Современные информационные технологии /
1. Компьютерная инженерия
Горская И.Ю., Исмаилов И.А.
Методы
искусственного интеллекта для синтеза проектных решений
Система
искусственного интеллекта (ИИ) – это программная система, имитирующая мышление
человека на компьютере. Для создания такой системы необходимо исследовать
процесс мышления человека при решении задач или принятии решений; выделить
основные этапы этого процесса и разработать программные средства,
воспроизводящие их на компьютере. Основное назначение компьютерных систем – быть более полезными, ученым
и инженерам, специализирующимся в вычислительной технике, повышая
производительность их труда; а для этого необходимо знать, как должны системы быть
реализованы при решении различных проблем.
Многие задачи проектирования (например,
задачи структурного синтеза) плохо поддаются автоматизации, решаются вручную,
эвристически на основе опыта и интуиции разработчика. При этом качество
получаемых решений определяющим образом зависит от творческих способностей
человека. Такие задачи принято называть плохо формализуемыми, к ним относятся:
1) задачи, не имеющие точно выраженной
математической постановки;
2) задачи, решение которых алгоритмическими
методами невозможно или неэффективно.
Выделяют следующие основные цели
использования методов ИИ в системах автоматизированного проектирования (САПР):
− разработка удобного интерфейса пользователя
и системы (в том числе при обучении пользователя, самообучении САПР, ведения
диалога);
− создания экспертных систем, позволяющих
принимать решения в задачах структурного и параметрического синтеза;
− при создании подсистем переработки
визуальной информации.
Структура и состав системы искусственного интеллекта. Любая система искусственного интеллекта
должна содержать все элементы, составляющие процесс принятия решения человеком:
цели, знания, механизмы вывода и упрощения.
Рис. 1. Функциональная схема системы ИИ
Для осуществления
данных механизмов и необходимой структуры, типовую систему строят на основе следующих
основных компонентов:
1) База
знаний (БЗ) содержит факты и правила, по которым в зависимости от
входной информации принимается то или иное решение. Для хранения знаний в БЗ
используются правила, семантические сети, фреймы, нейронные сети и другие
способы. Многие правила являются эвристическими, основанными на опыте экспертов
в данной области. Выбор того или иного способа определяется видом задачи и
спецификой предметной области.
2) Механизм
логического вывода осуществляет дополнение, изменение БЗ на основе
анализа БЗ и исходной информации, а также управление порядком обработки правил
в БЗ.
3) Модуль
извлечения знаний. Его основное назначение – предоставление экспертных
знаний, их структурирование в виде, пригодном для использования в компьютерной
системе. В задачу модуля входит приведение правила к виду, позволяющему
применить это правило в процессе работы. Модуль извлечения знаний является
наиболее трудоёмким и дорогостоящим.
4) Система
объяснений предназначена для показа пользователю всего процесса
рассуждений, в результате которого было найдено или не найдено решение.
Представление знаний. Наиболее общими методами представления знаний являются:
правила, семантические сети, фреймы, нечёткие правила, нейронные сети и т д.
Рассмотрим пять особенностей информационных единиц,
определяющих ту грань, за которой данные превращаются в знания, а базы данных
перерастают в базы знаний.
1)
Внутренняя
интерпретируемость ‑ обладание
информационной единицей уникальным именем для её поиска и хранения.
2)
Структурированность – обладание информационной единицы гибкой структурой, т.е. выполнение принципа рекурсивной вложимости информационных единиц.
3)
Связность – наличие возможности
установления связей различного типа: отношения структуризации (задание иерархии),
функциональные отношения (процедурная информация), каузальные отношения
(причинно-следственные связи) и семантические
отношения.
4)
Семантическая
метрика – задание
отношений ситуационной близости информационных единиц, т.е. сила ассоциативной связи между ними.
5)
Активность. Актуализации тех
или иных действий способствуют знания, имеющиеся в системе. Таким образом,
выполнение программ должно инициироваться текущим состоянием информационной
базы.
Представление знаний в виде правил. Такой способ
является наиболее понятным и популярным методом представления знаний. Правила обеспечивают
формальный способ представления рекомендаций, знаний или стратегий. Они чаще
подходят в тех случаях, когда предметные знания возникают из эмпирических ассоциаций,
накопленных за годы работы по решению задач в данной области.
В системах,
основанных на правилах, предметные знания представляются набором правил,
которые проверяются на группе фактов и знаний о текущей ситуации. По цепочке, когда
часть правила ЕСЛИ удовлетворяет
фактам, то действия, указанные в части ТО, выполняются.
|
Преимущества: |
Недостатки: |
|
1)
модульность; 2)
единообразие
структуры; 3)
естественность; 4)
гибкость иерархии
понятий, которая поддерживается только как связи между правилами |
1)
малая эффективность
процесса вывода 2)
трудность
управления процессом; 3)
сложность
представления иерархии понятий |
Представление
знаний в виде правил иногда называют плоским (по аналогии с реляционными базами
данных), так как в них отсутствуют средства для установления иерархии правил.
Объём базы знаний растёт линейно по мере включения в неё новых фрагментов
знаний. Большинство существующих коммерческих экспертных систем основаны на
правилах.
Представление знаний с использованием фреймов. При высокой
сложности системы для инженера знаний, процесс обновления состава правил и
контроль связей между ними становится весьма затруднительным, поскольку
добавляемые правила могут дублировать имеющиеся знания или вступать с ними в
противоречие. Так как возрастает количество связей между понятиями, инженеру
знаний трудно их контролировать.
Представление знаний,
основанных на фреймах, является альтернативным по отношению к системам,
основанным на правилах: оно даёт возможность хранить иерархию понятий в БЗ в
явной форме. Фрейм — это способ представления знаний в ИИ, представляющий собой схему действий в реальной
ситуации. Фрейм — это модель абстрактного образа, минимально возможное
описание сущности какого-либо объекта, явления, события, ситуации, процесса.
Различают фреймы-образцы, фреймы-экземпляры, фреймы-структуры, фреймы-роли,
фреймы-сценарии, фреймы-ситуации. Система связанных фреймов может образовывать сеть фреймов. Фрейм
состоит из имени и слотов. Иногда слот включает компонент, называемый фасетом, который задает диапазон
или перечень его возможных значений. В качестве
значения слота может выступать конкретное значение или имя процедуры,
позволяющей вычислить его по заданному алгоритму. Слот также может содержать имя другого фрейма, для
объединения их в сеть. Свойства фреймов наследуются сверху вниз через так
называемые АКО-связи (a kind of, англ. ‑ разновидность). Слот с именем АКО указывает на имя фрейма более
высокого уровня иерархии.
Совокупность фреймов,
моделирующая какую-либо предметную область, представляет собой иерархическую
структуру, в которую фреймы собираются с помощью родовидовых связей. На верхнем уровне
иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех
остальных фреймов. Фреймы обладают способностью наследовать значения
характеристик своихродителей,
находящихся на более высоком уровне иерархии. Таким образом, по сути,
используется объектно-ориентированный подход.
|
Преимущества: |
Недостатки: |
|
1)
иерархическая
структура; 2)
меньший
занимаемый объём памяти; 3)
представление в
БЗ связей между понятиями предметной области; 4)
отражение
концептуальной основы организации памяти человека, а также её гибкость и
наглядность; 5)
манипулирование декларативными
и процедурными знаниями |
1)
относительно
высокая сложность; 2)
снижение скорости
работы механизма вывода; 3)
увеличение
трудоёмкости внесения изменений в родовую иерархию |
Фрагмент базы
знаний о свойствах горения нитей приведён на рис. 2
Рис. 2.
Фрагмент базы знаний в виде семантической сети из фреймов
Данный фрагмент
основан на знаниях о волокнах и об их характеристиках. В результате с помощью
БЗ можно получить новые знания, например: капроновая нить горит медленно, при
горении чувствуется запах сургуча, после сгорания образуется твёрдый шарик.
Заключение. В
рамках современных интеллектуальных САПР (ИСАПР) интегрируются различные
процедуры, задачи, этапы и уровни проектирования, обеспечивается непрерывный
сквозной цикл автоматизированного проектирования, начиная от этапа подготовки
технического задания и выработки технического предложения и кончая созданием
рабочего и технического проектов. Автоматизируются не только рутинные, но и
эвристические и творческие задачи, в частности, процедуры поискового конструирования,
структурного синтеза и оптимизации.
Ввиду того, что у разных методов представления
знаний есть свои достоинства и недостатки, в современных профессиональных ИСАПР
значительное внимание в инженерии знаний уделяется сочетанию разных моделей. То
есть создаются системы ИИ, основанные на таких подходах, как нейронные сети и
фреймы, семантические сети и логика предикатов и т.п. Можно сделать вывод о
высокой актуальности исследований в этой области, а также о необходимости
разработки новых подходов в изучении моделей представления знаний в
интеллектуальных системах.
Литература
1.
Вудс У.А. Основные проблемы
представления знаний // ТИИЭР. - 1986. - Т. 74. - № 10. - С. 32 - 47.
2.
Минский М. Фреймы для представления знаний. - М.: Мир, 1979.
3.
Шлеер С., Меллор С. Объектно-ориентированный анализ: моделирование мира в
состояниях. - Пер. с англ. - К.: Диалектика, 1993.
4.
Нильсон,
Н. Принципы искусственного интеллекта / Н. Нильсон. – М.: Радио и связь. 1990.
– 376 с.
5.
Искусственный
интеллект: В 3-х кн. Кн. 2. Модели и методы: справочник / под ред. Э.В. Попова.
– М.: Радио и связь, 1990. – 303 с.