автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Теория и принципы организации планирования поведения интеллектуальных систем в неопределенных средах

V- На правах рукописи

г '

МЕЛЕХИН ВЛАДИМИР БОРИСОВИЧ

УДК 681.3

ТЕОРИЯ И ПРИНЦИПЫ ОРГАНИЗАЦИИ 1ЛАНИРОВ АНИЯ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В НЕДООПРЕДЕЛЕННЫХ СРЕДАХ

Специальности: 05.13.17 - Теоретические основы информатики

05.13.16 - Применение вычислительной техники, математических методов и математического моделирования в научных исследованиях

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Таганрог - 1997

Работа выполнена в Дагестанском государственном техническом университете

Научный консультант: действительный член АЕН РФ, заст

деят. науки и техники РФ, докто] ' технических наук, профессо]

БерштейнЛ.С.

Официальные оппоненты: доктор технических наук, профессо]

В.Н. Вагин

доктор технических наук, профессо] Ю.В. Чернухин

доктор технических наук, профессо] Г.И. Белявский

Ведущее предприятие: Вычислительный центр РАН

Защита состоится « 11 » декабря 1997 г. в 14 часов и; заседании диссертационного совета Д 063.13.01 по защите диссертаций н; соискание ученой степени доктора технических наук при Таганрогское государственном радиотехническом университете по адресу: 347928 Таганрог, пер. Некрасовский, 44, ауд. 406

С диссертацией можно ознакомиться в библиотеке университета Автореферат разослан « 6 » ноября 1997 г.

Ученый секретарь диссертационного совета к.т.н., доцент А.Н. Чефранов

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 JI.C., Вагин В.Н., Ефимов Е.И., Журавлев Ю.Н., Зарипов А.Х., Клыков Ю.И., Литвицева JI.B., Левин Д.Д., Любарский Ю.А., Мелихов А.Н., Нариньяни A.C., Поспелов Д.А., Попов Э.В., Тимофеев A.B., Фин В.К., Цаленко М.Ш., Чернухин Ю.В., Яхно Т.М. и многие другие.

Несмотря на достигнутые успехи, проблема создания эффективных интеллектуальных систем 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 свойств реальной среды вряд ли возможно с той полнотой, которая необходима для планирования целенаправленного поведения в реальных условиях.

В соответствии со степенью осведомленности интеллектуальных систем о закономерностях преобразования ситуаций проблемной среды, можно выделить три уровня определенности условий функционирования.

Первый уровень характеризуется полной априорной неопределенностью условий функционирования. В этом случае интеллектуальная система не может применить накопленный опыт из-за его отсутствия, а для организации целенаправленного поведения необходимо предварительное изучение закономерностей преобразования ситуаций среды.

Второй - лингвистической (частичной) неопределенностью. В этом случае априори может быть известна обобщенная модель

проблемной среды безотносительно к конкретной предметной области и система планирует поведение на основе анализа имеющихся сведений, поступающей из среды информации и ранее накопленного опыта функционирования.

Третий - заданной информационной моделью проблемной среды или когда системе априори известны закономерности конкретной предметной области и она может планировать поведение на основе дедуктивных процедур логического вывода решений.

Из психологии известно, что сложное взаимодействие человека с окружающей средой строится на основе трех форм мышления: наглядно-действенного, наглядно-образного и понятийного мышления. Каждый тип мышления выполняет свои специфические функции в общем процессе принятия решений и имеет особое не переходящее значение для формирования ряда способностей, развивающихся на протяжении всей его жизни. Переход от одного типа мышления к другому обусловлен характером решаемой задачи и степенью осведомленности человека о свойствах проблемной среды.

Отмеченные выше обстоятельства показывают необходимость проведения комплексных исследований в области организации планирования поведения интеллектуальных систем на основе различных форм принятия решений, метафорически соответствующих различным типам мышления человека.

В диссертационной работе обобщаются результаты теоретических и экспериментальных исследований, проводимых в области построения специальных информационных моделей представления знаний и разработки процедур вывода решений, позволяющих организовать различные виды мышления интеллектуальных систем, способных целенаправленно функционировать в сложных неопределенных проблемных средах.

Указанный комплекс исследований, при непосредственном участии автора, проводится с 1980 г. в Дагестанском государственном техническом университете.

Целью диссертационной работы является развитие теории и разработка комплекса методов представления знаний и процедур планирования поведения интеллектуальных систем, способных автономно функционировать в априорно неописанных сложных проблемных средах, опираясь на рациональное сочетание и использо-

вание наглядно-действенной, наглядно-образной и понятийной форм принятия решений.

Поставленная цель формулирует следующие основные задачи диссертационной работы:

- разработать эффективные информационные модели представления знаний безотносительно к конкретной предметной области, позволяющие организовать планирование поведения и принятие решений в сложных проблемных средах;

разработать и исследовать процедуры наглядно-действенного принятия решений и планирования поведения интеллектуальных систем, позволяющие организовать процесс самообучения в априорно неописанных проблемных средах;

- разработать и исследовать процедуры наглядно-образного планирования поведения и принятия решений с привлечением механизмов адаптации, обобщения и применения накопленного опыта в сложных недоопределенных проблемных средах;

- разработать и исследовать процедуры понятийного принятия решений, служащие для построения обобщенной" стратегии функционирования и пополнения знаний, недостающих для целенаправленного планирования поведения.

Объектом исследования диссертации является комплексное рассмотрение вопросов, связанных с организацией специальных моделей представления знаний и моделирование трех форм планирования поведения интеллектуальных систем в проблемных средах с различной степенью неопределенности закономерностей преобразования ситуаций.

Методы исследования базируются на использовании теории искусственного интеллекта, ситуационного управления, теории четких и расплывчатых множеств, теории графов, математической логики, конечных автоматов, теории алгоритмов, теории вероятностей и строятся на сочетании формальных и содержательных методов. Методика исследований опирается на иерархическую схему "Задача-метод-алгоритм- интерпретация".

Научная новизна работы заключается в развитии и обосновании теории построения специальных информационных моделей представления знаний безотносительно к конкретной предметной области и в разработке, аналитическом и экспериментальном" исследовании процедур принятия решений интеллектуальных систем,

способных целенаправленно функционировать в сложных априорно неопределенных проблемных средах. В частности:

проведены исследования по разработке и теоретическому обоснованию информационных моделей представления знаний интеллектуальных систем безотносительно к конкретной предметной области в виде расплывчатых семантических сетей (РСС);

- сформулирован и теоретически обоснован знако-сигнальный принцип управления поведением интеллектуальных систем в априорно неописанных проблемных средах;

- - синтезированы и исследованы различные алгоритмы наглядно-действенного принятия решений и планирования поведения ИС в априорно неописанных проблемный средах;

разработаны и исследованы специальные фреймоподобные модели процедурного представления знаний и соответствующие им алгоритмы наглядно-образного принятия решений и планирования поведения ИС на расплывчатых семантических сетях;

- описаны и проведены исследования процедур обобщения и переноса накопленного опыта поведения в новые условия среды, аналогичные ранее изученным;

- разработаны и исследованы алгоритмы роста сетевых редукционных моделей общего решения задач безотносительно к конкретной предметной области и процедуры их адаптации и реализации в текущих условиях проблемной среды;

- сформулирована теория исчисления условно-зависимых предикатов и на этой основе построены различные правила вывода умозаключений в произвольной немонотонной предметной области;

- предложен и обоснован принцип организации вывода цепочек взаимосвязанных умозаключений для принятия решений в сложных условиях проблемной среды.

Практическая ценность работы заключается в построении теории и принципов организации планирования поведения интеллектуальных систем в реальных недоопределенных проблемных средах.

Важной особенностью предложенных информационных моделей представления знаний и процедур принятия решений является их достаточно высокая универсальность, позволяющая использовать эти методы и процедуры для построения решающих систем интеллектуальных роботов; в системах ситуационного управления

сложными объектами; для представления знаний и вывода решений в экспертных системах; для организации планирования движения различных автоматических транспортных средств и т.д.

Достоверность и обоснованность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждается математическими выкладками, моделированием на ЭВМ и результатами практического использования предложенных моделей и методов.

Реализация результатов работы. Результаты проведенных исследований, при непосредственном участии автора, нашли практическое применение и использование при госбюджетных и хоздоговорных НИР, проводимых Дагестанским Государственным техническим университетом по координационным планам АН СССР на 1991-1992 гг. и АН РФ на 1993-2000 гг.

Использованы и внедрены следующие результаты работы:

- структура фреймоподобных моделей представления знаний и организованные на их основе процедуры вывода решений использованы в автоматизированной системе переналадки автоматов для разварки выводов микросхем. Разработка выполнена в рамках х/д № 65 Дагестанским Государственным техническим университетом по заказу п/я Г 4288 в 1992 г. (Руководитель проекта Меле-хин В.Б.);

- нечеткие модели представления знаний и вывода решений применены в автоматизированной системе прогнозирования землетрясений . Разработка выполнена в рамках государственной научно-технической программы РФ "Радиоэлектронные приборы и системы прогнозирования и контроль чрезвычайных ситуаций" - проект ЧС 104 "Применение аппарата нечетких множеств в автоматизированных системах прогнозирования землетрясе-ний'\(Руководитель проекта.Мелехин В.Б.);

- модель представления знаний в виде расплывчатой семантической сети использована в АО ОТ НИИ "Сапфир" при' выполнении НИР "Глубина" и "Земля";

- полученные в диссертационной работе результаты включены в теоретические разделы двух дисциплин, изучаемых студентами специальности 21.01, а также используются при выполнении лабораторных, курсовых и дипломных работ в Дагестанском Государственном техническом университете.

Во всех указанных разработках применены новые модели и методы, опубликованные в различных академических журналах.

Апробация работы. Основные результаты докладывались и обсуждались на : Всесоюзной научно-технической конференции "Теория и практика конструирования и обеспечения надежности и качества РЭА" (г. Москва, 1980г.); Республиканской научно-практической конференции "Радиоэлектроника народному хозяйству" (г.Махачкала. 1983г.); Научных сессиях Дагестанского филиала АН СССР (г.Махачкала, 1985г., 1986г.); Региональной научно-практической конференции "Эффективное использование станков с ЧЛУ" (г.Махачкала, 1987г.); на Выездной сессии академии естественных наук РФ (г.Махачкала, 1.994г.); Первом Международном симпозиуме "Интеллектуальные системы -94" (г.Махачкапа, 1994г.); Первой научной сессии Дагестанского отделения Международной академии информатизации (г.Махачкапа, 1995г.); Всероссийской научно-технической конференции "Состояние и перспектива развития термоэлектрического приборостроения" (г.Махачкала, 1995г.); Международном симпозиуме "Каспий-Балтика - 95" (г. Санкт-Петербург, 1 995г.); Всероссийской научно-технической конференции "Информационно-управляющие системы и специализированные вычислительные устройства для обработки и передачи данных" (г. Махачкала, 1996г.); Международной научно-технической конференции "Моделирование интеллектуальных процессов проектирования и производства" (г. Минск, 1996г.); Всероссийской научно-технической конференции "Состояние и перспективы развития медицинского приборостроения" (г.Махачкала, 1996г.).

Публикации. По материалам диссертации опубликовано -45 печатных работ, включая 2 монографии, 31 статью в центральных журналах, в межведомственных и межвузовских сборниках научных трудов и 12 тезисов докладов.

Структура и объем диссертационной работы. Диссертация состоит из введения, 4 разделов, заключения, списка используемой литературы и приложений. Общий объем диссертации 362 стр., основного текста 323 стр., включая 16 стр. рисунков и 8 стр. списка литературы. Имеется приложение на 39 стр., куда вынесены примеры решения задач, а также акты об использовании и внедрении результатов диссертационной работы.

Во введении приводится краткий анализ основных методов представления знаний и вывода решений, сформулирована общая характеристика проблемы, цели и задачи работы.

В первом разделе рассмотрены вопросы организации и построения информационных моделей представления знаний ИС безотносительно к конкретной предметной области. Предложена классификация образов ПС и сетевая модель представления предметных знаний. Разработана модель обобщенного описания ситуаций • проблемной среды в виде расплывчатых семантических сетей.

Второй раздел посвящен проблемам организации наглядно-действенного планирования поведения ИС в сложных априорно неописанных проблемных средах. Предложен знако-сигнальный принцип управления поведением ИС и определен характер взаимосвязи условных сигналов ПС. Разработаны и исследованы различные алгоритмы самообучения, позволяющие ИС автоматически формировать модель целесообразного поведения в априорно неописанных условиях функционирования. Найдены граничные оценки сложности алгоритмов самообучения, дающие возможность определить область их эффективного использования.

Третий раздел посвящен принципам организации наглядно-образного планирования поведения ИС. Предложена модель процедурного представления знаний ИС в виде типовых фреймопо-добных программ функционирования. Разработаны алгоритмы планирования поведения ИС в сложных недоопределенных средах на основе этих программ. Синтезированы и проанализированы процедуры планирования поведения ИС на расплывчатых семантических сетях, описывающих текущие условия функционирования. Изложены процедуры обобщения знаний и переноса накопленного опыта функционирования в новые условия среды, аналогичные ранее изученным.

В четвертом разделе рассмотрены проблемы организации понятийного принятия решений, связанные с обобщенным решением задач и пополнением знаний. Синтезированы различные алгоритмы автоматического формирования редукционных сетевых моделей общего решения задач на основе типовых элементов роста. Введены и определены понятия условно-зависимой четкой и нечеткой переменных. Сформулировано исчисление условно-зависимых предикатов и приведены правила вывода логики условно-

зависимых рассуждений. Разработаны многоярусные схемы вывода цепочек взаимосвязанных умозаключений.

Заключение содержит выводы по работе.

В приложении приведены:

1) сведения о внедрении результатов диссертационной работы;

2) примеры решений различных задач на основе предложенных моделей представления знаний.

Основные научные положения выносимые на защиту:

- способ описания ситуаций проблемной среды безотносительно к конкретной предметной области в виде расплывчатых семантических сетей;

- знако-сигнальный принцип моделирования и организации поведения интеллектуальных систем;

- методы и алгоритмы самообучения интеллектуальных систем в априорно неописанных проблемных средах;

- специальные модели процедурного представления знаний, методы и алгоритмы вывода решений на расплывчатых семантических сетях;

- методы и процедуры обобщения и переноса накопленного опыта поведения в новые условия среды, аналогичные ранее изученным;

- методы и алгоритмы роста редукционных сетевых моделей решения задач;

- исчисление условно-зависимых предикатов и логика условно-зависимых рассуждений;

- способ и схемы организации вывода цепочек взаимосвязанных умозаключений.

СОДЕРЖАНИЕ РАБОТЫ

Во введении выполнен краткий анализ основных принципов организации планирования поведения интеллектуальных систем, обоснована актуальность исследуемой в диссертационной работе проблемы, формулируется цель работы и ее основные задачи. Показаны новые научные результаты проведенных исследований, их практическая значимость, апробация и реализация. Приведена структура диссертации.

Раздел 1 . Информационные модели описания образов и ситуаций проблемной среды.

Независимо от уровня осведомленности ИС о закономерностях ПС, важную и основополагающую роль в организации планирования поведения играет структура представления знаний. В работе для представления декларативных знаний разработаны специальные сетевые модели с применением аппарата нечетких множеств. При этом знания ИС складываются из двух подсистем: описания образов (предметов) и ситуаций ПС.

В целях систематизированного представления предметных знаний все образы ПС по семантическому признаку разделяются на четыре основных списка: множество объектов, множество составных частей объектов, множество свойств или возможностей и множество признаков объектов. В соответствии с этим каждая семантическая сеть описания объектов состоит из четырех автономных подсетей: возможных состояний, составных частей (описание структуры объектов), свойств и признаков объектов. Для упаковки и поиска необходимой информации рассмотрены теоретико-множественные операции над сетями описания объектов и операции их полной и частичной идентификации, используемые для распознавания объектов ПС.

Для представления ситуаций проблемой среды используются расплывчатые семантические сети (РСС). Формально РСС является ориентированным помеченным мультиграфом Gj = (Vi , Е]), где V1 = ivi27 }'i27 ^ i»n27 и Е, = {ei28},i2g = l,n28 - соответственно, множество вершин и ребер. Вершины v, е V1 биективно соответствуют объектам ПС, а ребра - отношениям, складывающимся в среде между объектами. Вершины vi2? е Vj могут быть двух видов: свободные V*,., и занятые v° . Каждая свободная (активная) 41 127

вершина v е V] определяется множеством характеристик

X; которым должны обладать конкретные объекты среды, чтобы

была разрешена пометка этой вершины их именами в текущих условиях ПС. После выполнения такой пометки активная вершина становится пассивной и определяется именем конкретного объекта, которым она помечена. Активная вершина v *• (Xjп ) помечается

объектом о^ (Х^) в том случае, если выполняется условие Х;27 с Х^, где запись о^ (Х^ ) означает, что объект описывается множеством характеристик Х- . Ребра е. е Е или отношения

1 ¿о

между объектами ПС задаются парами ^-¡^ >' где

е [0,1] - степень принадлежности количественного значения отношения к интервалу численных значений терма лингвис~ тической переменной .

Для перехода от количественных ^ значений отношений между объектами ПС, к качественным их значеням, выраженным при помощи термов соответствующих лингвистических пе-

ременных, используются преобразования следующего вида:

1 * I.1 , если 0 < Г;00 < Г1 ; 129 29 1

п29 ->

Я2 , если Г1 < г^ <г->; 12д ^

К1к29' еСЛИ ^ -Г;29 <Гк' где Г|._ ] и -гк - соответственно, нижняя и верхняя границы числовых значений терма IIк ^ 129

Степень принадлежности ¡1, вычисляется согласно выра-

'29

жению

^29 =

1 " Ъ '> ес-"» г129 е К29'

О в противном случае,

*Ч5 * *

где - интервал г^] численных значений терма

•29

Для сравнения двух значений отношений между собой, за-

1-1 *)

данных парами < д! , И. > и < ц. , Я. > вводится харак-

* 49 '29 '29 '29 г

теристика степени близости р (ц.1^, ), которая вычисляется следующим образом

р Ц9, И?29)=

1, если

129

129

< ц0)& (R'29 = R-29);

l1 i29: ^ И L, если (!n I - ц f I > ц 0);

О, если R|29 * Rf29,

где Цо - параметр, задающий точность сравнения; <-> - операция нечеткой эквивалентности.

Если величина степени р (и' > ) равна 1, то значения

отношения равны с заданной точностью ц0- В случае, когда. 1 2

R. = R- , то значения отношения расплывчато равны, и в слу-129 »29 ^

чае, когда R1 # R2 , значения отношения не равны. 129 >29' ^

Даются определения активной и пассивной PC С. Причем активная РСС определяет обобщенное описание ситуаций среды безотносительно к конкретной предметной области, а пассивная сеть описывает конкретную ситуацию проблемной среды.

Вводятся понятия и определяются условия нечеткого равенства, изоморфизма и вложенного изоморфизма РСС, позволяющие сравнивать между собой различные ситуации ПС. Приводятся условия, когда активная сеть поглощает пассивную РСС, т.е. условия, позволяющие устанавливать соответствия между текущей ситуацией ПС и обобщенной моделью типовой обстановки, для которой заведомо известна программа будущего целенаправленного поведения. Доказано предложение.

Предложение 1.1. Активная РСС поглощает пассивную сеть, если они являются расплывчато изоморфными.

Разработан алгоритм определения расплывчатого изоморфизма РСС , имеющий сложность порядка О

п-21

где П27 - число

вершин в сравниваемых сетях.

Для упаковки информации в памяти ИС и ее переработки в процессе принятия решений описаны следующие теоретико-

множественные операции над РСС: объединение, пересечение, разность, симметрическая разность, обобщение, сужение, конкретизация, склеивание и разрезание сетей. Характерной особенностью рассмотренных операций является то, что они выполняются с учетом пометок вершин множествами характеристик объектов ПС.

Приводится аналитическая форма представления РСС и показаны обязательные их фрагменты, необходимые для описания ситуаций ПС и достаточные для принятия решений ИС.

Сформулированы основные выводы по первому разделу.

Раздел 2. Организация наглядно-действенного планирования поведения интеллектуальных систем.

Основной задачей наглядно-действенного планирования поведения является изучение закономерностей априорно неописанных условий ПС. В самом общем случае наглядно-действенное планирование поведения ИС строится по следующей схеме: «восприятие различных сигналов ПС> <отработка пробных действий> <восприятие и анализ полученных результатов». Основу организации наглядно-действенного планирования поведения составляют алгоритмы самообучения, позволяющие формировать условные программы поведения (УПП) следующего содержания

Ь(б*_ ) = а1 ЛЬ1. —> а2 &Ь2 -»... с*,,

х Л' л л Л Л '4'

*

гдеБ^- фоновая ситуация, при восприятии которой УПП приводит к достижению заданной цели с*4- Здесь запись

11 О '

а. &Ь • —> а. означает, что если ИС воспринимает 'в ПС услов-л л л 7

ный сигнал а'^ , то отработка в ней действия Ь^ приводит к появ-2

лению сигнала а. .

Л

При этом, для организации знакосигнального принципа управления целесообразным поведением ИС в условиях априорной неопределенности необходимо построить процесс самообучения так, чтобы для формируемых программ были справедливы следующие правила:

(а^&Ъ^ )&(а^сз[3)

---------------------; ■ (2.1)

(s• )&(L(s- )->c* )

14' (2.2)

si3&L(sj7)->C14

где с - знак обозначающий операцию условного вложения одной ситуации в другую или условного сигнала в ситуацию.

Правило (2.1) означает, что если после восприятия сигнала а отработка действия Ъ связана с появлением сигнала а2 и ее-

Ч Л ч

ли сигнал а условно вложен в ситуацию sl , то отработка дей-}i 'з

ствия Ь в ситуации sl приводит к появлению в ней сигнала а! . Л 'з У7

Правило (2.2) показывает, что если фоновая ситуация s^ условно

входит в ситуацию s' , то отработка условной программы L(s* ) в '3

этой ситуации приводит к появлению в ПС сигнала с* .

'4

Роль условных сигналов а. еА (А - множество допустимых

]1

сигналов среды) выполняют усеченные ситуации ПС представленные в виде пассивных РСС. Так для импликативного решающего

правила а. &Ь. —> с/, сигналы определяются следующим обра-J7 jx Jn

зом а, = /s.^, а aj7 = Sj3 /s^ , где Б^текущая ситуация ПС, в

I

которой отрабатывается действие b^ ; s13 - ситуация, получаемая из Sj, в результате отработки действия b ^ .

Фоновая ситуация s*7 образуется после завершения процесса формирования условной программы поведения путем выполнения специальной операции объединения всех условных сигналов а. ,

входящих в структуру этой УПП.

Доказаны следующие предложения.

h

Предложение 2.1. Для условных сигналов импликативных решающих правил а & Ь —> а( выполняются условия

Ч ]\ }1

правила (2.1).

Предложение 2.2. Для фоновых ситуаций выполняются

условия правила (2.2).

В сложных проблемных средах обычно наблюдается различная взаимосвязь условных сигналов. К наиболее распространенным формам взаимосвязи условных сигналов, отражающим различные закономерности преобразования ситуаций ПС можно отнести:

1) элементарное включение сигнала:

приведенная запись означает, что действие Ъ. приводит к появлению в ПС сигнала а{ только при наличии в ней сигнала а. ;

]1 ]п

2) суммарный комплекс условных сигналов:

(а1 &а2 &Ь:. ->а':_ ), я я л Я '

такое правило показывает, что действие Ъ. приводит к появ-

Н

лению в ПС сигнала только при одновременном наличии в ней У7

сигналов а! и а2 ;

Я ¡у

3) появление в ПС тормозного сигнала:

(а1 &а2 &Ь- —» а': )&(а'. &а2 &Ь:. ->а;7), Я Я Л Я ' к )-] я л 17

рассмотренная запись показывает, что действие Ь приводит

•V

к появлению в ПС сигнала й/ только в том случае, если в ней при-

77

сутствует сигнал а[ и отсутствует сигнал а2^ ; -

4) комбинированное включение условного сигнала: К&ЬЛЗ > ^ <а]? & ь'л аЛ >'

это правило означает, что сигнал с1. появляется в ПС в том

случае, если в среде отрабатывается действие Ъ. или действие

•/1

Ь при наличии в ней соответственно условных сигналов а и

а

j

7

5) выключение условного сигнала:

а & b as , J1 Jx 7

т.е. отработка действия b. в ПС приводит к устранению условного сигнала а. ;

h

6) появление предвестника условного сигнала

t ,

а" ->а. ,

Ч Ч ■

данная запись означает, что появление в ПС сигнала с? вле-

}1

чет за собой появление в ней условного сигнала ачерез интервал времени t.

Для изучения рассмотренных закономерностей ПС предлагается использовать различные алгоритмы самообучения, в которые закладываются следующие эвристические механизмы принятия решений: действие совпадения двух сигналов во времени; формирование условных программ на основе закрепления импликатив-ных решающих правил новизной воспринимаемых сигналов и достижением цели; закрепление условных сигналов по степени их близости к поставленной цели; изучение закономерностей преобразования ситуаций ПС по методу проб и ошибок с привлечением эвристических правил, позволяющих сохранить количество выполняемых пробных действий.

В основу самоорганизации ИС на структурно-поведенческом уровне закладывается пассивная и активная логика поведения, динамика которой определяется переключением решающей системы от режима управления процессом адаптации в незнакомых ситуа-

циях ПС к режиму управления отработкой ранее сформированных условных программ при попадании в неисследованные условия функционирования, а также обратным переключением к самообучению при переходе в незнакомые условия ПС . В общем случае, целесообразное функционирование ИС в априорно неописанных условиях среды складывается из следующих форм поведенческого акта: элементарная форма - в виде активации системы восприятия при самопроизвольных изменениях ситуаций ПС; более сложная -в виде активных преобразований ситуаций среды, носящих специализированный характер; самая сложная - в виде поисковых манипуляций, которая определяется процессом самообучения ИС.

По характеру динамики протекающих процессов и по структуре закономерностей преобразования ситуаций ПС можно разделить на статические, динамические, ациклические, циклические, простые и сложные. В работе дано определение указанных видов сред и приводится формальное их описание. В частности к простым относятся ПС, в которых отсутствует разветвленная взаимосвязь условных сигналов и в них формируются условные программы поведения в виде простой цепи. В сложных средах наблюдается появление тормозных и суммарных комплексов сигналов и формируемые условные программы имеют разветвленный вид.

С учетом многообразия форм взаимосвязи условных сигналов и действий ИС и их различных сочетаний в ПС алгоритмы самообучения строятся по блочному принципу, т.е. на каждом шаге самообучения в зависимости от структуры формируемого на нем импликативного решающего правила привлекается соответствующий типовой алгоритм самообучения.

Для организации процесса самообучения в простых ПС, т.е. средах первого уровня сложности, ИС использует алгоритмы самообучения с активно-пассивной и активной логикой поведения.

Алгоритмы самообучения с активно-пассивной логикой применяются для формирования условных программ поведения в динамических ПС. Суть этих алгоритмов заключается в том, что при их использовании ИС вначале на активном шаге по методу проб и ошибок формирует имппикативное решающее правило & Ь. —>

а. , а затем на пассивном шаге выполняет двойное закрепление

этого правила после повторного восприятия сигнала а .

В статических ПС используются алгоритмы с активной логикой поведения. Суть алгоритмов с активной логикой поведения заключается в том, что по этим алгоритмам каждое импликативное

I

правило а. & о. —» а формируется по методу проб и ошибок и

I

закрепляется по новизне воспринимаемых сигналов а. . При этом

Ч

вся формируемая условная программа закрепляется в целом достижением цели.

Для проведения анализа и количественной оценки алгоритмов самообучения в различных ПС вводятся понятия их функциональной и емкостной сложности. Под функциональной сложностью понимается количество Р пробных действий, отрабатываемых ИС в процессе самообучения, а под емкостной - объем памяти требуемый системе для организации процесса самообучения.

Для наиболее трудоемких условий функционирования функциональная сложность алгоритма самообучения с активно-пассивной логикой поведения лежит в следующих пределах 2п < р! < п2ш , где п - количество допустимых преобразований ситуаций ПС; ш - количество выполняемых ИС различных действий. Емкостная сложность этого алгоритма может быть не более т0(2п+пЛ, где т0 - единичный объем памяти, требуемый для хранения одного импликативного решающего правила.

Граничные оценки сложности для алгоритма с активной логикой поведения лежат в следующих пределах

п < Р < пт и - < т0 (2п+т). Характерной особенностью ПС второго уровня сложности является наличие разветвленной взаимосвязи условных сигналов, определяющих и сопровождающих различные преобразования ее допустимых ситуаций. К наиболее часто встречающимся закономерностям второго уровня сложности следует отнести наличие в ПС причинно-следственных связей между условными сигналами и событиями, появление в среде тормозных и суммарных комплексов сигналов..

Для построения алгоритма самообучения при наличии в ПС причинно-следственных связей между условными сигналами вводится параметр 5 степени уверенности, принимающий значения из интервала [0,1] и определяющий истинность отдельной взаимосвязи сигналов или отдельного импликативного решающего правила. При многократной полезной реализации каждого импликативного решающего правила степень 5 становится равной 1, в противном случае - равной 0. При этом импликативное правило считается закрепленным, если соответствующая ему степень 5=1.

В основу алгоритма, позволяющего выявлять причинно-следственные связи между условными сигналами закладывается активно-пассивная логика поведения с закреплением каждого условного сигнала достижением цели вначале на активном, а затем на пассивном шагах самообучения. При этом у ИС может формироваться две цепи условной программы поведения; одна из которых связана с достижением предвестникового сигнала, а другая приводит к непосредственному достижению цели. Граничные оценки функциональной сложности такого алгоритма самообучения ИС лежат в следующих пределах 6п < р3 < т(Зп2+1).

Процесс самообучения ИС при появлении в ПС тормозных сигналов складывается из двух этапов. На первом этапе формируется основная цепь поведения, связанная с достижением цели. На втором этапе выявляется тормозной сигнал и формируется цепь поведения, приводящая к устранению тормозного сигнала. В основу алгоритма самообучения ИС при наличии в ПС тормозных сигналов, в зависимости от динамики протекающих в среде процессов, может быть положена как активная (в статических ПС), так и активно-пассивная (в динамических ПС) логика поведения. Для наиболее трудоемких условий функционирования граничные оценки этого алгоритма лежат в следующих пределах

3(п+к)+2 < р4 < п[(к+3) п(п- ф +1)+2]+к (ш+2)-2, где к - количество взаимосвязанных тормозных сигналов; ф -степень захода вершин однородного графа С. Емкостная сложность

У/4 < ш0 [2(п+к)+т+1 ] . При наличии в ПС суммарных комплексов сигналов вначале выявляются все составляющие такого сигнала, а затем формируются цепочки поведения, связанные с достижением всех его компо-

нентов. Процесс самообучения ИС в этом случае имеет сложность порядка 0[ш, п2, х], где х - число компонентов суммарного сигнала.

В целях подтверждения работоспособности и граничных оценок сложности предложенных алгоритмов самообучения, найденных эвристическим путем, построена имитационная модель процесса самообучения ИС. В этом случае преобразование ситуаций среды интерпретируется как переход конечного автомата со случайными реакциями от начального состояния в* к допустимому -

ситуации с* . Такой переход автомата за X шагов представляется

как однородная Марковская цепь, для которой построена матрица вероятностей перехода за один шаг преобразований.

Исследования показали работоспособность рассмотренных алгоритмов самообучения и эффективность их использования для организации наглядно-действенного планирования поведения и принятия решений ИС в априорно неописанных средах.

Раздел 3. Организация наглядно-образного планирования поведения интеллектуальных систем.

Наглядно образное планирование ИС строится по следующей схеме: {<лнализ цели и текущего состояния среды хформирова-ние полного плана функционирования><корректировка и реализация сформированного планаханализ полученных результатов>}.

Организация наглядно-образного планирования поведения в недоопределенной ПС требует построения специальной процедурной модели представления знаний безотносительно с конкретной предметной области, обладающей свойствами адаптации к конкретным условиям функционирования.

К одному из способов представления знаний ИС, удовлетворяющему вышеотмеченным требованиям, можно отнести модель, организованную в виде множества типовых фрейм-микропрограмм функционирования (ФМФ). В общем случае ФМФ имеют следующую структуру: « имя> <вход> <тело> <выход», где <имя> - идентификатор, определяющий назначение ФМФ; <вход> - обобщенное описание ситуаций ПС в виде активной РСС; <тело> - последовательность действий и условий, определяющих необходимость их выполнения в конкретной среде; <вы-

ход> - активная РСС, определяющая преобразование входной сети, происходящее в результате отработки действий ФМФ.

Для определения условий эффективного применения ФМФ доказаны следующие предложения.

Предложение 3.1. Если РСС, биективно соответствующая текущей ситуации ПС, поглощается сетью, определяющей <вход> ФМФ, то после отработки действий, образующих её <тело>, текущая ситуация среды будет преобразована в ситуацию, для которой описывающая эту ситуацию РСС поглощается сетью, определяющей <выход> выбранной фрейм-микропрограммы.

Предложение 3.2. Отношение поглощения РСС обладает свойством транзитивности.

Для построения программ поведения на основе ФМФ над ними выполняются операции идентификации и конкатенации фрейм-микропрограмм.

Идентификация ФМФ осуществляется сопоставлением по образцу тремя способами: по <имени>; <входу> и по <выходу>.

Операции конкатенации сводятся к приписыванию одной ФМФ к другой, например, если <вход> второй является расплывчато равным <выходу> первой.

В результате вывода решений задач на основе ФМФ получается кортеж следующего вида

«имя1> <вхоД]> <тело]> <имя2> <вход2> <телог> ... <имят>

<ВХОДщ> <ТеЛОт> <ВЫХОДР1».

На основе введенных операций над ФМФ построен алгоритм вывода решения задач, который усилен эвристическим правилом, позволяющим строить локально-оптимальные программы поведения. В условиях недоопределенности поиск более экономичного пути решения задачи чем найденный на текущий момент времени, продолжается до тех пор, пока выполняется условие

т

7=1 1

где Р„ и Рр - соответственно стоимости поиска и реализации предпоследнего найденного пути решения задачи; Pj - стоимость поиска решения задачи на ] шаге текущего этапа планирования поведения; Р*- стоимость отработки последней найденной программы: п* - необходимое количество повторных реализаций задачи.

Для решения задач большой размерности разработан метод сопутствующих подзадач. Суть этого метода заключается в декомпозиции решаемой задачи на подзадачи, каждую из которых ИС может решить на основе заданных ей ФМФ. Определены необходимые условия, при выполнении которых гарантируется решение сложных задач методом сопутствующих подзадач.

В случае, когда у системы отсутствуют ФМФ, требуемые для решения поставленной перед ней задачи, используются алгоритмы вывода решений на РСС, основанные на применении фреймов действий (ФД) и фреймов отношений (ФО). Фреймы действий имеют следующий формат описания: «имя действия> <условия, применения действия> <результат применения действия>, а фреймы отношений задаются при помощи следующих структур: <имя отношения> <имя действия, приводящее к положительному изменению отношения (увеличению значения) > < имя действия, связанного с отрицательным изменением значения отношения». Разработаны два алгоритма вывода решения задач на основе ФД и ФО: при заранее известном и незаданном порядке устранения различий между исходной и целевой ситуациями среды.

Суть алгоритмов вывода решений задач на РСС заключается в следующем. На первом этапе ИС автоматически вычисляет все различия между текущей и целевой ситуациями среды. Затем, по выявленным различиям определяются соответствующие им ФО и ФД. После определения требуемьгх для решения задачи ФД система отрабатывает выявленные действия, если ей задан порядок их выполнения. В противном случае ИС эвристическим путем устанавливает порядок выполнения действий, используя второй алгоритм вывода решений.

В случае, когда ИС априори неизвестен характер закономерностей изменения значений отношений, т.е. при отсутствии необходимых для решения задачи ФО применяется алгоритм самообучения с закреплением каждого выявленного импликативного решающего правила Sj3&bj1 —> s13 по степени близости ситуаций с

поставленной целью, т.е. если р (s:,, с1 )>р (s. , с? ), то

3 '4 '3 Ч

выявляемое действие закрепляется в формируемой УПП. При этом,

использование в процессе самообучения заданных ФД позволяет в

значительной степени сократить количество выполняемых ИС

пробных действий и ускоряет процесс адаптации к ПС. Сказанное подтверждается граничными оценками функциональной сложности этого алгоритма, лежащими в следующих пределах г(Уч)<р*<Л(Уч), где и г(Уч) -соответственно максимальный и минимальный

ранги графа Сч, описывающего процесс взаимодействия ИС с ПС.

Необходимо отметить, что алгоритмы самообучения основанные на применении ФД, в отличие от алгоритмов самообучения с механизмами наглядно-действенного планирования поведения, не позволяют формировать УПП в случае, когда между исходной и целевой ситуациями среды имеются различия по состояниям одноименных объектов.

Для применения УПП в новых условиях ПС, аналогичных ранее изученным, разработаны процедуры обобщения накопленного опыта поведения и определены количественные меры уровня аналогичности между различными условиями ПС.

Степень аналогичности между отдельными объектами среды вычисляется следующим образом , ' 2|Х,оХ2|

^С®. 1 - _ > =

где Х1 и Х2 - множества характеристик, описывающих соответственно объекты 01 и о?; I X; | - мощность множествах!.

При этом для ситуаций, включающих т объектов, степень аналогичности по содержанию предметов будет определяться следующим образом

т

Риф ,8,' ) = тт ро(<\ о[ ).

" 3 М=1

Степень аналогичности ситуаций ПС по значениям отношений между аналогичными в них объектами вычисляется следующим образом

п29

Ре Л? )= тт Р1 ' е' )•

'29

13 '3 • '29 '29 i29

'29 - 1 z

, е'

'29 ~ '29 >29

где р (е , е' ) - степень близости значений отноше-

'29 '29 ion

нии е- пи е. .

49 i29

На основе полученных мер степень аналогичности ситуаций

I

Б- и Э в общем случае будет равна 13 'з

р(51з,5!з) = ро(31з,5[з)-рс(51з,8;'з).

Для формулировки правил переноса накопленного опыта поведения в новые условия ПС, аналогичные ранее изученным, определен основной принцип преобразования аналогичных между собой ситуаций и доказаны следующие предложения.

Предложение 3.12. Если в ситуации аналогичной ситуации выполнить операцию Ь. импликативного решающего правила & Ь^ —> , то в результате будет получена ситуация, аналогичная ситуации э! .

Предложение 3.13. Если между произвольными ситуациями ПС и б? наблюдается т* различий, а ситуации и являются аналогичными, то между ситуациями Б- и также наблю-

'3 'з

дается ш различий.

Предложение 3.14. Отношение аналогичности между ситуациями ПС обладает свойством транзитивности.

Проведенный анализ показал, что предложенные процедуры наглядно-образного принятия решений работоспособны и эффективно могут быть использованы ИС для планирования поведения в априорно-неопределенных проблемных средах.

Раздел 4. Организация понятийного планирования поведения интеллектуальных систем.

Процесс понятийного принятия решений осуществляется без взаимодействия ИС с ПС и строится по следующей схеме: {< анализ цели и известных сведений о ПС> <формирование стратегии и плана последующего поведения> <анализ предполагаемых результатов^.

Основной задачей понятийного принятия решений является пополнение знаний и выявление общей стратегии полифазного поведения с последующей ее реализацией с привлечением наглядно-действенной и наглядно-образной форм принятия решений.

В недоопределенных условиях ПС планирование поведения на понятийном уровне принятия решений сводится к формированию обобщенной модели функционирования безотносительно к конкретной предметной области. Затем, адаптируя полученный план к текущим условиям среды, ИС решает поставленные задачи. Для построения плана поведения в общем виде можно использовать растущие редукционные сетевые модели решения задач, формирующиеся на основе типовых элементов роста

Структура типовых элементов роста редукционных моделей решения задач определяется способом формирования сети и пространством, в котором она строится. Возможны два способа роста сетевых моделей: в пространстве подзадач и в пространстве состояний.

В первом случае редукционная сетевая модель решения задач является деревом =(Уо, Ук, Ек) с корневой вершиной у0, соответствующей решаемой задаче Множество вершин определяется подзадачами, на которые редуцируется исходная задача, а множество Ек характеризует взаимную подчиненность между собой подзадач и порядок их реализации. Каждая дуга из Ек дополнительно также помечается степенью важности подзадач для реализации основной задачи.

Предложены элементы роста сетевых моделей решения задач в пространстве состояний, позволяющие формировать сети тремя способами: ростом в длину, ростом в высоту и комбинированным образом. Разработаны алгоритмы, реализующие все отмеченные способы роста сетевых моделей решения задач.

При росте сети в длину раскрывается отдельная ветвь формируемой модели до присоединения к ней тупикового элемента роста. Организация процесса роста в ширину сводится редуцированию всех задач, определяющих висячие вершины сети одного яруса на подзадачи, и таким образом, параллельно строятся все ветви модели решаемой задачи. Комбинированный вид роста выполняется в два этапа. На первом шаге реализуется рост в высоту отдельной ветви. На втором шаге полученная ветвь раскрывается полностью путем роста в ширину.

Раскрытие вершин или рост ветвей строящегося графа осуществляется по следующей рекуррентной схеме IV'к —» где

IV' - задача, редуцируемая на 1 шаге; Р;+) - оператор подстановки

вместо раскрываемой вершины редуцируемой задачи IV' типового

элемента роста И7*'"1"1, содержание ядра которого совпадает с со-

А

держанием раскрываемой вершины, помеченной подзадачей IV'

При росте сетевой модели решения задач в пространстве состояний, формально получаемая сеть является деревом

Ск - (х^У^Е1^ с корневой вершиной заданной парой ситуаций

<исходная-целевая> , описанных при помощи РСС. При этом целевая ситуация представляется рядом подситуаций связанных с исходной ребрами, помеченными работами IV' которые необходимо

выполнить в исходной ситуации для достижения соответствующих им подцелей.

Таким образом, множество вершин V сети будет опреде-

I

ляться различными подситуациями ПС, а множество ребер Е помечаться подзадачами, связанными с преобразованием этих ситуаций.

Для реализации внутреннего роста сети Ст используются два

вида типовых элементов роста, имеющих следующее содержание.

Элементы первого типа определяются структурой вида: <вход эр <работа 1У-'к -> & IV ^ з, & ... IV^ <вьгход с*>, где Б] и с* - соответственно исходная и целевая ситуации среды;

Ж/ - работа, связанная с преобразованием ситуации SJ в ситуа-к ,3

цию в'"1"1.

'з

Элементы второго типа роста отличаются от первого только тем, что в них преобразование соседних ситуаций выполняется с помощью отдельных элементарных операций, которые не могут быть подвержены дальнейшей редукции.

Таким образом, при внутреннем росте сети модель решения задачи формируется путем подстановки вместо каждого ребра ранее построенного графа типового элемента роста. Процесс роста полного решения задачи продолжается до тех пор, пока имеется хотя бы одно ребро помеченное подзадачей IVСеть считается

законченной, если все ее ребра помечены конкретными операциями Ъ. . \

Следует указать, что полученная в результате роста модель общего решения задачи требует ее адаптации к текущим условиям ПС.

Это обусловлено следующими причинами: а) в конкретных ситуациях может отпасть необходимость выполнения конкретных действий; б) может возникнуть потребность в многократном выполнении отдельных действий; в) ряд операций не может быть выполнен из-за отсутствия в среде необходимых для этого условий; г) после выполнения определенных операций может возникнуть необходимость в отработке дополнительных действий.

Для адаптации общего плана поведения к текущим условиям ПС разработан специальный алгоритм реализации сетевых моделей общего решения задач, учитывающий вышеперечисленные условия среды и различные их перекомбинации.

Для выявления недостающих для принятия решений фактов о ПС и ее объектах предлагается использовать логику условно-зависимых рассуждений, позволяющую выделять монотонные участки вывода умозаключений в произвольной предметной области. Основополагающими понятиями логики условно-зависимых рассуждений являются условно-зависимые переменные и исчисление условно-зависимого субъектно-предикатного -языка.

Условно-зависимые переменные (УЗП) А (Ид) задаются тройками А(Ра ) = (СА, РЛ, ХА ), где СА - идентификатор или имя УЗП; РА - множество требований и условий, которым должны удовлетворять элементы произвольного множества А, чтобы они относились к одной переменной; ХА - область определения или множество значений переменной.

Пишем, что объект о (X )е ХА , если гА с: Л'. и о. (Х- ) ММ . ~ М М

ё Хд в противном случае. (В дальнейшем для наглядности факт принадлежности к УЗП будем обозначать сь (X; ) е А(РА)).

Пусть УЗП формируется по признаку у (Ху), где Ху - условия, которым должны удовлетворять объекты ПС, обладающие признаком у. Тогда, можно утверждать выполнимость следствия

Уо^ еА(Рт)->М(ом(Хм),у (Ху),где М(о^ (Х^ ),у (Ху))- высказывание, "объект о. (X. ) обладает

признаком у (Х7)" '

Условно-зависимая переменная А(Ру) называется замкнутой и обозначается Л*(Г*), если Ру определяется множеством необходимых и достаточных причин и соттричин, влекущих за собой условную значимость следствия

V а . ) е А (Рг) -» М( о (X ), у (Ху)),

т.е. истинность для всех элементов множества А(Р7).

Показано, что образующее множество И., может состоять из

двух подмножеств Р., = где - абсолютные условия

I у г Г

принадлежности; - относительные (появляющиеся) условия,

тормозящие принадлежность объектов к рассматриваемой УЗП. Отсюда, факт принадлежности произвольного объекта к УЗП А( У7^' и /у) будет определяться следующим образом

о. (X. )е А(^'1и^2),если(/;'1сХ. )&(Е2 г^Х =0).

'1 '1 ? у г

Введем понятие условно-зависимых, предикатов. Исчисление условно-зависимых предикатов определяет субъектно-предикатный условно-зависимый язык, алфавит которого задается в соответствии с элементами классификации образов ПС приведенной в разделе 1. Интерпретирующее множество для выражений введенного языка, как и для любого предикатного языка, содержит два значения: "истина" и "ложь"

Определение 4.1. Предикатная формула М^Ц (Хт), у(Х\У) называется условно-зависимым предикатом, который принимает истинное значение только в том случае, если означиваемая её предметная константа удовлетворяет требованиям абсолютных причинно-следственных ограничений X] с Хт, определяемых переменной

7

или константой у(Хг) сортов: составная часть, признак, свойство, действие или умение.

Определение 4.2. Предикатная формула МгОт (Хт), у{Х^))

называется причинно-следственным дополнением формулы М[(1Т (Хг), у(Х')), которое принимает истинное значение. Только в том

случае, когда подставляемые в нее предметные константы о. (X. )

удовлетворяют требованиям условия Х^гл Х] - 0.

Определение 43. Условно зависимый предикат М)0т

(Хт), у(Х^)) образует причинно - следственное продолжение с дополнением М2(]т (Хт), у(Х^)\ которое обозначается Е(Ху): М2(1Т (Хт)/у( А^ )) —>М](1Т (Хт), у(Х>)) для тех предметных констант, для которых обе исходные формулы являются истинными.

Утверждение 4.1. Причинно-следственное продолжение Е(Ху) является условно значимым для элементов множества А(РЛ) тогда и только тогда, когда является замкнутым соответствующее ему множество Ху и выполняется условие (^сБл) & (Х2ггл РА =

0).

Утверждение 4.2. При замкнутом множестве Х7 и выполнении условия (Х^ сРл) & (А'^о Рл = 0) множество А(РЛ) образует

монотонную область вывода умозаключений в произвольной предметной области О.

Теоретико-множественная модель N2 логики условно-зависимых рассуждений задается следующей пятеркой

м2 = (ыьФ*Ж,у*,д* ),-

где N1 _ множество заданных УЗП, предметных переменных и констант; Ф* - множество аксиоматических посылок, формируемых в виде причинно-следственных продолжений Е, образованных

« * Т* Л *

на основе замкнутых причинно-следственных ограничении V ; К. -

„ _ *

множество выводимых умозаключении; - множество правил вывода.

Утверждение 43. Логика условно-зависимых рассуждений N2 является условно-монотонной для произвольной предметной

области N'1 , если все элементы Уу е V являются замкнутыми множествами причинно-следственных ограничений.

Правила вывода С? логики условно-зависимых рассуждений имеют следующее.содержание: 1 Дедуктивный вывод.

Для всех о. (X. ) удовлетворяющих условию

'1 '1

(X1 с Л'. )&(Х^г\Х. != 0), присуще у(Ху); о. (X. ) ■ удовлетворяет '1 7 '1 '1 '1

условию(А'' аХ'. )&(Х2П>Х'. =0). . У — У «1

для о. (X, ) присуще у(Хг).

2.Индуктивный вывод.

Для ряда индивидуумов о. (Л'. ), удовлетворяющих условию

'1 '1

(А''сЛ'. )&(Х~глХ. = 0), присуще у(Х7);

все индивидуумы о. (X. ) относятся к А(Ра); для всех о. (X. ) е А(РЛ) присуще у(Ху).

З.Традуктивный вывод.

Для о (X. ) е А(Рд) при выполнении условия

г1 '1

(Л'1сЛГ. )&{Х2глХ. =0) присуще у(Х.,); о (А'' )е А(РЛ); 7 7 '1 '1

для о (X ) при выполнении условия (.Xх сХ. )&(Л*2гъ\\

'1 '1 У У '1

1 1

0) присуще у(Х?)

4.Нечеткий традуктивный вывод.

Для о^ (Х^) при выполнении условия

_ 1 ~ _2 , _

(ХтсХ|,)&(ХтлХ|2=0) " присуще у - - (X %

для Оц ) присуще у (X ^ ).

Для вывода цепочек взаимосвязанных умозаключений, позволяющих решать сложные задачи, предполагается использовать многоярусные схемы вывода, строящиеся'путем подстановки одного правила в другое при выполнении соответствующих условий. Например, для дедуктивных правил вывода многоярусные схемы строятся следующим образом. Пусть заданы Сх): Б] & Мг—» З1 и Сх2: Б2 & М2 —» 32, где Б] и Б2 - большие посьшки; М1 и М2 - малые посылки; З1 и 32 - заключение. Тогда, еели М] и 32 совпадают, то допустима подстановка Сх2 в Сх! на позицию посьшки М1. В результате получается Сх3 : Б] & Сх2 —> З1 или З1 вытекает из заключения 32.

По вышеописанному принципу для решения сложных задач можно формировать цепочки взаимосвязанных умозаключений произвольной длины с применением различных правил вывода

Выводы. Теоретические и практические результаты.

В диссертационной работе обобщены исследования в области моделирования процедур наглядно-действенного, наглядно-образного и понятийного принятия решений с целью создания эффективных методов представления знаний и алгоритмов планирования поведения ИС в сложных с различной степенью недоопреде-ленности проблемных средах.

Основные научные положения диссертации кратко могут быть сформулированы следующим образом:

- рассмотрены особенности существующих методов представления знаний и вывода решений. Отмечено, что проблема создания эффективных интеллектуальных систем, способных целенаправленно функционировать в сложных недоопределенных средах является слабо изученной и остается открытой;

. - предложена оригинальная модель представления знаний для ИС в виде расплывчатых семантических сетей, позволяющая в отличие от известных моделей описывать ситуации проблемной среды в общем виде безотносительно к конкретной предметной области;

- сформулирована теория знакосигнального принципа моделирования наглядно-действенного планирования поведения ИС в

априорно неописанных ПС . В рамках этой теории синтезированы и исследованы различные оригинальные алгоритмы самообучения и принятия решений, позволяющие автоматически формировать модель целесообразного поведения в различных априорно незаданных условиях функционирования;

- в рамках моделирования процедур наглядно-образного принятия решений разработаны и исследованы специальные фреймо-подобные модели представления знаний ИС, впервые позволившие организовать вывод решения задач на расплывчатых семантических сетях, которые естественным образом могут быть использованы для вывода решений на обычных сетевых моделях представления знаний;

- разработаны и исследованы оригинальные процедуры обобщения и переноса накопленного опыта поведения в новые условия среды, аналогичные ранее изученным;

- синтезированы и исследованы новые алгоритмы самообучения в недоопределенных проблемных средах;

- в рамках организации процедур понятийного принятия решений впервые предложены сетевые структуры процедурного представления знаний в виде типовых элементов роста редукционных моделей общего решения задач безотносительно к конкретным условиям ПС. Построены и исследованы различные алгоритмы роста и адаптации редукционных сетевых моделей решения задач. Особенностью предложенного способа решения задач является отсутствие избыточности в формируемой редукционной сетевой модели, т.е. получаемая в результате роста модель решения задач не содержит пустых альтернатив решаемой проблемы;

- сформулирована оригинальная теория исчисления условно-зависимых предикатов, используемая для организации вывода умозаключений в немонотонной предметной области;

- впервые предложена методика организации вывода цепочек взаимосвязанных умозаключений, позволяющая ИС путем построения цепочек рассуждений решать сложные задачи.

Практическая ценность предложенных методов представления знаний и вывода решений заключается в их достаточной эффективности и универсальности для построения решающих систем интеллектуальных роботов, для организации ситуационного управления сложными объектами и экспертных систем различного профиля.

Результаты диссертации опубликованы в следующих работах:

1. Гаджиев А.А., Мелехин В.Б. Об одном алгоритме функционирования автомата-наладчика электронных приборов. // Тез.докл.Всесоюзной научно-технической конференции "Теория и практика конструирования и обеспечения надежности и качества радиоэлектронной аппаратуры" - Москва, 1980. -С.145-146.

2. Мелехин В.Б. Механизмы самообучения интегрального робота. Деп. ВИНИТИ № 117-82 Деп. 10.11.81г.

3. Зеляковский И.Ю., Мелехин В.Б. Вопросы организации семантической памяти интегрального робота. Деп.ВИНИТИ,№118-82 Деп. 10.11.81г.

4. Мелехин В.Б. Исследование Алгоритмов самообучения транспортного робота в условиях заводского производства // Тез. докл. Республиканской научно-практической конференции "Радиоэлектроника народному хозяйству" - Махачкала, 1983. -С.33-34.

.5. Мелехин В.Б. Классификация семантической информации интегрального робота и способы ее представления в долговременной памяти. Деп. ВИНИТИ № 7025-83 Деп. 27.09.83.

6. Мелехин В.Б. Об алгоритме самообучения интегрального роботг. с активной логикой поведения // Изв. СКНЦВШ. Технич. науки, 1983, № 1. -С. 39-43.

7. Мелехин В.Б. Алгоритмы локального планирования трассы транспортным роботом // Изв. СКНЦВШ. Техн. науки, 1983, №3. -С. 56-58.

8. Мелехин В.Б. Об алгоритме самообучения интегрального робота с активно- пассивной логикой поведения // Кибернетика,

1984, №4. -С. 107-111.

9. Мелехин В.Б. Алгоритмы автоматического формирования модели окружающей среды транспортного робота //Кибернетика,

1985, №4. -С. 98-102. . '

10. Мелехин В.Б. Структура представления знаний интегрального робота // Тез. докл. Научной сессии Дагестанского филиала АН СССР. "Естественные науки". -Махачкала: Даг.Фан СССР, 1985.-С. 46.

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

12. Берштейн Л.С., Мелехин В.Б. Моделирование оптимальных условных рефлексов поведения робота // Межведомственный

тематич.научн. сб. Методы построения алгоритмических моделей сложных систем. Вып. 6. -Таганрог: ТРТИ, 1986. -С. 69-73.

13. Мелехин В.Б. Процедуры вычисления расстояний между разнесенными препятствиями на местности и определение координат точки встречи робота с подвижной целью // Межведомственный тематич.научный сб. Многопроцессорные вычислительные структуры. Вып.9. -Таганрог: ТРТИ, 1987. -С. 74-75.

14. Берштейн U.C., Мелехин В.Б. Процедуры планирования поведения робота при расплывчатом представлении знаний // Сб. научн.трудов. Микропроцессорные системы контроля и управления. -Рига: РПИ, 1987. -С. 117-125.

15. Берштейн Л.С., Мелехин В.Б: Об обслуживании станков с ЧПУ при помощи интеллектуального робота // Тез.докл. "Региональной научно-технической конф. Эффективное использование станков с ЧПУ". -Махачкала, 1987. -С. 26-28.

16. Мелехин В.Б. Процедуры выбора алгоритмов целесообразного поведения интегрального робота// Кибернетика, 1988, №2. -С. 94-101.

17. Берштейн Л.С., Канаев М.М., Мелехин В.Б. О некоторых структурных свойствах расплывчатых гиперграфов // Тезисы докл. Научной сессии Дагестанского филиала АН СССР. "Естественные

/ науки". -Махачкала: Даг.ФАН СССР, 1988. -С. 36.

18. Берштейн Л.С., Мелехин В.Б. Структура процедурного представления знаний интегрального робота. 1 .Расплывчатые семантические сети /У Изв.АН СССР. Техн.кибернетика, 1988, №6. -С. 119-124.

19. Берштейн Л.С., Мелехин В.Б. Структура процедурного представления знаний интегрального робота. 2. Фрейм - микропрограммы поведения // Изв.АН СССР. Техн.кибернетика, 1988, №5. -С. 190-194.

20. Берштейн Л.С., Мелехин В.Б. Процедуры принятия решений интегрального робота в условиях априорной неопределенности // Автоматика и телемеханика, 19S9, №8. -С. 106-116.

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

22. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Выбор величины управления при реализации нечетких управляющих алгоритмов. // Электронное моделирование. 1989, №1. -С.91-99.

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

24. Берштейн Л.С., Мелехин В.Б. Структура представления декларативных знаний интегрального робота // Управляющие системы и машины, 1990, №6. -С. 75-83.

25. Берштейн Л.С., Мелехин В.Б. Декомпозиция нечетких семантических сетей для планирования операций интегрального робота. //Изв. АН СССР. Техн.кибернетика, 1991,№5. -С. 115-123.

26. Берштейн Л.С., Мелехин В.Б. Организация знако- сигнального принципа управления целесообразным поведением интегрального робота. // Автоматика и телемеханика, 1991, №12. -С. 118-127.

27. Берштейн Л.С., Мелехин В.Б. Процедуры самообучения интегрального робота при наличии в среде причинно-следственных связей. // Межвузовск.республиканский сб. АСУ и приборы автоматики. Вып. 102,1992. -Харьков: ХИРЭ. -С. 154-159.

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

29. Берштейн Л.С., Канаев М.М.,Мелехин В.Б. Растущие сетевые модели для пополнения знаний интегрального робота // Управляющие системы и машины, 1993, №4. -С.94-99.

30. Берштейн Л.С., Мелехин В.Б. Планирование поведения интегрального робота на основе растущих сетевых моделей решения задач// Автоматика и телемеханика, 1993, №5. -С.153-162.

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

32. Ипьягуев П.М, Мелехин В.Ё., Амирханова С., Салихов М. Экспертная система с нечеткой логикой для определения кредитоспособности клиентов коммерческих банков// Межвузовск. научно-тематический сб. Вопросы формирования и развития рыночных отношений. -Махачкала: ДПТИ, 1994. -С. 60-62.

33. Берштейн Л.С., Мелехин В.Б., Михайлов Л.Л. Логика условно-зависимых рассуждений// Материалы сессии АЕН. Фундаментальные и прикладные вопросы естественных наук. Том 2. -Махачкала: Дат. академ. центр АЕН. 1994. - С. 52-53.

34. Берштейн Jl.C./Мелехин В.Б., Растущие сетевые модели для решения сложных задач в неопределенных средах// Тез. докл. Первого Международного симпозиума" Интеллектуальные системы 94" -М.: МГТУ им. Баумана, 1994. -С.51-54.

35. Берштейн Л.С., Мелехин В.Б., Организация циклов и условных переходов в растущих сетевых моделях решения задач// Межведомственный тематич.научный сб. Интеллектуальные САПР. Вып.4.-Таганрог: ТРТУ, 1994. -С. 61-66.

36. Берштейн U.C., Мелехин В.Б., Михайлов Л.Л. Индуктивные и традуктивные схемы вывода логики казаульно-зависимых рассуждений для принятия решений в немонотонных условиях// Межвузовский . научно-техн. сб.Информатика и вычислительная техника. Теория и приложение. -Махачкала: ДГУ, 1994. -С. 99-108.

37. Берштейн JI.C., Мелехин В.Б., Канаев М.М. Планирование трассы интегральным работом при преследовании подвижной цс-ли//Сб. научный труд. Актуальные проблемы информатики, управления и радиоэлектроники. -Махачкала: ДПТИ,1995. -С.69-77.

38. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Объектные переменные и их применение для вывода умозаключе-ний//Материалы 1 научной сессии Даг.отделения МАИ. Информатика и вычислительная техника. Теория и приложения. -Махачкала, 1995.-С. 42-46.

39. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Логика казуально-зависимых рассуждений/7 Тез.докл. Всероссийский научно-техн. конференции "Состояние и перспективы развития термоэлектрического приборостроения.-Махачкала, 1995. -С.49.

40. Берштейн Л.С., Мелехин В.Б. Нечеткие сетевые модели для представления сейсмических данных// Тез.докл. Международного симпозиума "Каспий-Балтика 95" -С. Петербург, 1995. -С.41-42.

41. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Процедуры формирования комбинированных условных программ для интеллектуальных систем управления/. Приборостроение. Том. 38,1995, №3-4.-С. 7-10.

42. Берштейн Л.С. Ильягуев П.М., Мелехин В.Б. Интеллектуальные системы. -Махачкала: Дагкнигоиздат, 1996.-67 с.

43. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Математический аппарат для моделирования нейронных сетей// Тез. докл. Всероссийской научно-технич. конференции "Информационно-

управляющие системы и специализированные вычислительные устройства для обработки и передачи данных." -Махачкала, 1996. -С.16-17.

44. Берштейн Л.С., Мелехин В.Б. Об алгоритме формирования рациональных условных программ поведения интеллектуального робота // Известия высших учебн. заведений. СевероКавказский регион. Технические науки. 1996, №2. -С.47-61.

45. Берштейн Л.С., Мелехин В.Б., Канаев М.М. Концепция организации активного взаимодействия интеллектуальных систем с проблемной средой // Тез. докл. Всероссийской научно-технической конференции "Информационно управляющие - системы и специализированные вычислительные устройства обработки и передачи данных". - Махачкала, 1996. -С 16-17.

Среди работ, опубликованных в соавторстве, личный вклад автора следующий: [1, 3, 32] - выполнены постановки задач и предложены способы их решения; [12, 14, 15, 17 - 31, 33, 45] -предложены алгоритмы решения совместно поставленных задач и проведены их исследования.

Формат 60x84 'Л^. Бумага тип. № 1. Печать на ризографе. Усл. печ.л. 2.3,уч.изд.л. 2.3. Тираж 100 экз. Заказ № 109. Редакционно-издательский отдел ДГТУ

Типография ИПЦ ДГТУ. 367015, г. Махачкала, пр. Калинина, 70.