез, активно разрабатываемый научной группой В.К. Финна) [15, 68-71]. В тоже время отсутствуют развитые средства поиска решения на основе аналогий для ИСППР (ИСППР РВ). Кроме того, весьма ощутим недостаток отечественных программных средств, сопоставимых с зарубежными системами.

Отметим, что наряду с методами рассуждения на основе аналогий, активно разрабатываются и применяются методы рассуждения на основе прецедентов (опыта) [72—75]. Как и рассуждения на основе аналогий, рассуждения на основе прецедентов базируются на понятии аналогии, однако методы их реализации имеют отличия.

Выполненные исследования опираются на результаты работ в области конструирования ИСППР, моделирования рассуждений с использованием аналогий и в области ИИ Д.А. Поспелова, О.И. Ларичева, Э.В. Попова, А.И. Уемова, В.К. Финна, В.Н. Вагина, А.А. Башлыкова, А.П. Еремеева, О.П. Кузнецова, Г.С. Осипова, А.Б. Петровского, И.Б. Фоминых, В.Ф. Хорошевского и др., а также зарубежных ученых Г. Лейбница, Г. Саймона (Н. Simon), Н. Нильсона (N. Nilson), Д. Пойя (G. Polya), Д. Мак-Дермотта (D. McDermott), Д. Милля (J. Mill), Р. Клинга (R. Kling), Д. Плейстида (D. Plaisted), Дж. Карбонела (J. Carbonell), П. Уинстона (P. Winston), Д. Гентнер (D. Gentner), Д. Лонга (D. Long), Р. Гариглиано (R. Garigliano) и др.

Объектом исследования являются методы поиска решения (рассуждения) на основе аналогий. Предметом исследования являются методы поиска решения на основе структурной аналогии для ИСППР РВ.

Целью работы является исследование и разработка методов и программных средств поиска решения на основе аналогий и на основе прецедентов, повышающих эффективность и расширяющих интеллектуальные возможности современных компьютерных систем типа ИСППР РВ.

Для достижения указанной цели необходимо решить следующие задачи:

• исследование методов и моделей поиска решения на основе аналогий и на основе прецедентов;

• разработка методов поиска решения на основе структурной аналогии для ИСППР РВ;

• разработка структуры библиотек прецедентов (БП), ориентированной на применение в рамках ИСППР РВ;

• разработка архитектуры системы поиска решения на основе аналогий и прецедентов;

• программная реализация системы поиска решения на основе аналогий и прецедентов;

• использование разработанной системы поиска решения на основе аналогий и прецедентов в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях.

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, искусственного интеллекта, теории графов, теории алгебраических моделей и методов оценки вычислительной сложности алгоритмов.

Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе.

Научная новизна исследования состоит в следующем:

1. Предложена структура аналогии с учетом контекста, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах.

2. Предложены методы оценки аналогий с учетом контекста и важности параметров объекта.

3. Разработан обобщенный алгоритм поиска решения на основе структурной аналогии, учитывающий ограничения на время поиска решения и позволяющий применять различные схемы поиска решения на основе аналогий.

4. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ.

Практическая значимость работы заключается в создании программной системы поиска решения на основе аналогий и на основе прецедентов, повышающей эффективность и расширяющей интеллектуальные возможности компьютеров и компьютерных систем на примере ИСППР РВ для мониторинга и управления сложными объектами и процессами.

Практическая значимость работы подтверждается использованием разработанной программной системы в прототипе ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях, о чем имеются акты о внедрении.

Реализация результатов. Разработанная система поиска решения на основе аналогий и на основе прецедентов использована в ОАО «ЦНИИКА» в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблоков, в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), что подтверждается соответствующими актами о внедрении.

Результаты работы использованы в НИР, выполняемых в рамках гранта РФФИ проект №02-07-90042 "Исследование и разработка инструментальных средств создания экспертных систем семиотического типа" (Научные руководители д.т.н., проф. Вагин В.Н., д.т.н., проф. Еремеев А.П.), гранта для поддержки научно-исследовательской работы аспирантов государственных образовательных учреждений высшего профессионального образования, находящихся в ведении Федерального агентства по образованию, проект №2369040 "Методы и программные средства автоматизации процессов принятия решений и управления на основе аналогий" (Научный руководитель д.т.н., проф. Еремеев А.П., ответственный исполнитель асп. Варшавский П.Р.) и в рамках Федеральной целевой научно-технической программы "Исследования и разработки по приоритетным направлениям развития науки и техники" на 2002-2006 годы (государственный контракт от 1 февраля 2002 г. №37.011.11.0021 и дополнительное соглашение от 18 августа 2004 г. №5), Блок 2 - "Поисково-прикладные исследования и разработки", Раздел — "Информационно-телекоммуникационные технологии и электроника", подраздел - "Информационные технологии", по теме "Системы мониторинга и поддержки принятия решений на основе аппарата нетрадиционных логик" (Научный руководитель д.т.н., проф. Еремеев А.П.).

Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБП) зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (СВИДЕТЕЛЬСТВО № 2005610761 от 31.03.2005 г.).

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 7-й, 8-й, 9-й, 10-й, 11-й научных конференциях аспирантов и студентов "Радиотехника, электроника, энергетика" в МЭИ (ТУ), (г. Москва, 2001-2005 гг.), на 4-й международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа - 2000). (Беларусь, г. Браслав, 2000 г.), на "Научных сессиях МИФИ" (г. Москва, 2002-2005 гг.), на втором международном научно-практическом семинаре "Интегрированные модели и мягкие вычисления в искусственном интеллекте " (г. Коломна, 2003 г.), на 9-й национальной конференции по искусственному интеллекту с международным участием КИИ'2004 (г. Тверь, 2004 г.), на Международных форумах информатизации МФИ-2003 и МФИ-2004 (Международные конференции "Информационные средства и технологии") (г. Москва, 2003, 2004 гг.).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 16 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (112 наименований) и приложений. Диссертация содержит 157 страниц машинописного текста (без приложений) и 55 страниц приложений.

Основные результаты диссертационной работы:

1. Проведено исследование различных моделей и методов поиска решения на основе аналогий и на основе прецедентов для ИС и установлено, что для моделей на основе аналогий, удовлетворяющих требованиям к современным ИСППР РВ, целесообразно использовать методы на основе структурной аналогии.

2. Предложена структура аналогии, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах. Возможность более детального уточнения контекста позволяет сократить время поиска решения на основе аналогий, а возможность определения аналогии в различных контекстах позволяет решить проблему обнаружения потенциальных аналогов.

3. Разработаны алгоритмы поиска решения на основе структурной аналогии свойств и отношений, ориентированные на применение в ИСППР РВ. Предложен обобщенный алгоритм поиска решения на основе структурной аналогии, позволяющий в зависимости от исходных данных и времени, выделяемого на поиск решения, применять различные схемы поиска решения на основе аналогий. Проведено компьютерное моделирование по оценке времени работы предложенных алгоритмов поиска решения на основе структурной аналогии и их сравнению с базовым алгоритмом.

4. Разработаны методы оценки аналогий с учетом контекста и важности параметров объекта.

5. Предложен модифицированный (с учетом специфики ИСППР РВ) метод поиска решения на основе прецедентов и структура библиотеки прецедентов. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ, позволяющая обеспечить интеграцию двух подходов на основе структурной аналогии и на основе прецедентов.

6. Выполнена реализация программных средств поиска решения на основе аналогий и прецедентов для ИСППР.

7. Разработанные методы и программные средства применены для решения задач диагностики состояний сложного технического объекта и обнаружения управляющих воздействий с использованием аппарата аналогий и прецедентов в прототипе ИСППР РВ для подсистемы КО в контуре ВВЭР АЭС, а также в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), о чем имеются акты о внедрении. Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБП) зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (СВИДЕТЕЛЬСТВО №2005610761 от 31.03.2005 г.).

Перечислим основные направления дальнейших исследований:

• Интеграция моделей и методов поиска решения на основе аналогий и прецедентов с другими моделями и методами рассуждения, базирующимися на аппарате нетрадиционных логик — индуктивных, абдуктивных, нечетких, аргументации;

• Расширение возможностей разработанной системы в рамках ИСППР РВ на основе аппарата нетрадиционных логик за счет применения различных типов аналогии.

ЗАКЛЮЧЕНИЕ

1. Ларичев О.И. Теория и методы принятия решений, а также хроника событий в волшебных странах: Учебник. — М.: Логос, 2002. — 392 с.

2. Статические и динамические экспертные системы: Учеб. пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. - 320 с.

3. Гавршова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384 с.

4. Башлыков А.А., Еремеев А.П. Экспертные системы поддержки принятия решений в энергетике / Под ред. А.Ф. Дьякова. — М.: Издательство МЭИ, 1994,-216 с.

5. Башлыков А.А., Еремеев А.П. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решенийреального времени // Новости Искусственного Интеллекта. — 2001. -№3.-С. 35-40.

6. Gentner D., Markman А.В. Structure Mapping in Analogy and Similarity // American Psychologist. 1997. - Vol. 52. -№1. - P. 45-56.

7. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.: Радио и связь, 1989. 184 с.

8. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, Пер. с англ. 4-е изд. — М.: Издательский дом "Вильяме", 2003.-864 с.

9. Финн В.К. Об интеллектуальном анализе данных // Новости Искусственного Интеллекта. 2004. - №3. - С. 3—18.

10. Уемов А.И. Логические основы метода моделирования. -М.: Мысль, 1971.-311 с.

11. Финн В.К. Синтез познавательных процедур и проблема индукции // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 1-2,-С. 8-45.

12. Reitman W.R. Cognition and thought: an information processing approach // New York, NY: John Wiley and Sons, 1965.

13. Evans Т. A program for the solution of a class of geometric analogy intelligence test questions // In Semantic Information Processing. Cambridge, MA: MIT Press, 1968,-P. 271-353.

14. Becker J. D. The modeling of simple analogic and inductive processes in a semantic memory system // Proceedings of IJCAI-69, Washington, DC, 1969, -P. 655-668.

15. McDermott J. Learning to Use Analogies // Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI-79), Tokyo, 1979.

16. Kling R.E. A paradigm for reasoning by analogy // Artificial Intelligence, 2, 1971,-P. 147-178.

17. Haraguchi M, Arikawa S. A Foundation of Reasoning by Analogy. Analogical Union of Logic Programs. Proc. Logic Programming Conf. — 1986, June, Tokyo, - P. 103-110.

18. Carbonell J.G. Learning by Analogy: Formulating and Generalizing Plans from Past Experience // Machine Learning: An Artificial Intelligence Approach, Vol. 1, Morgan Kaufmann Publishers Inc., Los Altos, California, 1983.

19. Plaisted D.A. Theorem proving with abstraction, Artificial Intelligence 16(1), March 1981,-P. 47-108.

20. Meyer J.-J.Ch. van Leeuwen J.C. Possible World Semantics for Analogous Reasoning // Practical Reasoning. International Conference on Formal and Applied Practical Reasoning, FAPRX96, Germany, 1996, P. 414-430.

21. Берштейн JI.C., Боженюк A.B. Нечеткие модели принятия решений: дедукция, индукция, аналогия // Таганрог: Изд-во ТРТУ, 2001. 110 с.

22. Winston P. Н. Learning by creating and justifying transfer frames // Artificial Intelligence, 10(2), 1978,-P. 147-172.

23. Winston P. H. Learning and reasoning by analogy // Communications of the ACM, 23(12), 1980,-P. 689-703.

24. Winston P. H. Learning new principles from precedents and exercises // Artificial Intelligence, 19 , 1982, P. 321-350.

25. Gentner D. Structure-mapping: A theoretical framework for analogy // Cognitive Science, 7 (2), 1983, P. 155-70.

26. Варшавский П.P. Метод вывода на основе аналогий, базирующийся на теории структурного отображения // НАУЧНАЯ СЕССИЯ МИФИ-2004. Сборник научных трудов. В 15 томах. Т.З.Интеллектуальные системы и технологии. М.: МИФИ, 2004. С. 136-137.

27. Falkenhainer В., Forbus К., Gentner D. The Structure-Mapping Engine // Proceedings of AAAI-86, Philadelphia, PA, 1986.

28. Falkenhainer В., Forbus K., Gentner D. The Structure-Mapping Engine: Algorithm and examples // Artificial Intelligence, 41, 1989, — P. 1-63.

29. Gentner D. Similarity and analogical reasoning // London: Cambridge University Press, 1993, P. 673-694.

30. Long D., Garigliano R. Reasoning by analogy and causality: a model and application // Ellis Horwood Series in Artificial Intelligence, 1994, — 200 p.

31. Holyoak К. J., Thagard P. Analogical mapping by constraint satisfaction // Cognitive Science, 13, 1989, P. 295-355.

32. Thagard P., Holyoak K., Nelson G., Gochfeld D. Analog retrieval by constraint Satisfaction // Artificial Intelligence, 46, 1990, P. 259-310.

33. Hummel J. E., Holyoak K.J. Distributed representations of structure: A theory of analogical access and mapping // Psychological Review, 104, 1997, P. 427-466.

34. Shastri L., Ajjanagadde V. From Simple Associations to Systematic Reasoning: A connectionist representation of rules, variables and dynamic bindings using temporal synchrony // Behavioral and Brain Sciences, 16, 1993,-P. 417-494.

35. Sougne J. A connectionist model of reflective reasoning using temporal properties of node firing // Proceedings of the Eighteen conference of the Cognitive Science Society. NJ:LEA, 1996, P. 666-671.

36. Smolensky P. Tensor product variable binding and the representation of symbolic structures in connectionist systems // Artificial Intelligence, 46 (1— 2), 1990,-P. 159-216.

37. Wilson W., Halford G. Gray В., Phillips S. The STAR-2 Model for Mapping Hierarchically Structured Analogs // In: D. Gentner, K. Holyoak, B. Kokinov (eds.) The Analogical Mind. Cambridge, MA: MIT Press, 2001.

38. Eliasmith С., Thagard P. Integrating structure and meaning: a distributed model of analogical mapping // Cognitive Science, 25, 2001, P. 245-286.

39. Plate T. Holographic Reduced Representations // IEEE Transactions on Neural Networks, 6(3), 1995, P. 623-641.

40. Jani N., Levine D. A Neural Network Theory of Proportional Analogy-Making // Neural Networks, 13, 2000, P. 149-183.

41. Mitchell M. Analogy-making as Perception: A computer model // Cambridge, MA: MIT Press, 1993.

42. French R. The Subtlety of Sameness: A theory and computer model of analogy-making // Cambridge, MA: MIT Press, 1995.

43. Marshall J., Hofstadter D. The Metacat Project: A Self-Watching Model of Analogy Making // Cognitive Studies: Bulletin of the Japanese Cognitive Science Society, special issue on similarity and analogical reasoning, 4(4), 1997,-P. 57-71.

44. Hofstadter D. R. The Copycat project: An experiment in nondeterminism and creative analogies // MIT AI Memo № 755, Cambridge, MA, 1984.

45. Kokinov B. Associative memory-based reasoning: How to represent and retrieve cases // In T. O'Shea & V. Sgurev (eds.) Artificial Intelligence III: Methodology, systems, and applications, Amsterdam: Elsevier, 1988, — P. 51-58.

46. Kokinov B. The context-sensitive cognitive architecture DUAL // In Proceedings of the Sixteenth Annual Conference of the Cognitive Science Society. NJ:LEA, 1994,-P. 502-507.

47. Kokinov В., Petrov A. Dynamic extension of episode representation in analogy-making in AMBR // Proceedings of the 22nd Annual Conference of the Cognitive Science Society, NJ: LEA, 2000, P. 274-279.

48. Eskeridge Т. A hybrid model of continuous analogical reasoning // In Holyoak K. and Barnden J. (Eds.) Advances in Connectionist and Neural Computation Theory, Volume 2: Analogical Connections, NJrAblex, 1994, — P. 207-246.

49. Варшавский П.P., Еремеев А.П. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений // Известия РАН. Теория и системы управления. — № 1. — 2005. -С. 97—109.

50. Varshavskii P.R., Eremeev А.Р. Analogy-Based Search for Solutions in Intelligent Systems of Decision Support // Journal of Computer and Systems Sciences International, Vol. 44, № 1, 2005, -P. 90-101.

51. Логический подход к искусственному интеллекту: От классической логики к логическому программированию. Пер. с франц. / А. Тейз, П. Грибомон, Ж. Луи и др. М.: Мир, 1990. - 432 с.

52. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных. Пер. с франц. / А. Тейз, П. Грибомон, Г. Юлен и др. М.: Мир, 1998. - 494 с.

53. Джексон П. Введение в экспертные системы.: Пер. с англ. : Уч. пос. — М.: Издательский дом "Вильяме", 2001. — 624 с.

54. Трахтенгерц Э.А. Компьютерная поддержка принятия решений // Научно-практическое издание. -М: Синтег, 1998. — 376 с.

55. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных систем / Под ред. Вагина В.Н., Д.А. Поспелова. -М.: ФИЗМАТЛИТ, 2004. 704 с.

56. Финн В.К ДСМ-метод автоматического порождения гипотез с отношением порядка // Семиотика и информатика.- 1990 .— Вып. 31. — С. 69-103.

57. Финн В.К. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ.-1991 .—№ 15.-С. 55-102.

58. Забежайло М.И., Ивашко В.Г., Кузнецов С.О., Михеенкова М.А., Хазановский К.П., Аншаков О.М. Алгоритмические и программные средства ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1987. №10.-С. 1-14.

59. Объедков С.А. Алгоритмические аспекты ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 1-2, С. 64-75.

60. Kolodner J. L. Improving human decision making through case-based decision aiding // AI Magazine, 12(2), 1991, P. 52-68.

61. Kolodner J. L. Case-based reasoning // San Mateo, CA: Morgan Kaufmann Publishers, 1993.

62. Leake D. B. CBR in Context: The Present and Future // Case-Based Reasoning: Experiences, Lessons and Future Directions, AAAI Press/The MIT Press, 1996,-P. 3-31.

63. Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological variations, and system approaches // AI Communications. 1994, №7.

64. French R. M. The Computational Modeling of Analogy-Making // Trends in Cognitive Sciences, 6(5), 2002,-P. 200-205.

65. Russell S.J., Markman A.B. The Use of Knowledge in Analogy and Induction // San Mateo, CA: Morgan Kauffmann, 1989.

66. Goldstone R.L., Medin D.L., Gentner D. Relational similarity and the non-independence of features in similarity judgments // Cognitive Psychology, 23, 1991,-P. 222-262.

67. Вагин B.H. Дедукция и обобщение в системах принятия решений // -М.: Наука, 1988.-384 с.

68. Аншаков О.М. Об одной интерпретации ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 12, С. 45-53.

69. Варшавский П.Р. Возможность динамического определения прецедентов для рассуждения по аналогии // НАУЧНАЯ СЕССИЯ МИФИ-2002. Сборник научных трудов. В 14 томах. Т.З. Интеллектуальные системы и технологии. М.: МИФИ, 2002. С. 98 — 99.

70. Варшавский П.Р. Метод рассуждения на основе прецедентов для интеллектуальных систем поддержки принятия решений // НАУЧНАЯ СЕССИЯ МИФИ-2005. Сборник научных трудов. В 15 томах. Т.З. Интеллектуальные системы и технологии. М.: МИФИ, 2005, С. 154 -155.

71. Bareiss E.R., Porter B.W.,Weir С.С. Protos: An exemplar-based learning apprentice // International Journal of Man-Machine Studies, 29, 1988, P. 549-561.

72. Rissland E.L. Examples in legal reasoning: Legal hypotheticals // Proceedings of IJCAI-83. San Mateo, CA: Morgan Kaufmann, 1983.

73. Skinner J.M., Luger G.F. An architecture for integrating reasoning paradigms I I Principles of Knowledge Representation and Reasoning. B. Nobel, C. Rich and W. Swartout, ed. San Mateo, CA: Morgan Kaufmann, 1992.

74. Stern C.R., Luger G.F.Abduction and abstraction in diagnosis: a schema-based account // Situated Cognition: Expertise in Context. Ford et. al. ed. Cambridge, MA:MIT Press, 1997.

75. Samuel A.L. Some studies in machine learning using the game of checkers // IBM Journal of R&D, 3, 1952, P. 211-229.

76. Поспелов Д.А., Осипов Г.С. Прикладная семиотика // Новости искусственного интеллекта. 1999. № 1. — С. 9-35.

77. Поспелов Д.А., Осипов Г.С. Введение в прикладную семиотику // Новости искусственного интеллекта. 2002. № 6. С. 3-7.

78. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени // Известия РАН. Теория и системы управления. 2001. № 6. -С. 114-123.

79. Forbus К. Exploring analogy in the large // Analogy: Perspectives from Cognitive Science, Cambridge, MA: MIT Press, 2000, P.l-27.

80. Осипов Г.С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. — М.: Наука. Физматлит, 1997. — 112 с.

81. Schank R.C., Abelson R. Scripts, Plans, Goals and Understanding // Hillsdale, NJ: Erlbaum, 1977.

82. Minsky M. A framework for representing knowledge // In The Psychology of Computer Vision / Winston P., Eds. — New York: McGraw-Hill, 1975.

83. Sowa J.F. Conceptual Structures: Information Processing in Mind and Machine // Reading, MA: Addison-Wesley, 1984.

84. Quillian M.R. Semantic memory // Semantic Information Processing / M Minsky; MIT Press. Cambridge, Mass., 1968. - P. 227-270.

85. Маргулова T.X. Атомные электрические станции: Учебник для вузов. — 4-е изд., перераб. и доп. изд. М.: Высш. шк., 1984. - 304 с.

86. Forbus К., Gentner D., Law К. MAC/FAC: A model of Similarity-based Retrieval // Cognitive Science, 19(2), April-June 1995, -P. 141-205.

87. Варшавский П.Р. Применение алгоритма поиска минимальных пересечений в методе аналогий с учетом контекста // НАУЧНАЯ СЕССИЯ МИФИ-2003. Сборник научных трудов. Т.З.Интеллектуальные системы и технологии. М.: МИФИ, 2003. -С. 150.

88. Mostec Т., Forbus К., Meverden С. Dynamic Case Creation and Expansion for Analogical Reasoning // Proceedings of AAAI-2000, 2000. -P. 1-3.

89. Гарольд Э.Р., Мине У.С. XML. Справочник / Пер. с англ. СПб.: Издательство "Символ", 2002. -576 с.

90. Янг М. XML. Шаг за шагом: Практ. Пособ. / Пер. с англ. М.: Издательство ЭКОМ, 2002. - 384 с.

91. Пол А. Объектно-ориентированное программирование на С++ / 2-е изд. Пер. с англ. - СПб.; М.: "Невский Диалект" - "Издательство БИНОМ", 1999.-462 с.

92. Холингворт Д., Сворт Б., Кэишан М., Густавсон 77. Borland С++ Builder 6. Руководство разработчика. : Пер. с англ. — М.: Издательский дом "Вильяме", 2003.-976 с.

93. Дейтел Х.М., Дейтел П. Дж. Как программировать на С++ / 3-е изд. Пер. с англ. М.: "Издательство БИНОМ", 2001. - 1152 с.

94. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS // Издательство: "БХВ-Петербург", 2003. 608 с.

95. Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов ЕД. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. //- М.: Эдитореал УРСС, 2001. 304 с.158