автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование процессов самообучения интеллектуальных систем на нечетких семантических сетях в недоопределенных средах

На правах рукописи

КРАСОВСКАЯ ЛЮДМИЛА ВЛАДИМИРОВНА

МОДЕЛИРОВАНИЕ ПРОЦЕССОВ САМООБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ НА НЕЧЕТКИХ СЕМАНТИЧЕСКИХ СЕТЯХ В НЕДООПРЕДЕЛЕННЫХ СРЕДАХ

Специальность: 05.13.18 — математическое моделирование, численные

методы и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Махачкала — 2006г.

Работа выполнена в ГОУ ВПО «Дагестанский государственный технический университет»

НАУЧНЫЙ РУКОВОДИТЕЛЬ: доктор технических наук, профессор

Мелехин В.Б.

ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ: доктор технических наук, профессор

Исмаилов Ш.-М.А. кандидат технических наук, доцент Омаров О.М.

ВЕДУЩАЯ ОРГАНИЗАЦИЯ: Дагестанский научный центр Российской

академии наук

Защита состоится «21» ноября 2006г. в 14 час. 00 мин. на заседании специализированного совета К 212.052.03 по защите диссертаций при Дагестан ском государственном техническом университете по адресу: 367015, г. Махачкала, пр. Шамиля, 70.

С диссертацией можно ознакомиться в библиотеке Дагестанского государственного технического университета.

Автореферат разослан «21» октября 2006г.

Ученый секретарь диссертационного совета к.т.н., доцент

Меркухин Е.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Создание и совершенствование принципов управления сложными объектами, разработка эффективных систем принятия решений и построение экспертных систем на основе современных достижений искусственного интеллекта является одним из важнейших направлений развития производства и ускорения научно-технического прогресса.

Актуальность рассматриваемой проблемы подтверждается и бурным развитием исследований в области искусственного интеллекта, а также интенсивным их внедрением в различные сферы человеческой деятельности. Существенный вклад в развитие интеллектуальных систем (ИС) внесли: Аверкин А.Н., Берштейн Л.С., Вагин В.Н., Ефимов Е.И., Журавлев Ю.Н., Зарипов А.Х., Клыков Ю.И., Литвицева Л.В., Левин Д.Д., Любарский Ю.А., Мелихов А.Н., Нариньяни A.C., Поспелов Д.А., Попов Э.В., Тимофеев A.B., Фин В.К., Ца-ленко М.Ш., Чернухин Ю.В., Яхно Т.М. и многие другие.

Однако несмотря на достигнутые успехи, проблема создания эффективных интеллектуальных систем (ИС) на сегодняшний день остается открытой. Особую актуальность приобретают исследования, связанные с созданием систем, способных принимать решения и целенаправленно функционировать в априорно неописанных проблемных средах (ПС). Это обусловлено тем, что априорное описание закономерностей реальной среды невозможно с той полнотой, которая необходима для эффективного планирования целенаправленного поведения в реальных условиях.

Цель и задачи работы. Целью работы является разработка алгоритмов самообучения и построение программного комплекса для моделирования процессов целесообразного поведения интеллектуальных систем, способных автономно функционировать в недоопределениых проблемных средах (ПС), когда модель среды представляется в виде нечеткой семантической сети (НСС).

Поставленная цель формулирует следующие основные задачи диссертационного исследования:

- построить эффективную информационную модель проблемной среды для представления знаний безотносительно к конкретной предметной области, позволяющую организовать самообучение и принятие решений в сложных динамических проблемных средах на основе имитации целесообразного поведения на НСС;

- разработать методику несмещенной оценки и равенства нечетко выраженных отношений между объектами модели в ПС;

- синтезировать и исследовать процедуры самообучения, позволяющие организовывать целесообразное поведение интеллектуальной системы в априорно неописанных проблемных средах;

- разработать пакет программ для моделирования целесообразного поведения ИС, позволяющий определить эффективность использования алгоритмов в различных условиях ПС.

Методы исследования. В процессе решения поставленных задач использованы теория искусственного интеллекта, принципы ситуационного управления, теория четких и нечетких множеств, теория графов, математическая ло-

гика, теория алгоритмов, теория вероятностей и математического моделирования.

Научная новизна: заключается в организации и моделировании процессов целесообразного поведения интеллектуальных систем в априорно непи-санных проблемных средах.

К основным результатам составляющих новизну проведенного исследования, можно отнести следующее:

1. Предложена оригинальная модель ПС в виде нечеткой семантической сети, отличающаяся от известных наличием вершин, определяющих независимые от И С события, происходящие в среде, что позволяет обеспечить имитацию самообучения ИС в недоопределенных динамических проблемных средах.

2. Разработана методика сравнения нечетко представленных отношений в модели ПС, отличающаяся от известных тем, что она позволяет выполнять несмещенную оценку равенства нечетко выраженных показателей и тем самым повысить достоверность сравнения.

3. Синтезированы и исследованы алгоритмы самообучения, позволяющие формировать программы целесообразного поведения в различных проблемных средах, отличающиеся от известных имитацией отработки пробующих действий на НСС, что дает возможность исключить влияние пробных действий ИС на ПС в процессе изучения закономерностей среды;

4. Разработаны и исследованы процедуры выбора алгоритмов целесообразного поведения ИС в соответствии с характером закономерностей ПС, выявленных в процессе моделирования целесообразного поведения.

5. Разработан пакет программ, позволяющий моделировать целесообразное поведение интеллектуального робота в ПС, и на этой основе определить эффективность применения алгоритмов самообучения в различных условиях проблемной среды.

Практическая ценность работы заключается в возможности использования разработанных алгоритмов целесообразного поведения для самообучения интеллектуальных систем в реальных труднодоступных для человека проблемных средах.

Важной особенностью предложенных информационных моделей представления знаний является их достаточно высокая универсальность, позволяющая использовать эти методы и процедуры: для построения решающих систем интеллектуальных роботов; в системах ситуационного управления сложными объектами; для организации планирования движения различных автоматических транспортных средств и т.д.

Реализация результатов работы.

Результаты работы использованы при построении модели ПС в виде нечеткой семантической сети для моделирования геофизических процессов, происходящих в земной коре в рамках цифровой картографической 3D-модели Республики Дагестан. Полученные результаты также использованы в

ОАО НИИ «Сапфир» для представления знаний в системе прогнозирования чрезвычайных ситуаций и в учебном процессе при чтении лекций по дисциплине «Интеллектуальные информационные системы», а также при проведении дипломного проектирования.

Апробация работы. Работа в целом и ее отдельные результаты докладывались и обсуждались на Всероссийской научно-технической конференции "Современные информационные технологии в управлении", 2003г., на III Республиканской научно-практической конференции ДНЦ РАН, 2004г., на научно-технических конференциях Дагестанского Государственного технического университета с 2003 по 2005г.

Публикации. По теме диссертации опубликовано 10 печатных работ общим объемом 2.5 п.л.

Структура и объем диссертационной работы. Диссертация состоит из введения, 4 разделов и заключения, изложенных на 136 страницах, содержит 43 рисунка, 41 таблицу, библиография содержит 93 наименования. Имеется приложение на 45 стр., куда вынесены листинг моделирующей программы, а также акты о внедрении результатов диссертационной работы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы исследования, сформулированы цель и задачи работы, определена научная новизна и показана практическая значимость работы.

В первой главе рассмотрены вопросы организации и построения информационных моделей представления знаний ИС безотносительно к конкретной предметной области. Предложена классификация образов ПС. Усовершенствована модель обобщенного описания ситуаций проблемной среды в виде нечетких семантических сетей.

Характерной особенностью ИС, способных функционировать в условиях неопределенности является то, что такие системы должны быть наделены способностями к самообучению, а знания таких систем должны быть не только структурированы, но и представлены безотносительно к конкретным условиям функционирования. Для описания ситуаций ПС безотносительно к конкретной области в работе предложено использовать нечеткие семантические сети (НСС) активного и пассивного типа.

Формально нечеткая семантическая сеть является ориентированным нечетким мультиграфом Gj=(Vi,Ei),rÄe V]={vj)} i(= l,nj и Et={ej2} ¡2= 1 ,nj-соответственно множество вершин и ребер. Вершины v, е V биективно соответствуют объектам ПС, ребра - отношениям, складывающимся в среде между этими объектами.

Однако описание ПС с помощью известных НСС не позволяет эффективным образом организовать моделирование процесса самообучения ИС в динамических проблемных средах. Для устранения указанного недостатка в дополнение к активным и пассивным вершинам сети определяется множество вершин V\ соответствующих событиям, происходящим в проблемной среде независимо от ИС. При этом ребра, исходящие из этих вершин к вершинам,

помеченным объектами, определяются характером воздействия данных событий среды на соответствующие объекты. В самом общем случае формат описания вершин, определяющих события будет иметь следующее содержание:<идентификатор событияХповторяемость события><возможные результаты его воздействия на объекты среды>.

Для представления отношений в НСС используется тройка <Xi,ji,(xi),Tj>.

Для перехода от количественных значений отношений между объектами ПС, определяемых базовыми значениями х, лингвистических переменных, к качественным их значениям, т.е. к одному из термов Т} можно использовать преобразования следующего вида:

( Тп если <jc*;

F:xi-> \ г;, если х] < х~ £ xl, - (1)

I Г/, если < дг*+| <; х*л. где jt*HJc*+],i = l,JSr соответственно нижняя и верхняя граница числовых значений терма Гу.

При этом степень принадлежности значений базовой переменной х* к множеству числовых значений терма Т} может вычисляться согласно следующему характерному числовому выражению:

X, - X * г . -1

—-,есди X, € Ix, tx, J

М(х,) = \Х' (2)

х,-х, Г ** * 1

—-.если xf е [х, ,дг,,, j

где [**,дс*+|]- интервал численных значений терма TJ ; [*"]- середина интервала числовых значений этого терма.

Рассмотренный подход определения компонентов тройки <Xi,//(*,),ry>

при помощи выражений (1) и (2) позволяет легко переходить от количественного значения отношения, определяемого базовой переменной х„ к качественному значению отношения, выраженному парой <ff{xl)tTJ>t а

также осуществлять обратный переход от качественного значения к количественному при функционировании в конкретных условиях ПС.

Для сравнения двух значений отношений между собой, заданных тройками <Xj,//(*,),Гу> и <х„//(*'), Гу'> введем характеристику степени равенства (близости) р{хпх]), которая может вычисляться следующим образом:

а) 1.еслиф^ — лс;|-<«-0 —

) -*,'[> ) &(Т/ = ^)& ((*„*,') G [*'»*,"]v О,,*,') е [хГ.^,]>;

Pix, ,*,') - -¡«ХМ^ ) -м- (1 - > О & (Tj = TJ) & (3)

& ((*„*,') « fi ,*t]vc*>, jej) «

где £0~ параметр, задающий приведенное значение точности сравнения величины отношения;

- операция расплывчатой эквивалентности по Мелехову А.Н., Берштейну Л.С., определяемая по формуле

min(max(//( ), (I - //( xt ))), max(M ), (1 - ц{х', )))) ;

& - конъюнкция, показывающая одновременность выполняющихся

условий.

Выражение (3) можно обосновать следующим образом. Два количественных значения отношения равны между собой, если они попадают в интервал численных значений одного и того же терма Гу, в окрестность

одной и той же точки, определяемую значением параметра ^„(случай а). Два количественных значения лг,и xj нечетко равны между собой, если они принадлежат интервалу численных значений одного и того же терма Тг

Причем, если оба значения степени принадлежности сравниваемых значений попадают в одну и ту же половину интервала численных значений терма, то степень сравнения вычисляется по «б», в противном случае, она определяется по «в». Значения х, и х' не равны между собой, если они попадают в интервалы численных значений различных термов лингвистической переменной Т} (случай г). Следовательно, два значения одного и того же

отношения равны при p(xt,x') = 1. Эти значения отношения являются нечетко равными, если ,*,')>0 и они неравны в случае, когда p{xiix'i) = 0.

Во второй главе рассмотрены вопросы, связанные с организацией самообучения ИС в проблемных средах первого уровня сложности. Разработаны и исследованы алгоритмы самообучения с активной и активно-пассивной логикой, позволяющие ИС автоматически формировать модель целесообразного поведения в априорно неописанных условиях функционирования.

В работе предложено использовать два алгоритма самообучения в средах первого уровня сложности: с активной и активно-пассивной логикой поведения. Алгоритм с активной логикой поведения предназначен для самообучения ИС в статических средах, то есть средах, в которых преобразование ситуаций происходит только в результате отрабатываемых системой операций. В динамических ПС преобразование ситуации происходит еще и от независимых от ИС событий. Поэтому в таких средах используются алгоритмы самообучения с активно-пассивной логикой поведения, позволяющие выявлять независимые от ИС преобразования ПС,

На каждом этапе активного самообучения ИС имитирует отработку пробных действий на НСС. Для имитации отработки действий на НСС каждое из них определяется с помощью следующего формата описания «имя дейст-вияхНСС, определяющая условия отработки действия><НСС, описывающая результат», которое будем называть фреймом действия (ФД).

Имитация отработки действий осуществляется следующим образом. В НСС, определяющей текущую ситуацию ПС по третьей части ФД вносятся соответствующие действию изменения значений отношений между объектами

среды. Если в результате имитации отработки действия текущая ситуация приближается к целевой ситуации по своему содержанию то, формируется звено в

, »

цепи поведения в форме элементарного акта поведения э^й Ь^ —>5 , где приведенная запись означает, что при восприятии текущей ситуации ПС з1ТСК отработка действия Ь/ приводит к ее преобразованию в результирующую ситуацию 5 „к. Причем степень близости р( )< р( 5,+]тек, т.е. действие Ь/ преобразует

ситуацию Б*^ в ситуацию 5|+|тек> между которой и цепью наблюдается меньшее число различий, чем между целевой и исходной ситуациями.

Если действие приводит к необходимому преобразованию ситуации в среде, то оно закрепляется в формируемой программе целесообразного поведения (ПЦП), В результате формируется модель поведения следующего вида & -» & Ь]{ -+ & Ькп з^. Полученная модель поведения закрепляется окончательным образом достижением цели в результате последующей ее реализации в ПС. Это в значительной степени упрощает процесс самообучения, так как позволяет исключить из этого процесса неэффективные изменения в среде, которые могут быть вызваны при непосредственной отработке пробных действий, не способствующих улучшению сложившейся текущей ситуации.

В алгоритме с активно-пассивной логикой вначале выполняется наблюдение за изменением ситуации. Если произошло самопроизвольное преобразование ситуации, то в этой вновь сформированной ситуации ИС по выше описанному принципу выявляет целесообразное воздействие и формирует отдельное звено целесообразного поведения, запоминая цепочку 5|тек&Ц->5цел. Далее принимается 5цел за 3|те|( и продолжаются наблюдения за изменением среды. Если процесс не привел к достижению цели, то ИС переходит к самообучению на основе активной логики поведения. В работе приведено структурированное описание указанных алгоритмов самообучения, определена сложность алгоритмов самообучения, выраженная через число пробных действий, выполненных ИС в процессе самообучения в зависимости от числа объектов, характеризующих ПС. Указанная сложность имеет порядок ]п2[, п - число объектов ПС.

В третьей главе рассмотрены проблемы организации самообучения ИС в проблемных средах второго уровня сложности.

Среда второго уровня сложности характеризуется наличием разветвленной взаимосвязи условных сигналов, определяющих и сопровождающих различные преобразования ее допустимых ситуаций.

ПС относится к среде второго уровня сложности:

- при появлении "тормозных сигналов", препятствующих отработке ранее сформированной программы целесообразного поведения, которая до появления этого сигнала в ПС приводила к достижению соответствующей цели;

- при наблюдении суммарных комплексов условных сигналов, определяющих необходимость одновременного выполнения в среде нескольких событий, связанных с достижением заданной цели;

- при наличии в среде причинно - следственных связей между условными сигналами и происходящими событиями.

При появлении в ПС тормозных сигналов ИС самообучается следующим образом. Допустим, при обработке ранее сформированной цепи поведения з'^к&ЬУ-►s2j+iTeit&b2j —sk1+r)TeK&bkJ—>suwl после выполнения действия blj в среде не произошли требуемые преобразования, не появился сигнал s2i+iTeK> тогда ИС переходит в режим самообучения, имитируя отработку пробных действий в ситуации определяемой НСС S'¡теn=(S1yeiçWXC), где ТС — тормозной сигнал. Для этого в начале выявляется сам тормозной сигнал TC=S ,т<к\52;+1Тек и формируется цепь поведения, приводящая к его устранению в проблемной среде.

Следует отметить, что ИС в процессе самообучения при наличии в ИС тормозных сигналов не может использовать алгоритмы с активно-пассив ной логикой поведения, т.к. промежутки времени включения и выключения этих сигналов могут иметь значительную протяженность. В этой связи, опираясь на описание ситуаций проблемной среды в виде нечетких семантических сетей, требуется организовать процесс самообучения ИС на основе алгоритма с активной логикой поведения, позволяющего вырабатывать программы поведения, связанные с выявлением и выключением тормозных сигналов после их появления. После выключения "тормозного сигнала" ИС приступает к отработке ранее сформированной программы целесообразного поведения, связанной с достижением заданного сигнала suen.

Процесс самообучения ИС в проблемной среде при наличии суммарных сигналов сводится к выработке программ целесообразного поведения, имеющих следующую структуру:

( S1TeK& Sj+i

тек & .„ & Sj+птек) & bj -> ■'цел ,

î \

к о L. 1k ^ хк о l, хк

"•»¡тек «К Dj -*Г Si+лтек Dj

где (s^eK&Sj+iTeK&...&SH™eKXk)&bj-»s,,M - элементарное звено поведения, которое означает, что действие bj после отработки приведет к появлению в проблемной среде целевой ситуации suen при одновременном присутствии в ней сигналов SiTeK>Si+iTeK,...,Si+tvreiIx образующих суммарный комплекс.

Рассмотрим два возможных случая:

- когда ИС априори задано содержание суммарного сигнала, и она его уточняет и корректирует в конкретных условиях проблемной среды;

- когда ИС априори неизвестно содержание суммарного сигнала, и она его выявляет в процессе адаптации к проблемной среде.

В первом случае необходимость одновременного присутствия в проблемной среде всех компонентов s,1те|(,... ,sl+TiTei[xli 1 закрепляемого в

вырабатываемой программе целесообразного поведения суммарного сигнала, может проверяться путем поочередного их выключения с последующей отработкой действия Ь^, закрепляемого в цепи поведения. Если отрабатываемое действие Ь^ приводит к появлению следующего сигнала за суммарным сигналом, то отсутствующая компонента исключается из содержания суммарного сигнала. В противном случае отсутствующий компонент приобретает роль обязательной составляющей суммарного сигнала в текущих условиях проблемной среды.

Во втором случае суммарный сигнал может быть выявлен в процессе самообучения ИС путем наблюдения за характером изменений, происходящих в проблемной среде, В данном случае поведение ИС носит «пассивный характер» и осуществляется следующим образом. Если при наличии в проблемной среде нескольких явно выраженных сигналов (например, несколько объектов в определенных состояниях) выполненное ИС действие приводит к необходимым преобразованиям, а в случае отсутствия любого из этих сигналов таких изменений не происходит, то суммарный сигнал и выполненное действие запоминаются. Затем ИС проверяет необходимость одновременного присутствия всех компонентов суммарного сигнала для достижения цели путем поочередного их выключения с последующей отработкой необходимых действий, связанных с достижением закрепленных в программе целесообразного поведения сигналов.

В процессе самообучения ИС при наличии в ПС причинно -следственных связей, обусловленных выполнением в ней различных по своему содержанию событий, необходимо исключить возможность закрепления в вырабатываемых ПЦП случайных звеньев поведения 51Тек & ^ ->5иел, формирующихся в результате неверного определения причин изменения ситуаций среды.

Для этой цели при разработке алгоритма самообучения используются механизмы действия многократного совпадения двух условных сигналов во времени. Приведем один из возможных принципов реализации этого механизма. Введем параметр 3, принимающий значения из интервала [0,1] и определяющий степень уверенности ИС в закономерности отдельного элементарного акта поведения. Считаем, что если параметр 6 для соответствующего элементарного акта поведения в процессе многократной его реализации принимает значение, равное единице, то данное правило отражает закономерное преобразование ПС. В противном случае, при £=0 принимается решение о том, что элементарное звено поведения носит случайный характер. Для программы целесообразного поведения, состоящей из Л, актов поведения, значение степени уверенности ИС <5* для эффективного применения этой программы поведения может определяться согласно выражению: 5' = шш , и» = 1, Л-,,

где 6Ш -степень уверенности в истинности >с элементарного акта поведения, входящего в структуру искомой программы целесообразного поведения.

Если у ИС имеется несколько альтернативных ПЦП, приводящих к достижению определенного стандартного сигнала sUM, то предпочтение отдается наращиванию и выполнению программы поведения с большим значением параметра S*. При наличии двух ПЦП с одинаковыми значениями параметра 5* используется программа, имеющая меньшую сложность реализации.

Для реализации рассмотренного механизма многократного совпадения двух сигналов во времени, необходимо выбрать количество кг повторных совпадений условных сигналов, при котором принимается решение об истинности формируемого элементарного звена поведения. Значение кг можно определить эвристическим путем, опираясь на накопленный опыт поведения или на основе результата опроса экспертов. Зная кг можно вычислить шаг приращения AS параметра как Д<У=1Д2. Отсюда, удачная отработка действия элементарного звена поведения поощряется увеличением параметра S на AS т.е. AS = SW + AS, в противном случае следует штраф и AS = SW -AS.

Используя описанный механизм, ИС, наблюдая за происходящими в ПС событиями, принимает следующее решение: если после восприятия условного сигнала SjTeit через интервал времени t появляется сигнал и данное

совпадение проявляется многократно, т.е. для него <5 = 1 ,то сигнал 51тек рассматривается как предвестник появления условного сигнала, на который система реагирует определенным образом. Далее, если сигнал s^« появляется часто, то изменений в характере поведения ИС не происходит. Система ожидает самопроизвольного появления требуемого условного сигнала sMMtK и реагирует на него определенным образом согласно ПЦП, в которой закреплен этот сигнал.

В противном случае ИС принимает решение о необходимости достижения одного из условных сигналов s™ или при помощи

отрабатываемых им действий bj еВ. Цепочки действий, приводящие к появлению условных сигналов s1TtK и в среде, ИС формирует на

основании алгоритма самообучения с активно-пассивной логикой самообучения, вырабатывая соответствующие ПЦП.

В случае, когда предвестниковый сигнал s^* предсказывает появление вредного или тормозного сигнала sMmtK для достижения стоящей перед ИС целью sH№ то вырабатывается ПЦП, приводящая к выключению сигнала s1TeK до появления связанного условного с ним сигнала sMmrK. Если по истечении заданного промежутка времени t2 ПЦП, приводящая к выключению сигнала ^те*, полностью еще не сформирована, то по мере появления условного сигнала su1mM ИС вырабатывает ПЦП, связанную с его устранением, и т.д., пока не будут выработаны обе ПЦП, приводящие к выключению тормозных сигналов s,TeK и sMmtK.

В случае неудачной попытки сформировать ПЦП, связанную с выключением (или включением) предвестникового сигнала 5(+1„№,ИС уточняет условный сигнал путем выявления независящего от него события приводящего к включению предвестника при наличии в ПС необходимых для этого условий, определяющихся условным сигналом После выработки

элементарного акта поведения »путем наблюдения за

происходящими в среде событиями формируется комбинированный условный сигнал Затем ИС выявляет действие Це В, приводящее к появлению в

среде необходимого события е и формирует элементарное звено поведения 3;тек & Ьр> я;. После этого формируется ПЦП, связанная с выполнением в ПС события ^ е <3 с учетом различных допустимых ситуаций среды.

Для эффективного взаимодействия ИС с ПС системе необходимо выбрать наиболее эффективный для сложившейся ситуации алгоритм поведения. Для этого ИС может использовать следующие правила выбора различных алгоритмов функционирования:

1. ИС отрабатывает стандартные реакции при восприятии в ПС соответствующей ситуации 8им, определяющей целевое условие функционирования.

2. ИС выполняет ПЦП, если среда характеризуется 5,текеЗ, закрепленным в ПЦП, связанной с достижением цели.

3. Если имитация отработки программы поведения не приводит к цели 5цел.то отработка прекращается, и принимает решение о возможном наличии в ПС тормозного сигнала и система самообучается согласно соответствующему алгоритму самообучения при наличии в нем тормозного сигнала.

4. В динамической ПС самообучение ИС базируется на основе алгоритмов с активно-пассивной логикой поведения. ИС принимает решение, что ПС является динамической путем наблюдения за характером изменений, происходящих в проблемной среде.

5. В квазистационарных ПС самообучение ИС базируется на алгоритмах с активной логикой. Система принимает решение, что конкретная ПС является квазистационарной, изменения в ней происходят в результате действий ИС.

6. При наличии суммарных сигналов самообучение ИС осуществляется на основе соответствующих алгоритмов. ИС принимает решение о наличии в среде априорно неизвестных суммарных сигналов, если между исходной и целевой ситуациями среды имеется ряд различий по состояниям находящихся в них объектов.

В четвертой главе проводится разработка программного комплекса для моделирования процесса самообучения интеллектуальной системы на примере интеллектуального робота (ИР) в априори неописанной среде.

Для моделирования процесса самообучения ИР используется среда: на рабочем участке станка с ЧПУ расположена подставка и стеллаж, на котором лежит заготовка. Роботу необходимо перенести заготовку и вставить ее в рабочий орган станка с ЧПУ. Стеллаж находится на расстоянии а] = 1 м от ИР и

а2 = 5м от станка. Подставка расположена на расстоянии аз - 0,2 м от станка и а4 = 5м от ИР. Рабочая зона манипулятора ИР задается полусферой радиусом г, < 1м. Зона видимости технического зрения робота равна гг < Юм.

Расстояние от ИР до подставки можно оценить с помощью термов лингвистической переменной «расстояние»: <совсем рядом>, <рядом>, <близко>, <недалеко>,<далеко>. Для термов: Г, - «совсем рядом» - верхнее граничное значение г^ЬЗм выбирается, исходя из размеров рабочей зоны манипулятора робота; Г2 - «рядом» - граница этого терма г, <гг <10м; Г3 -«близко» - верхняя граница г} = 10м этого терма берется равной расстоянию, на котором система технического зрения робота способна воспринимать и распознавать известные ему объекты, т.е. численное значение гг равно верхнему пределу зоны восприятия робота; T^ - «недалеко» - граница этого терма гъ < г4 < 30; Г} - «далеко» - граница этого терма гА < г5 < 50 м.

Структура НССЬ определяющей исходную ситуацию для описанной выше задачи приводится на рис.1.

Рис.1. Модель начальной ситуации ПС

Аналитическое описание данной ситуации имеет следующее содержание: {ИР ((((<<0.4/близко>заготовка>) & <0.4/близко>стеллаж>) &<1/далеко>станок>) &<1/далеко>подставка>)} & {станок

((«0,2/рядом>подставка> & <<1/далеко>стеллаж>)} & {подставка ((<<0.2/рядом>станок>) & «1/далеко>заготовка>)},

где конъюнкция, обозначающая одновременность происходящего события.

При аналитическом описании НСС выражение, заключенное в фигурные скобки рассматривается как отдельный фрагмент сети, а имена объектов, с которых начинаются фрагменты, определяются как ключевые понятия фрагментов. Фрагменты НСС, необходимые для описания ПС достаточного для принятия решений, можно сформировать на основе эвристических процедур. Например, первый базовый фрагмент строится относительно ключевой вершины сети, помеченной понятием "ИР". Следующие необходимые фрагменты формируются относительно объектов, входящих в структуру заданного на текущий момент времени целевого условия, но над которыми ИР непосред-

ственных действий не выполняет. Третий тип фрагментов строится в процессе функционирования относительно объектов, используемых ИР в качестве вспомогательных инструментов.

В процессе имитации поведения ИР на первом шаге обучения выявлено действие «подойти к стеллажу». После имитации выполнения этого действия среда преобразуется в новую ситуацию, которая описывается с помощью НСС2. (рис.2).

Рис. 2. Модель ПС после реализации действия «подойти к стеллажу»

Аналитическое описание данного графа имеет следующее содержание: {ИР ((((<<0.2/рядом>заготовка>) & <<0.2/рядом>стеллаж>) & «1/далеко>станок>) & <<1/далеко>подставка>)} & {станок ((«0,2/рядом>подставка> & <<1/далеко>стеллаж>)} & {подставка ((<<0.2/рядом>станок>) & <<1/далеко>заготовка>)}.

В целом в процессе самообучения ИР сформировал следующую программу действий: <подойти к стеллажу>, <взять заготовку>, <дойти до подставки^ <положить заготовку на подставку>, В <ИР подходит к станку >. В результате была получена целевая ситуация, приведенная на рис.3.

К программному комплексу имитационного моделирования поведения ИР были сформулированы следующие основные требования:

- высокое быстродействие;

- удобство в управлении программой.

Рис. 3. Модель целевой ситуации НСС

Программа написана на алгоритмическом языке Visual Studio С++, который имеет удобный пользовательский интерфейс для создания, компиляции, отладки и просмотра результатов расчета. Исходными данными являются начальная ситуация, множество пробных действий и результирующая ситуация. Данные представляются в виде таблицы массивов ситуаций и действий ИР.

Программный комплекс состоит из следующих модулей-подпрограмм; modelIingDlg.h — программа описания класса, имитирующего поведение ИР на нечетких семантических сетях в средах первого и второго уровня сложности; resultDlg.h - программа описания класса результатов моделирования; modellingDIg.cpp - программа реализации алгоритмов самообучения; Re-sultDlg.cpp — программа реализации результатов моделирования; CRe-sultDIg:: Active Algorithm - подпрограмма моделирования алгоритма самообучения с активной логикой поведения; CResultDlg::ActivePasive Algorithm -подпрограмма моделирования алгоритма самообучения с активно- пассивной логикой; CResultDlg:: Stop Algorithm - подпрограмма моделирования алгоритма самообучения при наличии в ПС тормозного сигнала; CRe-sultDlg::Summl Algorithm - подпрограмма моделирования алгоритма самообучения при наличии в статической среде суммарных сигналов; CResultDlg: :Summ2Algorithm - подпрограмма моделирования алгоритма самообучения при наличии в динамической среде суммарных сигналов; CRe-sultDlg::SledstvieAlgorithm - подпрограмма моделирования алгоритма самообучения при наличии в ПС причинно-следственной связи. Результаты имитационного моделирования выводятся в html-форме, импортируемых в таблицы результатов матрицы смежности НСС, определяющей текущее состояние ПС на данный момент времени в результате имитации отработки выбранного действия.

Программа реализует имитацию отработки действий в выбранной проблемной среде для моделирования поведения интеллектуального робота в средах первого и второго уровня сложности,

В заключении сформулированы основные выводы по диссертационной работе в целом.

В приложении приведены:

1) сведения о внедрении результатов диссертационной работы;

2) листинг моделирующей программы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

При проведении исследований получены следующие основные результаты, позволяющие как в совокупности, так и в отдельности, повысить эффективность самообучения ИС в априори неописанных условиях ПС:

1. Для моделирования динамических ПС при ее описании нечеткой семантической сетью предложено определить дополнительное множество вершин, соответствующих событиям, происходящих в среде независимо от ИС;

2. С целью повышения достоверности сравнения нечетко выраженных отношений в НСС разработана несмещенная оценка равенства их значений;

3. Для моделирования целесообразного поведения ИС на НСС в различных ПС синтезированы и исследованы алгоритмы самообучения на основе имитации отработки пробующих действий;

4. С целью установления характера закономерностей ПС сформулированы и исследованы процедуры выбора алгоритмов целесообразного поведения ИС;

5. Для определения эффективности алгоритмов целесообразного поведения в различных условиях ПС разработан пакет программ моделирующего целесообразно поведение интеллектуального робота.

По теме диссертации опубликованы следующие работы:

1. Мелехин A.B., Кагиров К.А., Красовская JI.B, Организация самообучения интеллектуальных систем на основе имитации целесообразного поведения П Технические науки. Вестник ДГТУ. - Махачкала: ДГТУ, 2002. - №5 (0,7/0,4 п.л.)

2. Мелехин В.Б., Красовская Л.В. Информационная модель представления динамических знаний в интеллектуальных системах прогнозирования аварийных и чрезвычайных ситуаций // Современные информационные технологии в управлении. Сб. тез. докл. Всероссийской научно-технической конференции.- Махачкала, 2003 (0,2/0,1 п.л.).

3. Красовская Л.В., Магомедов Х.Д., Мелехин A.B. Динамические модели представления знаний в интеллектуальных системах прогнозирования аварийных и чрезвычайных ситуаций // Информационные и телекоммуникационные системы: сетевые технологии. Материалы III Республиканской научно- практической конференции. - Махачкала: ДНЦ РАН, 2004 (0,6/0,2 п.л.).

4. Мелехин В. Б,, Красовская Л. В. Организация самообучения интеллектуального робота на нечетких семантических сетях // Неделя науки- 2004. Сборник докладов XXV итоговой научно-технической конференции преподавателей, сотрудников, аспирантов и студентов ДГТУ.— Махачкала: ДГТУ, 2004 (0,2/0,1 п.л.).

5. Красовская Л. В. Особенности организации самообучения ИС в режиме полифазного поведения // Неделя науки- 2005. Сб. тез. докл. XXVI итоговой научно-технической конференции преподавателей, сотрудников, аспирантов и студентов ДГТУ. — Махачкала: ДГТУ, 2005 (0,2 пл.).

6. Красовская Л. В. Алгоритмы самообучения интеллектуальных систем на нечетких семантических сетях // Технические науки. Вестник ДГТУ,-Махачкала: ДГТУ, 2005. - №7 (0,5 пл.).

7. Красовская Л. В. Несмещенные оценки сравнения отношений в нечетких семантических сетях // Технические науки. Вестник ДГТУ.- Махачкала, 2005.-№7 (0,5 пл.).

8. Красовская Л.В. Алгоритмы самообучения интеллектуальных систем на нечетких семантических сетях в проблемной среде при наличии в ней суммарных сигналов // Современные информационные технологии в проектировании, управлении и экономике. Часть 1. Сборник научных трудов. - Махачкала: ДГТУ, 2005 (0,5 пл.).

9. Красовская Л.В. Алгоритмы самообучения интеллектуальных систем в проблемной среде при наличии в ней причинно-следственных связей // Современные информационные технологии в проектировании, управлении и экономике. Часть К Сборник научных трудов. - Махачкала: ДГТУ, 2005 (0,5 пл.).

10. Красовская Л.В. Алгоритмы самообучения интеллектуальных систем на нечетких семантических сетях с имитацией отработки действий // Известия вузов России. Радиоэлектроника, 2006, № 4 (0,6 пл.).

Формат 60x84.1/16. Печать ризографиая. Бумага №1. Гарнитура Тайме. Усл.п.л. -1,5 изд. п.л. - 1,5. Заказ Кг 398-04 Тираж - 100 экз. Отпечатано в издательстве «Полиграфист» Махачкала, ул. Акушинского, 7

ВВЕДЕНИЕ.

ГЛАВА 1. РАЗРАБОТКА МОДЕЛИ ОПИСАНИЯ ОБРАЗОВ И СИТУАЦИЙ ПРОБЛЕМНОЙ СРЕДЫ В ПРОЦЕССЕ МОДЕЛИРОВАНИЯ ЦЕЛЕСООБРАЗНОГО ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ.

1.1. Постановка задачи.

1.2. Разработка модели описания образов проблемной среды.

1.3. Разработка модели описания ситуаций проблемной среды.

ГЛАВА 2. МОДЕЛИРОВАНИЕ ПРОЦЕССА САМООБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В СРЕДАХ ПЕРВОГО УРОВНЯ СЛОЖНОСТИ.

2.1. Организация процесса самообучения на нечетких семантических сетях в средах первого уровня сложности.

2.2. Организация процесса самообучения интеллектуальных систем с активной логикой поведения на нечетких семантических сетях.

2.3. Организация процесса самообучения интеллектуальных систем с активно-пассивной логикой поведения на нечетких семантических сетях

ГЛАВА 3. МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ НА ОСНОВЕ АЛГОРИТМОВ САМООБУЧЕНИЯ В СРЕДАХ ВТОРОГО УРОВНЯ СЛОЖНОСТИ.

3.1. Описание "и анализ алгоритма самообучения интеллектуальных систем при наличии в среде причинно-следственных связей.

3.2.Описание и анализ алгоритмов самообучения при появлении в среде тормозных сигналов.

3.3. Описание-и анализ алгоритмов самообучения при наличии в среде суммарных сигналов.

3.4. Разработка процедур выбора алгоритмов целесообразного поведения интеллектуальной системы.

ГЛАВА 4. РАЗРАБОТКА КОМПЛЕКСА МОДЕЛИРОВАНИЯ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНОГО РОБОТА.

4.1. Моделирование алгоритмов самообучения интеллектуального робота в среде первого уровня сложности.

4.2. Моделирование алгоритмов самообучения интеллектуального робота в средах второго уровня сложности.•.

Актуальность темы. Создание и совершенствование принципов управления сложными объектами, разработка эффективных систем принятия решений и построение экспертных систем на основе современных достижений искусственного интеллекта является одним из важнейших направлений развития производства й ускорения научно-технического прогресса.

Актуальность рассматриваемой проблемы подтверждается и бурным развитием исследований в области искусственного интеллекта, а также интенсивным их внедрением в различные сферы человеческой деятельности. Существенный вклад в развитие интеллектуальных систем (ИС) внесли: Аверкин А.Н., Берштейн JI.C., Вагин В.Н., Ефимов Е.И., Журавлев Ю.Н., За-рипов А.Х., Клыков Ю.И., Литвицева JI.B., Левин Д.Д., Любарский Ю.А., Мелихов А.Н., Нариньяни А.С., Поспелов Д.А., Попов Э.В., Тимофеев А.В., Фин В.К., Цаленко М.Ш., Чернухин Ю.В., Яхно Т.М. и многие Другие.

Однако несмотря на достигнутые успехи, проблема создания эффективных интеллектуальных систем (ИС) на сегодняшний день остается открытой. Особую актуальность приобретают исследования, связанные с созданием систем, способных принимать решения и целенаправленно функционировать в априорно неописанных проблемных средах (ПС). Это обусловлено тем, что априорное описание закономерностей реальной среды невозможно с той полнотой, которая необходима для эффективного планирования целенаправленного поведения в реальных условиях.

Цель работы и задачи работы. Целью работы является разработка алгоритмов самообучения и построение программного комплекса для моделирования процессов} целесообразного поведения интеллектуальных систем, способных автономно функционировать в недоопределенных проблемных средах (ПС), когда модель среды представляется в виде нечеткой семантической сети (НСС).

Поставленная цель формулирует следующие основные задачи диссертационного исследования:

- построить эффективную информационную модель проблемной среды для представления знаний безотносительно к конкретной предметной области, позволяющую организовать самообучение и принятие решений в сложных динамических проблемных средах на основе имитации целесообразного поведения наНСС;

- разработать методику несмещенной оценки и равенства нечетко выраженных отношений между объектами модели в ПС;

- синтезировать и исследовать процедуры самообучения, позволяющие организовывать целесообразное поведение интеллектуальной системы в априорно неописанных проблемных средах;

- разработать и исследовать процедуры целенаправленного поведения с привлечением механизмов адаптации, обобщения и применения накопленного опыта в сложных проблемных средах;

- разработать пакет программ для моделирования целесообразного поведения ИС, позволяющий определить эффективность использования алгоритмов в различных условиях ПС.

Методы исследования. В процессе решения поставленных задач использованы теория искусственного интеллекта, принципы ситуационного управления, теория четких и нечетких множеств, теория графов, математическая логика, теория алгоритмов, теория вероятностей и математического моделирования.

Научная новизна. Для решения поставленных задач разработаны алгоритмы самообучения ИС, наделяющие их способностями изучать различные закономерности ПС и на этой основе организовать целесообразное поведение в априорно неописанных средах.

К основным результатам составляющих новизну проведенного исследования, можно отнести следующее:

1. Предложена оригинальная модель ПС в виде нечеткой семантической сети, отличающаяся от известных наличием вершин, определяющих независимые от ИС события, что позволяет моделировать динамические проблемные среды, и обеспечивать имитацию самообучения ИС в недоопределенных динамических средах.

2. Разработана методика сравнения нечетко представленных отношений в модели ПС, отличающаяся от известных тем, что она позволяет выполнять несмещенную оценку равенства нечетко выраженных показателей и тем самым повысить достоверность сравнения.

3. Синтезированы и исследованы алгоритмы самообучения, позволяющие формировать программы целесообразного поведения в различных проблемных средах, отличающиеся от известных, имитацией отработки пробующих действий на НСС, что дает возможность исключить влияние ИС на ПС в процессе изучения закономерностей среды;

4. Разработаны и исследованы процедуры выбора алгоритмов целесообразного поведения ИС в соответствии с характером закономерностей ПС, установленных в процессе моделирования целесообразного поведения.

5. Разработан пакет программ, позволяющий моделировать целесообразное поведение интеллектуального робота в ПС, и на этой основе определить эффективность применения алгоритмов самообучения в различных условиях проблемной среды.

Практическая ценность работы заключается в возможности использования разработанных алгоритмов целесообразного поведения для самообучения интеллектуальных систем в реальных труднодоступных для человека проблемных средах.

Важной особенностью предложенных информационных моделей представления знаний и алгоритмов целесообразного поведения является их достаточно высокая универсальность, позволяющая использовать эти методы и процедуры для построения решающих систем интеллектуальных роботов; в системах ситуационного управления сложными объектами; для организации планирования движения различных автоматических транспортных средств и т.д.

Реализация результатов работы.

Результаты работы использованы при построении модели ПС в виде нечеткой семантической сети для моделирования геофизических процессов, происходящих в земной коре в рамках цифровой картографической 3D-модели Республики Дагестан. Полученные результаты также использованы в ОАО НИИ «Сапфир» для представления знаний в системе прогнозирования чрезвычайных ситуаций и в учебном процессе при чтении лекций по дисциплине «Интеллектуальные информационные системы», а также при проведении дипломного проектирования.

Апробация работы. Работа в целом и ее отдельные результаты докладывались и обсуждались на Всероссийской научно-технической конференции "Современные информационные технологии в управлении", 2003г., на III Республиканской научно-практической конференции „ДНЦ РАН, 2004г., на научно-технических конференциях Дагестанского Государственного технического университета с 2003 по 2005г.

Публикации. По теме диссертации опубликовано 10 печатных работ общим объемом 2.5 п.л.

Структура и объем диссертационной работы. Диссертация состоит из введения, 4 разделов и заключения, изложенных на 135 страницах, содержит 43 рисунка, 42 таблицы, 93 наименования литературы. Имеется приложение на 45 стр., куда .вынесены листинг моделирующей программы, а также акты о внедрении результатов диссертационной работы.

ЗАКЛЮЧЕНИЕ

В диссертационной работе проведены и обобщены исследования в области моделирования алгоритмов самообучения, позволяющих формировать программы целесообразного поведения в различных проблемных средах, отличающиеся от известных, имитацией отработки пробующих действий на НСС. Основные научные положения диссертации кратко могут быть сформулированы следующим образом:

• построена информационная модель проблемной среды для представления знаний безотносительно к конкретной предметной области, позволяющая организовать самообучение и принятие решений в сложных динамических проблемных средах на основе имитации целесообразного поведения на нечетких семантических сетях (НСС);

• разработана методика несмещенной оценки и равенства нечетко выраженных отношений между объектами модели в ПС;

• синтезированы и исследованы процедуры самообучения, позволяющие моделировать и организовывать целесообразное поведение интеллектуальной системы в априорно неописанных проблемных средах;

• разработан пакет программ для моделирования целесообразного поведения интеллектуальных систем (ИС), позволяющий определить эффективность использования;алгоритмов в различных условиях ПС. Сформулированные новые научные положения являются обобщением следующих теоретических и практических результатов, полученных в диссертации:

1. Предложена оригинальная модель ПС в виде нечеткой семантической сети, отличающаяся от известных наличием вершин, определяемых независимые от ИС события, что позволяет моделировать динамические проблемные среды, и обеспечивать имитацию самообучения ИС в недоопре-деленных динамических средах.

2. Разработана методика сравнения нечетко представленных отношений в модели ПС, отличающаяся от известных тем, что она позволяет выполнять несмещенную оценку равенства нечетко выраженных показателей и тем самым повырить достоверность сравнения и моделирования целесообразного поведения интеллектуальных систем.

3. Синтезированы и исследованы алгоритмы самообучения, позволяющие формировать программы целесообразного поведения в различных проблемных средах, отличающиеся от известных, имитацией отработки пробующих действий на НСС, что дает возможность исключить влияние пробных действий ИС на ПС в процессе изучения закономерностей среды.

4. Разработаны и исследованы процедуры выбора алгоритмов целесообразного поведения ИС в соответствии с характером закономерностей ПС, установленных в процессе моделирования целесообразного поведения.

5. Разработан пакет программ, позволяющий моделировать целесообразное поведение интеллектуального робота в ПС, и. на этой основе определить эффективность применения алгоритмов самообучения в различных условиях проблемной среды.

Практическая ценность заключается в возможности использования разработанных алгоритмов целесообразного поведения для самообучения интеллектуальных систем в реальных труднодоступных для человека проблемных средах.

Важной особенностью предложенных информационных моделей представления знаний и алгоритмов целесообразного поведения является их достаточно высокая универсальность, позволяющая использовать эти методы и процедуры для построения решающих систем интеллектуальных роботов; в системах ситуационного управления сложными объектами; для организации планирования движения различных автоматических транспортных средств и т.д.

1. Аверкин А.Н., Батыршин А.З., Блишун А.Ф. и др. Нечеткие множества в моделях управления и искусственного управления / Под ред. Поспелова Д.А. -М.: Наука, 1976. -312 с.

2. Аверкин А.Н., 'Гвида Дж., Поспелов Д.А. Обобщенная стратегия в решениях проблем //Известия АН СССР. Техническая кибернетика. 1978. №5. С.71-83.

3. Амосов Н.М., Касаткин A.M., Касаткина Т.М., Талаев С.А. Автоматы и разумное поведение: Опыт моделирования. Киев: ИК, АНУССР, 1973. -170 с.

4. Анохин П.К. Биология и физиология условного рефлекса. -М.:Медицина,1968. -469 с.

5. Ахо А., Хокпрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. 'М.Мир, 1979. -535 с.

6. Берштейн , Л.С. Мелехин В.Б. Планирование поведения интеллектуального робота. -М.:Энергоатомиздат, 1994. -240 с.

7. Берштейн Л.С., Мелехин В.Б. Структура процедурного представления знаний интегрального робота. 2. Фрейм микропрограммы поведения // Известия АН СССР. Техническая кибернетика. №5. - С. 190-194.

8. Берштейн Л.С., Мелехин В.Б. Декомпозиция нечетких семантических сетей для планирования операций интегрального робота // Известия. АН СССР Техническая кибернетика. 1988. №5.- С. 115-123.

9. Берштейн Л.С., Мелехин В.Б. Об алгоритме автоматического формирования условных программ функционирования интегрального робота в условиях неопределенности // Кибернетика 1990. №5.- С. 79-84.

10. Берштейн Л.С., Мелехин В.Б. Об алгоритме формирования рациональных условных программ поведения интегрального робота// Известия ВУЗов Северо-Кавказского региона. Технические науки. № 2. 1996. С. 4761.

11. Берштейн Л.С., Мелехин В.Б. Планирование поведения интегрального робота при расплывчатом представлении знаний/Микропроцессорные системы контроля и управления.- Рига: Рижский политехнический институт. 1987.-С. 117-126;

12. Берштейн Л.С., Мелехин В.Б. Процедуры автоматического формирования программ функционирования интегрального робота при появлении в среде тормозных сигналов // Кибернетика и системный анализ. 1992. №1.- С. 148-154.

13. Берштейн" Л.С., Мелехин В.Б. Процедуры обобщения опыта функционирования интегрального робота // Автоматика и телемеханика. 1989. № 12.- С.102-112.

14. Берштейн; Л.С., Мелехин В.Б. Процедуры принятия решений интегрального робота в условиях неопределенности // Автоматика и телемеханика. 1989. №8.-С. 106-115.

15. Берштейн- Л.С., Мелехин В.Б. Структура декларативного представления знаний интегрального робота // Управляющие системы и машины. 1990. №6.- С. 75-82.

16. Берштейн'Л.С., Мелехин В.Б. Структура процедурного представления знаний интегрального робота: 1 .Расплывчатые семантические сети. Известия АН СССР. Техническая кибернетика. 1988. №6.-С. 119-124.

17. Берштейн; Л.С., Мелехин В.Б., Канаев М.М. Планирование трассы интегральным роботом при преследовании подвижной цели // Актуальные проблемы информатики, управления и радиоэлектроники. Махачкала: ДГТУ. 1995.-С. 69-77.

18. Берштейн JI.C'., Мелехин В.Б. Моделирование оптимальных условных рефлексов поведения робота . В кн.: Методы построения алгоритмических моделей сложных систем. Таганрог: ТРТИ, 1986, Вып.6. -С. 69-74.

19. Берштейн JI.C., Мелехин В.Б. Организация знакосигнального принципа управления целесообразным поведением интегрального робота // Автоматика и телемеханика 1991. №12. -С.118-127.

20. Бирюков Д.А. К вопросу о природе ориентировочной реакции // В кн.: Избранные труды / Под ред. Н.Н.Василевского. JL: Медицина, 1973.- С.99-105.

21. Борисов А.Н.', Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в систем&х принятия решений. М.: Радио и связь, 1989.-304 с.

22. Вагин В.Н. Дедукция и обобщение в системах принятия решений. М.: Наука,1988.-384 с.

23. Воронин Л.Г. Физиология высшей нервной деятельности. М.: Высшая школа, 1979.- 340 с.

24. Дж. Ф. Люгер. Искусственный интеллект: стратегии и методы решения сложных проблем. М., Вильяме, 2003.- 862с.

25. Ежкова И.Г.,; Поспелов Д.А. Принятие решений при нечетких основаниях: 1. Универсальная школа // Известия АН СССР. Техническая кибернетика. 1978. №6.-С. 3-11.

26. Ежкова И.Г., Поспелов Д.А. Принятие решений при нечетких основаниях: 2. Схемы вывода // Известия АН СССР. Техническая кибернетика. 1978. №2.-С.5-11.

27. Ерохин Е,А., Судейкин М.Н. Планирование операций интегрального робота//Известия АН СССР: Техническая кибернетика. 1981. №2.- С. 80-92.

28. Ефимов А.Н.Логика диалоговых рассуждений // Известия АН СССР. 1988. №5.- С. 129-145.

29. Ефимов Е.И. Решатели интеллектуальных задач.-М.: Наука, 1982.316 с.

30. Заде Jl. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.- 168 с.

31. Искусственный интеллект: Применение в интегрированных производственных системах/ Под ред. Кьюсиака Э. М. Машиностроение, 1991.-544 с. 5

32. Клацки Р. Память человека: Структуры и процессы. -М.: Мир, 1980.238 с.

33. Клыков Ю.И. Ситуационное управление большими системами. -М.: Энергия, 1974.-134 с.

34. Кохонен Г, Ассоциативная память.- М.: Мир,1980.-238 с.

35. Красовская Л, В. Алгоритмы самообучения интеллектуальных систем на нечетких семантических сетях // Технические науки. Вестник ДГТУ.-Махачкала: ДГТУ, 2005. №7.

36. Красовская Л. В. Особенности организации самообучения ИС в режиме полифазного поведения // Неделя науки- 2005. Сб. тез. докл. XXVI итоговой научно-технической конференции преподавателей, сотрудников, аспирантов и студентов ДГТУ. Махачкала: ДГТУ, 2005.

37. Красовская Л. В. Несмещенные оценки сравнения отношений в нечетких семантических сетях // Технические науки. Вестник ДГТУ.-Махачкала, 2005.- №7.

38. Красовская Л.В. Алгоритмы самообучения интеллектуальных систем на нечетких семантических сетях с имитацией отработки действий // Известия вузов России: Радиоэлектроника. 2006. № 4.

39. Кузин Е.С., Фоминых И.Б., Хахалин Г.К. Системы принятия решений в интегральных роботах (Обзор). В кн.: Интегральные роботы / Под ред. Поздняка Г.Е.- М.: Мир, 1975.- С.364-377.

40. Кузин JI.T. Основы кибернетики. Том 2: Основы кибернетических моделей. -М.: Энергия,1979.-584 с.

41. Кузин JI.T., Храмов А.А. Вопросы использования метоязыков для программного обеспечения систем искусственного интеллекта. В кн.: Инженерно-математические методы в физике и кибернетике.-М.: Атомиздат, 1977.-№6.-С.39-43.

42. Левин Д.Е. Инструментальный комплекс программирования на основе языков высокого уровня. М.:Наука, 1987.-200 с.

43. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб.: БХВ-Петербург, 2003.- 736 с.

44. Литвак Б.Г. Экспертная информация: Методы получения и анализа.-М.: Радио и связь, 1982.-184 с.

45. Литвинцева J1.B., Поспелов Д.А. Пополнение знаний. В кн.: Искусственный интеллект.- В 3-х кн. Кн.2.Модели и методы: Справочник / Под ред. Поспелова Д.А.-М.: Радио и связь, 1990. -С.76-81.

46. Лозовский B.C. Семантические сети // Представление знаний в человеко-машинных и робототехнических системах.- М.: ВИНИТИ, 1984.Т.А.-С.84-120.

47. Лорьер Ж.Л.Системы искусственного интеллекта.-М.: Мир, 1991.-517 с.

48. Лукасевич Я.; Аристотельская силлогистика с позиций современной формальной логйки.-М.: Иностр.лит.,1959.-237 с.

49. Мелехин А.В., Кагиров К.А., Красовская Л.В. Организация самообучения интеллектуальных систем на основе имитации целесообразного поведения // Технические науки. Вестник ДГТУ. -Махачкала: ДГТУ, 2002. №5.

50. Мелехин В.Б. Алгоритмы самообучения интегрального робота в сложных средах//Кибернетика. 1986.№1.- С. 102-108.

51. Мелехин В.Б. Классификация семантической информации интегрального робота и способы ее представления в долговременной памяти. Деп. ВИНИТИ. 1983,-12 с. №7025-83 Деп.

52. Мелехин В.Б. Механизация самообучения интегрального робота. Деп. в ВИНИТИ, 1981.-18 с. № 117-82 Деп.

53. Мелехин В.Б.; Об алгоритме самообучения интегрального робота с активно-пассивной логикой поведения// Кибернетика, 1984.№4.-С. 107-211.а

54. Мелехин В.Б. Процедуры выбора алгоритма целесообразного поведения интегрального робота // Кибернетика 1988.№2. С.94-101.

55. Мелехин В.Б. Алгоритмы автоматического формирования модели окружающей среды транспортного робота //Кибернетика. 1985. № 4.-С.98-103.

56. Мелехин В.Б. Процедуры вычисления расстояний между разнесенными препятствиями на местности и определения координат точки встречи робота с подвижной целью // Многопроцессорные вычислительные структуры.- Таганрог : ТРТИ. 1977. Вып. 9.- С. 74-76.

57. Мелихов A.M., Берштейн; Л.С., Коровин С .Я. Ситуационные советующие системы с нечеткой логикой.-М.:Наука, 1990.-272 е.

58. Мики Д. Формирование и выполнение планов вычислительной машиной // В кн.: Интегральные роботы. Вып.2 / Под ред. Поздняка Т.Е.- М.: Мир, 1975.- С.379-405.

59. Минский М. Структура для представления знаний // В кн.: Психология машинного зрения. Под ред. Уинстона П. М.: Мир, 1978.-С. 249-340.

60. Нариньяни А.С. Система продукции как модульный программный комплекс // Прикладные и экспериментальные лингвистические процессоры. Новосибирск: QO АН СССР. Препринт, 1982.-С.125-152.

61. Нариньяни А.С. Модель или алгоритм: новая парадигма информационной технологии // Информационные технологии, 1997,№4, c.l 116.

62. Оре О. Теория графов.- М.: Наука,1980.-336 с.

63. Осуга С. Обработка знаний. -М.: Мир, 1989. -293 с.

64. Подбельский. В.В. Язык С++: Учебное пособие. Москва: Финансы и статистика, 1995. 560с.

65. Поддьяков Н.Н. Мышление дошкольника.-М.: Педагогика, 1977.272 с.

66. Попов Э.В. Общение с ЭВМ на естественном языке.-М.: Наука, 1982.320 с.

67. Попов Э.В., Фридман Г.Р. Алгоритмические основы интеллектуальных роботов и искусственного интеллекта.- М.: Наука, 1976.-400 с.

68. Поспелов г Д. А. Большие системы. Ситуационное управление.-М.:3нание,1985.-62 с.

69. Поспелов ■. Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981.-232 с.

70. Поспелов , Д.А. О человеческих рассуждениях в интеллектуальных системах. В кн.: Логика рассуждений и ее моделирование// Вопросы кибернетики. -М,: АН СССР.1982.-С.5-37.

71. Представление и использование знаний / Под ред. Уэно X., Исидзука М. -М.:Мир, 1990. 280 с.

72. Приобретение знаний / Под ред. Осиги С.-М.: Мир, 1990.-304 с.

73. Растригин. Л.А., Риппа К.К. Автоматная теория случайного поиска. -Рига: Зинатне, 1973. -344 с.

74. Рафаэль Б. Думающий компьютер.- М.Мир, 1979.- 407 с.

75. Робототехника и гибкие автоматизированные производства // Кн.: 6: Техническая имитация интеллекта / Под ред. Макарова И.Н.-М.:Высшая школа,1986.-144 ,с.

76. Розенблат Ф. Принципы нейродинамики: Персептроны и теория механизмов мозга.- М.: Мир, 1965.-243 с.

77. Смоленцев С.В. Динамическая семантическая сеть в системах обработки измерительной информации // Тез. докл. У. Российской н.-т. конференции «Современное состояние, проблемы навигации и океанографии», 1998, с.97.

78. Тейз А., Грибон П.,Луи Ж. и др. Логический подход к искусственному интеллекту: От классической логики к логическому программированию.- М.: Мир,1990.-434 с.'

79. Тимофеев^А.В. Роботы и искусственный интеллект.- М.: Наука,1978.-170 с.

80. Усманов А.А., Напалков А.В. Алгоритмы интеллектуальной деятельности.- Ташкент: ФАН, 1979.-190 с.

81. Факс Р., Харт П., Нильсон П. Новое направление в автоматическом решении задач роботом // В кн.: Интегральные роботы. Вып.2 / Под ред. ПозднякаГ.Е.-М:: Мир,1975.-С.406-439 .

82. Фин В.К. Индуктивные модели // Представление знаний в человеко-машинных и робототехнических системах.- М.:ВИНИТИ, 1984.- С.58-76.

83. Хант Э. Искусственный интеллект.- М.:Мир, 1978.-558 с.

84. Шилдт. Г.; Самоучитель С++: Пер. с англ. Санкт-Петербург: BHV-Санкт-Петербург, 1998. 620с.

85. Шингаров Г.Х. Условный рефлекс и проблема знака и значения. М.: Наука, 1979. 200 с.

86. Яхно Т.М. Система продукций как стиль программирования задач искусственного интеллекта.- Новосибирск: ВЦ АН СССР, 1984. Препринт. Вып.9.- 33 с.