СТПМОЗ_Гапутин. Вопросы

• Название: Вопросы
• Дата: 17.12.2019
• Размер: 281.5 Kb.
• Имя файла: СТПМОЗ_Гапутин.docx
• Тип: Реферат; #100810
• страница: 3 из 3

Семантический унифицированный язык спецификации агентов машин обработки знаний

Семантическая спецификация агента машины обработки знаний позволяет менеджеру агентов определить необходимость запуска того или иного агента для решения конкретной задачи (подзадачи), а также установить порядок запуска агентов для решения одной и той же задачи для обеспечения большей эффективности.

Ниже приводятся описания ключевых узлов языка спецификации агентов машин обработки знаний в рамках технологии OSTIS.

• 
  Ключевой узел стратегия решениязадач.
  

Является знаком множества стратегий решения задач. Используется менеджером стратегий для доступа к возможным стратегиям решения задач.

Рисунок 12 – Стратегии решения задач

• 
  Ключевой узел операция логическоговывода.
  

Является знаком множества операций логического вывода. Используется менеджером операций логического вывода к возможным операциям логического вывода.

Рисунок 13 – Операции логического вывода

• 
  Ключевой узел условиеинициирования*.
  

Является знаком отношения, связывающего конкретную sc-операцию и условие ее инициирования, т.е. шаблон конструкции наличие которой в памяти системы является критерием активации данной sc-операции. Условие инициирования используется соответствующим менеджером операций для определения целесообразности запуска той или иной операции в данный момент.

Рисунок 14 – Условие инициирования

• 
  Ключевой узел результатработы*.
  

Является знаком отношения, связывающего конкретную sc-операцию и множество результатов ее выполнения. Указанное множество, как правило, представляет собой связку отношения строгая дизъюнкция*, поскольку несколько результатов работы не могут появиться в результате одного запуска sc-операции.

Рисунок 15 – Результат работы

Результат работы представляет собой шаблон, изоморфный конструкции, которая может быть сгенерирована агентом машины обработки знаний в семантической окрестности вопроса в процессе работы.

Результаты работы также могут быть использованы менеджерами операций для установления целесообразности запуска той или иной sc-операции в данный момент.

• 
  Ключевой узел приоритетзапуска*.
  

Является знаком отношения связывающего различные sc-операции с целью указания того факта, какая из операций является более приоритетной для запуска.

Отношение, как вытекает из определения, является транзитивным, антисимметричным и антирефлексивным, т.е. есть отношением строго порядка [Кузнецов, 2009].

Рисунок 16 – Приоритет запуска агентов

Как видно, множество агентов, связанных данным отношением, образуют стандартный граф предпочтений [Поспелов, 1994], в котором узлам соответствуют sc-операции, а дуги устанавливают приоритет запуска.

6. Классификация методов решения задач в интеллектуальных системах

Проблема автоматического решения задач достаточно давно рассматривается в работах по искусственному интеллекту. Приведем краткую классификацию существующих методов решения задач, рассмотренных в литературе:

• 
  Классический дедуктивный вывод.
  

Классический дедуктивный вывод является наиболее популярным при построении автоматических решателей задач, так как всегда дает достоверный результат. Дедуктивный вывод включает в себя прямой и обратный и логический вывод (принцип резолюции, процедуру Эрбрана и др.) [Вагин и др., 2008], все виды силлогизмов [Малыхина, 2002] и т.д. Основной проблемой дедуктивного вывода является невозможность его использования в ряде случаев, когда отсутствуют достоверные правила вывода.

• 
  Индуктивный вывод.
  

Индуктивный вывод предоставляет возможность в процессе решения использовать различные предположения, что делает его удобным для использования в слабоформализованных и трудноформализуемых предметных областях, например при построении систем медицинской диагностики. Подробно принципы индуктивного вывода рассмотрены в [Кулик, 2001], [Пойа, 1975].

• 
  Абдуктивный вывод.
  

Под абдуктивным выводом в искусственном интеллекте, как правило, понимается вывод наилучшего абдуктивного объяснения, т.е. объяснения некоторого события, ставшего неожиданным для системы. Причем «наилучшим» считается такое объяснение, которое удовлетворяет специальным критериям, определяемым в зависимости от решаемой задачи и используемой формализации. Абдуктивный вывод подробно рассматривается в [Вагин и др., 2008].

• 
  Нечеткие логики.
  

Теория нечетких множеств и, соответственно, нечетких логик, также применяется в системах, связанных с трудноформализуемыми предметными областями. Подробнее теория нечетких логик рассматривается в [Поспелов, 1989], [Батыршин, 2001], [Деменков, 2001] и других изданиях.

• 
  Логика умолчаний.
  

Логика умолчаний применяется, в том числе, для того, чтобы оптимизировать процесс рассуждений, дополняя процесс достоверного вывода вероятностными предположениями в тех случаях, когда вероятность ошибки крайне мала. Подробнее логика умолчаний рассмотрена в статье [RRIAI, 2012].

• 
  Темпоральная логика.
  

Применение темпоральной логики является очень актуальным для нестатичных предметных областей, в которых истинность того или иного утверждения меняется со временем, что существенно влияет на ход решения какой-либо задачи. Следует отметить, что используемый в данной работе язык представления знаний предоставляет все необходимые возможности для описания таких динамических предметных областей. Более подробно темпоральная логика рассмотрена в работе [Еремеев, 1997]

В заключение данного раздела, следует отметить один из важнейших принципов данной работы. Данная работа не ставит своей целью разработку нового метода решения задач, нового класса логик или отрицание существующих достижений в данной области. Целью работы является разработка технологии, позволяющей интегрировать любые модели решения задач и принципы логического вывода для решения задач в интеллектуальных системах на основе общей формальной модели. Для того, чтобы использовать какую-либо новую или существующую модель, необходимо привести ее предлагаемому в данной работе формализму, что позволить интегрировать и синхронизировать ее с уже имеющимися в соответствующей библиотеке совместимых компонентов.

7. Библиотека ip-компонентов машин обработки знаний

Центральным элементом всей технологии OSTIS и, соответственно, любой более частной технологии является библиотека совместимых ip-компонентов.

Рассмотрим подробнее структуру этой библиотеки, от общего к частному.

• 
  Библиотека готовых машин обработки знаний В данную библиотеку целиком попадают
  

самодостаточные машины обработки знаний, подходящие для какой-либо предметной области. Примерами могут служить:

●●Машина обработки знаний для статичных предметных областей (геометрия, алгебра)

●●Машина обработки знаний для динамичных предметных областей (физика, химия, многие гуманитарные области)

●●Машина обработки знаний для систем классификации на основе признаков (медицинская диагностика, биология, другие классификационные области)

●●И другие

• 
  Библиотека готовых подсистем машин обработки знаний
  

В данную библиотеку попадают взаимосвязанные коллективы агентов, соответствующие одному уровню в структуре машины обрабоки знаний, описанной выше.

Таковыми, например, являются:

●●Поисковая машина, адаптированная под какой-либо класс предметных областей.

●●Совокупность стратегий решения, адаптированных под какую-либо предметную область.

●●Машина дедуктивного логического вывода

●●Машина индуктивного логического вывода

●●Машина логического вывода на основе темпоральной логики

●●И другие

• 
  Библиотека агентов машин обработки знаний В данную библиотеку попадают все возможные реализации агентов, предназначенных для обработки знаний в интеллектуальных системах.
  

Данная библиотека может быть декомпозирована различными способами. Рассмотрим некоторые из них.

По функциональному назначению агентов:

●●Библиотека агентов информационного поиска

●●Библиотека агентов, реализующих стратегии решения задач

●●Библиотека агентов логического вывода

●●Библиотека агентов сборки мусора

●●Библиотека агентов верификации знаний и устранения противоречий

По языку реализации агентов:

●●Библиотека агентов, реализованных на внутреннем языке SCP

●●Библиотека агентов, реализованных на внешнем языке программирования (может быть декомпозирована далее в зависимости от конкретных языков реализации).

По степени универсальности агентов (декомпозиция является достаточно условной, т.к. зависит от критериев универсальности):

●●Библиотека агентов, ориентированных на решение частной задачи (поиск площади объекта)

●●Библиотека агентов, ориентированных на решение некоторого класса задач (применение импликативного утверждения, применение утверждения об эквивалентности)

• 
  Библиотека программ и процедур машин обработки знаний
  

В данную библиотеку попадают все возможные программы и процедуры, использованные для реализации агентов обработки знаний.

Так же как и библиотека агентов, данная библиотека может быть декомпозирована различными способами по схожим критериям. Рассмотрим некоторые из них.

По функциональному назначению программ:

●●Поисковые процедуры

●●Процедуры генерации заданных конструкций

●●Процедуры сравнения заданных конструкций

●●Процедуры удаления заданных фрагментов конструкций

●●Базовые теоретико-множественные процедуры (объединение, пересечение и т.д.)

●●Системные процедуры, предназначенные, например, для предварительной обработки знаний

Другие критерии классификации процедур и программ полностью аналогичны рассмотренным в библиотеке агентов, поэтому подробное их описание приводить здесь не будем.

8. Автоматические средства поддержки проектирования машин обработки знаний

Рассмотрим ряд средств, обеспечивающих дополнительные возможности при проектировании машин обработки знаний на основе библиотек, а также собственно компонентов, входящих в состав каждой из библиотек.

• 
  Среда программирования для языка SCP.
  

Данная среда программирования должна обладать всеми стандартными возможностями, предоставляемыми средами разработки для существующих языков программирования. Среди таких возможностей можно отметить

●●Отладчик, поясняющий ошибки времени выполнения в виде, понятном пользователю, и позволяющий осуществлять пошаговую отладку программы с просмотром значений переменных и т.п.

●●Редактор исходных текстов программ, имеющий функции автодополнения, подсветки синтаксиса, выявления синтаксических ошибок, поиска необъявленных переменных и т.д.

●●Транслятор реального времени, позволяющий протранслировать составленную программу в память системы прямо в процессе ее работы для последующего тестирования и использования.

• 
  Профайлер графодинамической памяти.
  

Задача профайлера состоит в подсчете объема памяти, используемого тем или иным агентом или группой агентов. Объем памяти оценивается соответственно на основе количества созданных узлов и дуг, с возможностью уточнения типа учитываемых элементов. Такой профайлер позволит отслеживать и предупреждать накопление информационного мусора, ложные срабатывания агентов обработки знаний и т.д.

• 
  Визуализатор графодинамической памяти.
  

Задача визуализатора состоит в отображении в реальном времени средствами пользовательского интерфейса некоторого фрагмента памяти (например, семантической окрестности некоторого узла). Это позволяет разработчику лучше понять процессы, происходящие в памяти, оценить правильность работы спроектированных программ и выяснить, действительно ли все происходит так, как он планировал. Использование визуализатора наиболее целесообразно одновременно с отладчиком в режиме пошаговой отладки, т.к. разработчик сможет визуально отследить реальный результат каждого шага составленной программы.

• 
  Среда проектирования коллективов агентов над общей памятью.
  

В мире существуют средства, позволяющие осуществлять проектирование многоагентных систем. Наиболее значимые представители рассмотрены в статье А.В. Нарушева и В.Ф. Хорошевского [Нарушев, Хорошевский, 2000]. Однако все указанные средства ориентированы на непосредственное взаимодействие агент-агент, в то время как в рамках рассматриваемого подхода к проектированию машин обработки знаний взаимодействие агентов осуществляется через общую память.

Рассматриваемая среда проектирования коллективов агентов позволяет разработчику отслеживать срабатывания агентов при инициировании вопросов в памяти системы, минимизировать количество ложных или нецелесообразных срабатываний, выбрать наиболее рациональный порядок активации агентов в каждом случае.

Таким образом, речь идет о создании интегрированной среды разработки машин обработки знаний на основе мультиагентного подхода.
Список литературы

1. 
   [OSTIS, 2012] Проект OSTIS [Электронный ресурс]. Минск, 2012. – Режим доступа: http://ostis.net/. – Дата доступа: 30.11.2012.
   
2. 
   [RRIAI, 2012] Искусственный интеллект. Системы и модели [Электронный ресурс]. Минск, 2012. – Режим доступа: http://www.rriai.org.ru/logika-kosvennogo-opisaniya-i-logika- umolchaniya.html. – Дата доступа: .12.2019.
   
3. 
   [Батыршин, 2001] Батыршин И.З. Основные операции нечеткой логики и их обобщения / И.З. Батыршин; – Казань : Отечество, 2001.
   
4. 
   [Вагин и др., 2008] Вагин В.Н. Достоверный и правдоподобный вывод в интеллектуальных системах / Вагин В.Н. [и др.]; – М. : ФИЗМАТЛИТ, 2008.
   
5. 
   [Владимиров и др., 2010] Владимиров А.Н., Варламов О.О., Носов А.В., Потапова Т.С. Программный комплекс “УДАВ”: практическая реализация активного обучаемого логического ввода с линейной вычислительной сложностью на основе миварной сети правил //Труды научно-исследовательского института радио. - 2010.- №.1. С. 108-116.
   
6. 
   [Гаврилова и др., 2001] Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник / Гаврилова Т.А.. [и др.]; – СПб. : Изд-во «Питер», 2001.
   
7. 
   [Голенков и др., 2001] Голенков, В.В. Представление и обработка знаний в графодинамических ассоциативных машинах
   
8. 
   Голенков и др., 2001] Программирование в ассоциативных машинах / Голенков В. В. [и др.]; под ред. В. В. Голенкова – Минск, 2001
   
9. 
   Деменков, 2001] Деменков Н.П. Нечеткое управление в технических системах / Н.П. Деменков; – М : Изд. им. Баумана, 2005.