Интеллектуальные информационные системы

КемИ РГТЭУ

знаний является непосредственной подготовкой к структурированию знаний. Рассмотрим простейший алгоритм

структурирования:
Определение входного множества {X} и выходного множества {Y} данных, то есть выясняется, что будет исходными знаниями и что должно быть на выходе; движение в поле знаний от X до Y.
Составление словаря терминов и набора ключевых слов {N} на основе анализа всех протоколов сеансов извлечения знаний, выписывания всех значимых слов, понятий, процессов, действий, признаков.
Выявление объектов и понятий множества {A}. Производится просеивание словаря N и выбор значимых объектов и их признаков.
Выявление связей между понятиями. Строится сеть ассоциаций, где связи намечены, но не наименованы (красный флаг и красный галстук), но связи еще непонятны.

242

т.е. понятий более общего уровня.
Построение пирамиды знаний – это иерархическая

лестница понятий, подъем по которому означает углубление понимания и повышение уровня абстракции или обобщенности понимания, а спуск по лестнице детализирует до конкретного экземпляра. Количество уровней в пирамиде зависит от особенностей предметной области, профессионализма Э и ИЗ.
Определение {RA} – как множества отношений между понятиями и на каждом конкретном уровне и между уровнями: даются имена всем связям, которые обнаружены на шаге 4, а так же обозначаются причинно-следственные, временные, лингвистические и другие виды отношений.
Определение стратегии принятия решений {S}, то есть выявление цепочек рассуждений, которые связывают все сформированные ранее понятия в динамической системе поля знаний.

243

приобретением знаний понимается получение знаний в виде, пригодном для их

использования компьютером, поэтому здесь применяется теория и методология машинного обучения.
Обучение – это усвоение знаний, умений и навыков путем получения и восприятия информации от учителя или обработки наблюдаемой информации с последующим построением на основе этих наблюдений новых общих правил и закономерностей. Обе формы обучения используются в СИИ для приобретения системами новых знаний.
Машинное обучение включает:
Приобретение новых декларативных знаний.
Систематизация.
Хранение новых знаний.
Обнаружение новых фактов (вывод новых фактов).
При рассмотрении системы инженерии знаний предполагается, что существует система, которая включает БЗ и механизм логических выводов, использующий эти знания для решения задач.
От функции обучения требуется преобразование полученной извне информации в знания и пополнение ими БЗ.

244

без выводов
1.1 Категорию А можно назвать обучением без

вывода или механическим запоминанием. Это простой процесс получения информации, при котором полученная информация в виде программ или данных используется для решения задач в неизменном виде.
1.2 Категория В - получение информации извне, представленной в форме знаний, то есть в форме, которую можно использовать для вывода. Обучающейся системе надо иметь функцию преобразования информации в формат, удобный для дальнейшего использования и включения в БЗ.
1.2.1 Приобретение знаний происходит в наиболее простой форме, это знания, предварительно подготовленные человеком во внутреннем формате, какими является большинство специальных знаний, изначально заданных в ЭС.
В этом случае надо преобразовать специальные знания из какой-либо предметной области в машинный формат. Для этого нужен посредник, который хорошо знает и предметную область, и инженерию знаний.
В общем случае для замены функции посредника можно использовать специальные подпрограммы.

246

Для подстановки знаний нужны вспомогательные средства типа редактора знаний. Причем

в диалоге редактируются не только отдельные правила и факты, но и восполняются недостатки существующих правил, то есть ведется редактирование БЗ (система TEIRESIAS).
1.2.3 Знания заданы на естественном языке. Поэтому для преобразования во внутренний формат необходимо их понимание.

2. Приобретение знаний из примеров. Обучение на примерах – это процесс сбора отдельных фактов, их обобщение и систематизация.
В БЗ вводятся описания реальных ситуаций с точной их диагностикой. Количество примеров должно быть большим и разнообразным, то есть включать различные сочетания признаков.

247

методов приобретения знаний на примерах необходимо задать:
1. Язык представления знаний

– это унифицированный язык описания примеров и общих правил.
2. Способы описания объектов. В ходе обучения по примерам из описаний отдельных объектов создаются более общие описания объектов некоторого класса, при этом возникают проблема: как описать данный класс. Применяется метод «контр-примеров», который использует ложные примеры и показывает, какие объекты не входят в класс.
3. Правила обобщения. Для сбора отдельных примеров и создания общих правил необходимы правила обобщения. Предложено несколько способов их описания:
замена постоянных атрибутов языка на переменные;
исключение правил с ограниченным применением.
4. Управление обучением. Для управления процессом обучения применяются классические методы:
метод «снизу-вверх» - при котором последовательно выбираются и структурируется отдельные сообщения.
метод «сверху – вниз», при котором сначала выдвигается гипотеза, а затем она корректируется по мере поступления информации.

248

Параметрическое обучение - наиболее простая форма, состоит в определении общего

вида правила, которое должно стать результатом вывода и последующей корректировке входящих в это правило параметров в зависимости от данных. Этот метод применяется в системе распознавания образов, и в ходе обучения используется нейронная сеть.
2.2 Метод обучения по индукции – это обучение с использованием выводов высокого уровня. В процессе этого обучения путем обобщения совокупности имеющихся данных выводятся общие правила.
Возможно обучение с преподавателем, когда входные данные задает человек, наблюдающий за состоянием обучающей системы, и обучение без преподавателя, когда данные поступают в систему случайно.
Например, пусть известно, что есть некоторый многочлен от одной переменной. В качестве примеров задаются пары значений (x, f(x)).
Вначале задается (0, 1) и можно сделать предположение, что f(x)=1.
Затем задается (1, 1), эта пара удовлетворяет предложенной функции.
Далее задается (2, 3), функция f(x)=1 не удовлетворяет этому примеру,
поэтому выводится новая функция f(x)=x*x – x +1, которая удовлетворяет всем предложенным до сих пор фактам.
Далее убедимся, что эта функция удовлетворяет фактам (3, 7), (4, 13) (5, 21) …, поэтому нет необходимости менять этот вывод.

249

видно из этого примера, при выводе в каждый момент времени

объясняются все данные, полученные до этого момента. Если данные не удовлетворяют выводу, то приходится менять вывод. Следовательно, в общем случае индуктивный вывод – это долгий процесс.
Процесс реализуется благодаря неограниченному повторению действий:
запрос входных данных –> предположение –> выходные данные.

Для точного определения индуктивного вывода нужно задать:
множество правил-объектов вывода;
метод представления правил;
способ показа примеров;
метод вывода;
критерий правильности вывода.

250

Обучение по аналогии.
Аналогия – это метод выводов, при котором

обнаруживается подобие между несколькими заданными объектами и благодаря переносу фактов и знаний, справедливых для одних объектов, на другие, либо определяется способ решения задачи, либо предсказываются новые факты и знания. Следовательно, когда человек сталкивается с неизвестной задачей, он на первых порах использует этот естественный метод вывода.

3. Приобретение знаний на метауровне - приобретение знаний, основой которому является информация по управлению решением задач с использованием знаний на объектном уровне. Эта область пока до конца не изучена, но с ней связаны надежды и перспективы инженерии знаний

251

машины вывода очень важным является правильный выбор стратегии вывода. Результатом

стратегии вывода является поиск и порядок применения и срабатывания правил.
Процедура выбора сводится к определению направления поиска и способа его осуществления.
При разработке стратегии вывода надо ответить на два вопроса:
Какую точку в пространстве состояний принять в качестве исходной?
От выбора этой точки зависит и метод осуществления поиска – в прямом или обратном направлении:
прямой вывод;
обратный вывод.
Как повысить эффективность поиска решения?
Чтобы добиться этого, надо найти эвристики разрешения конфликтов, связанных с существованием нескольких возможных путей для продолжения поиска в пространстве состояний, так как требуется отбросить те из них, которые заведомо не ведут к искомому значению. Предлагаются методы:
поиск в глубину;
поиск в ширину;
α-β алгоритм;
разбиение задачи на подзадачи.

252

с прямым выводом по известным фактам отыскивается заключение, которое из

этих фактов следует. Если такое заключение удается найти, то оно заносится в рабочую память. Прямой вывод часто называют выводом, управляемым данными.

При обратном выводе вначале выдвигается некоторая гипотеза, затем механизм вывода как бы возвращается назад, переходя к фактам, пытаясь найти те, которые подтверждают гипотезу. Если она оказывается правильной, то выбирается следующая гипотеза, детализирующая первую и являющаяся по отношению к ней подцелью. Далее отыскиваются факты, подтверждающие истинность подчиненной гипотезы.
Вывод такого рода называется управляемым целями и применяется, когда цели известны и их сравнительно немного.

253

фрагмент базы знаний из двух правил:
П1. Если «отдых – летом»

и «человек – активный», то «ехать в горы».
П2. Если «любит солнце», то «отдых – летом».

Предположим в систему поступили факты:
«человек – активный» и
«любит солнце».

ПРЯМОЙ ВЫВОД – исходя из фактических данных, получить рекомендацию.
1-й проход.
Шаг 1. Пробуем П1, не работает.
Шаг 2. Пробуем П2, работает. Добавляется факт – «отдых – летом».
2-й проход.
Шаг 3. Пробуем П1, работает, активизируется цель «ехать в горы», которая выступает как рекомендация ЭС.

254

– подтвердить выбранную цель «ехать в горы» при помощи имеющихся

правил и данных.
1-й проход.
Шаг 1. Цель - «ехать в горы»: пробуем П1 – данных «отдых – летом» нет и они становятся новой подцелью. Ищется новое правило, где есть искомая цель в правой части
Шаг 2. Цель – «отдых – летом»: правило П2 подтверждает цель и активирует ее.
2-й проход.
Шаг 3. Пробуем П1, подтверждается искомая цель.

255

в глубину в качестве очередной подцели выбирается та, которая соответствует

более детальному уровню описания задачи.
Например: диагностирующая система, сделав на основе симптомов предположение о наличии определенного заболевания, будет продолжать запрашивать уточняющие признаки и симптомы этой болезни до тех пор, пока полностью не опровергнет или подтвердит выдвинутую гипотезу.
При поиске в ширину система сначала проанализирует все симптомы, находящиеся на одном уровне пространства состояний, даже, если они относятся к разным заболеваниям, и лишь затем перейдет к симптомам следующего уровня детальности.
Специалистам в какой-либо предметной области больше нравится поиск в глубину, так как он позволяет собрать воедино все признаки, связанные с выдвинутой гипотезой.
Особенности пространства поиска во многом определяет целесообразность применения той или иной стратегии. Например: программа для игры в шахматы использует стратегию поиска в ширину.

256

позволяет уменьшить пространство состояний путем удаления ветвей, неперспективных для успешного

поиска. Поэтому рассматриваются только те вершины, в которые можно попасть в результате следующего шага. После чего неперспективные направления исключаются. Алгоритм широко применяется в игровых программах.
Разбиение на подзадачи подразумевает выделение подзадач, решение которых рассматривается как достижение промежуточных целей на пути к конечной цели.
Пример: поиск неисправности в ПК. Сначала выявляется отказавшая подсистема (питание, память и т.д.), что значительно сужает пространство поиска.
Если удается правильно понять сущность задачи и оптимально разбить ее на систему иерархически связанных целей – подцелей, то можно добиться того, что путь к ее решению в пространстве поиска будет минимальным. Если задача является плохо структурированной, то применить этот метод нельзя.

257

Но для исследования НС необходимо иметь математическую модель биологического нейрона

и биологической нейронной сети.
Центральная нервная система имеет клеточное строение. Единица – нервная клетка, нейрон. Нейрон имеет следующие основные свойства:
1. Участвует в обмене веществ и рассеивает энергию. Меняет внутреннее состояние с течением времени, реагирует на входные сигналы и формирует выходные воздействия и поэтому является активной динамической системой.
2. Имеет множество синапсов – контактов для передачи информации.
3. Нейрон взаимодействует путем обмена электрохимическими сигналами двух видов: электротоническими (с затуханием) и нервными импульсами (спайками), распространяющимися без затухания.
Существуют два подхода к созданию искусственных нейронных сетей. Информационный подход: безразлично, какие механизмы лежат в основе работы искусственных нейронных сетей, важно лишь, чтобы при решении задач информационные процессы в НС были подобны биологическим.
Биологический подход: при моделировании важно полное биоподобие, и необходимо детально изучать работу биологического нейрона.

259

Каждый нейрон формирует свой выход только на основе своих входов

и собственного внутреннего состояния под воздействием общих механизмов регуляции нервной системы.
2. Способность к полной обработке информации. Многие известные человеку задачи решаются нейронными сетями. К этой группе свойств относятся ассоциативность (сеть может восстанавливать полный образ по его части), способность к классификации, обобщению, абстрагированию и множество других. Они до конца не систематизированы.
3. Самоорганизация. В процессе работы биологические НС самостоятельно, под воздействием внешней среды, обучаются решению разнообразных задач. Нервная система сама формирует алгоритмы своей деятельности, уточняя и усложняя их в течение жизни. Человек пока не сумел создать систем, обладающих самоорганизацией и самоусложнением.
4. Биологические НС являются аналоговыми системами. Информация поступает в сеть по большому количеству каналов и кодируется по пространственному принципу: вид информации определяется номером нервного волокна, по которому она передается. Амплитуда входного воздействия кодируется плотностью нервных импульсов, передаваемых по волокну.
5. Надежность. Биологические НС обладают фантастической надежностью: выход из строя даже 10% нейронов в нервной системе не прерывает ее работы. По сравнению с последовательными ЭВМ, основанными на принципах фон Неймана, где сбой одной ячейки памяти или одного узла в аппаратуре приводит к краху системы.

260

систем, архитектура которых имеет аналогию с построением нервной ткани из

нейронов. В одной из наиболее распространенных архитектур, многослойном персептроне, имитируется работа нейронов в составе иерархической сети.
Сеть состоит из произвольного количества слоев нейронов. Нейроны каждого слоя соединяются с нейронами предыдущего и последующего слоев по принципу "каждый с каждым". Первый слой (слева) называется сенсорным или входным, внутренние слои называются скрытыми или ассоциативными, последний — выходным или результативным. Количество нейронов в слоях может быть произвольным. Обычно во всех скрытых слоях одинаковое количество нейронов.

261

образов
Состоит в отнесении входного набора данных, представляющего распознаваемый объект, к

одному из заранее известных классов. Например

распознавания рукописных и печатных символов при оптическом вводе в ЭВМ
распознавание типов клеток крови
распознавание речи

Распознавание цифр

Распознавание больных людей

263

Задача состоит в группировке данных по присущей им «близости». Алгоритмы определения близости данных (определение расстояния между векторами, вычисление коэффициента корреляции и другие способы) закладываются в нейросеть при ее построении. Сеть кластеризует данные на заранее неизвестное число кластеров. Например
Сжатие данных
Поиск неочевидных закономерностей в данных

Кластеризация данных

Сжатие данных

264
Заключается в

определении значения какого-то параметра системы (или нескольких параметров) на будущий, еще не наступивший момент времени по известным значениям этого параметра (или параметров) в предыдущие моменты времени. Имеется набор {y(t1), y(t2),… y(tn)} значений y, представляющих поведение системы в моменты времени t1, t2,… tn . Требуется по предыдущему поведению системы предсказать ее поведение y(tn+1) в момент времени tn+1 . Например
При принятии решения банками об объеме страхового запаса финансов
При управлении складскими запасами
При государственном планировании бюджета

Прогнозирование

265
Заключается в определении по экспериментальным данным функции, наилучшим образом приближающейся

к неизвестной и удовлетворяющей определенным критериям. Имеется набор экспериментальных данных {(X1,Y1),…(Xn,Yn) } , представляющий значения Yi неизвестной функции от аргумента Xi , i=1,…n. Требуется найти функцию, аппроксимирующую неизвестную и удовлетворяющую некоторым критериям

Приближение функции

Цель этих задач – найти решение проблемы, удовлетворяющее ряду ограничений

и оптимизирующее значение целевой функции
6. Контекстно-адресуемая (ассоциативная) память. Эта память позволяет считывать содержимое по частичному или искаженному представлению данных.
Область применения – мультимедийные базы данных.

266

267

Исследователи наделяют искусственные нейроны разнообразными свойствами, которые, по их мнению,

адекватны функциям биологических нейронов и позволяют получать решение актуальных задач.
Искусственный нейрон j , jЄ {1,2…}, задается совокупностью своих входов xji , iЄ{1,2…}, весами входов wji , функцией состояния sj и функцией активации fj.
Функция состояния определяет состояние нейрона в зависимости от значений его входов, весов входов и, возможно, предыдущих состояний. Наиболее часто используются функции состояния, не зависящие от предыдущего состояния, и определяемые по формуле:




где n(j) – число входов нейрона j
Одноместная функция активации y=f(s) определяет выходной сигнал нейрона как функцию его состояния s. Наиболее распространенные функции активации приведены в таблице 8.1.

268

Выбор функции активации определяется:
1. Спецификой задачи.
2. Удобством реализации на ЭВМ,

в виде электрической схемы или другим способом.
3. Алгоритмом обучения: некоторые алгоритмы накладывают ограничения на вид функции активации, их нужно учитывать.
Чаще всего вид нелинейности не оказывает принципиального влияния на решение задачи. Однако удачный выбор может сократить время обучения в несколько раз.
Линейные нейронные сети используют нейроны с линейной функцией активации.
Нелинейные нейронные сети применяют нелинейную функцию активации, например, пороговую или сигмоидную.
Нейронная сеть образуется путем объединения ориентированными взвешенными ребрами выходов нейронов с входами.
При этом граф межнейронных соединений может быть ациклическим либо произвольным циклическим.
Вид графа служит одним из классификационных признаков нейронной сети, разделяющим сети на сети без циклов и сети циклические (рис.8.2).

270

и циклической сети (б)
271

272

НС с обратными связями (циклами)

Приняв некоторое соглашение о тактировании сети (времени срабатывания нейронов), получаем

аппарат для задания алгоритмов посредством нейронных сетей.
Разнообразие этих алгоритмов ничем не ограничено, так как можно использовать нейроны с различными функциями активации, различными функциями состояния, двоичными, целочисленными, вещественными и другими значениями весов и входов.

Алгоритм решения задач с помощью сети, построенной по принципу многослойного персептрона (МСП)
Чтобы построить МСП, необходимо выбрать его параметры. Чаще всего выбор значений весов и порогов требует обучения, т.е. пошаговых изменений весовых коэффициентов и пороговых уровней.
Общий алгоритм решения:
1. Определить, какой смысл вкладывается в компоненты входного вектора x.
Входной вектор должен содержать формализованное условие задачи, т.е. всю информацию, необходимую для получения ответа.
2. Выбрать выходной вектор y таким образом, чтобы его компоненты содержали полный ответ поставленной задачи.
3. Выбрать вид нелинейности в нейронах (функцию активации). При этом желательно учесть специфику задачи, т.к. удачный выбор сократит время обучения.
4. Выбрать число слоев и нейронов в слое.

273

5. Задать диапазон изменения входов, выходов, весов и пороговых уровней,

учитывая множество значений выбранной функции активации.
6. Присвоить начальные значения весовым коэффициентам и пороговым уровням и дополнительным параметрам (например, крутизне функции активации, если она будет настраиваться при обучении). Начальные значения не должны быть большими, чтобы нейроны не оказались в насыщении (на горизонтальном участке функции активации), иначе обучение будет очень медленным. Начальные значения не должны быть и слишком малыми, чтобы выходы большей части нейронов не были равны нулю, иначе обучение также замедлится.
7. Провести обучение, т.е. подобрать параметры сети так, чтобы задача решалась наилучшим образом. По окончании обучения сеть готова решить задачи того типа, которым она обучена.
8. Подать на вход сети условия задачи в виде вектора x. Рассчитать выходной вектор y, который и даст формализованное решение задачи.
Сети могут быть конструируемыми или обучаемыми.
В конструируемой сети число и тип нейронов, граф межнейронных связей, веса входов нейронов определяются при создании сети, исходя из решаемой задачи.
В обучаемых сетях их графы межнейронных связей и веса входов нейронов изменяются при выполнении алгоритма обучения.

274

По алгоритму обучения сети делятся на наблюдаемые, ненаблюдаемые и гибридные.

Наблюдаемые сети при обучении сравнивают заранее известный выход с получившемся значением.
Ненаблюдаемые сети обучаются, не зная заранее правильных выходных значений, но группируя «близкие» входные векторы так, чтобы они формировали один и тот же выход сети. Ненаблюдаемое обучение используется при решении задачи кластеризации.
При гибридном алгоритме обучения часть весов определяется при наблюдаемом, а часть - при ненаблюдаемом обучении.
Обучение осуществляется путем предъявления примеров, состоящих из наборов входных данных с соответствующими результатами при наблюдаемом обучении и без последних при ненаблюдаемом.

275

Эффективность решения задач нейронной сетью зависит от выбранной структуры нейронной

сети, используемого алгоритма обучения, называемых в совокупности нейропарадигмой, и полноты имеющейся базы данных примеров.
Основным недостатком нейросетевой парадигмы является необходимость иметь очень большой объем обучающей выборки.
Другой существенный недостаток заключается в том, что даже натренированная нейронная сеть представляет собой черный ящик. Знания, зафиксированные как веса нескольких сотен межнейронных связей, совершенно не поддаются анализу и интерпретации человеком.

276

не дает ответа на вопрос о выборе нейросетевой парадигмы для

решения конкретной прикладной задачи. Публикуются перечни успешно решенных задач с применением тех или иных парадигм. Опыт применения накапливается и развивается в программных средствах, реализующих широкий выбор нейросетевых парадигм. Общее число фирм, реализующих эти средства, превышает 150.
Несмотря на сложность заложенных в нейропакетах методов, использовать их довольно просто. Они позволяют сконструировать, обучить, протестировать и использовать в работе нейронную сеть на основе понимания нескольких базисных теоретических положений.
Лидером рынка нейропакетов почти сразу стал пакет BrainMaker американской фирмы California Scientific SoftWare. В 1990 году он получил приз «Лучший программный пакет года» журнала PC Magazine, а впоследствии стал самым продаваемым в США нейропакетом. Сейчас он используется промышленными и финансовыми фирмами для решения задач прогнозирования, оптимизации и моделировании ситуаций. Пакет применяют более 20 тысяч компаний.
BrainMaker состоит из двух компонентов:
нейросетевого ядра, которое обучает и тестирует нейронные сети, обеспечивает их работу;
среды для создания нейросетей, анализа и подготовки исходных данных.
BrainMaker предъявляет очень скромные требования к программно-аппаратным средствам.

277

место на рынке нейросистем можно назвать OWL фирмы HyperLogic, «AI

Trilogy» («Трилогия искусственного интеллекта») фирмы Ward Systems Group.
OWL представляет собой библиотеку, содержащую большинство нейросетевых алгоритмов на языках С и С++. Используя этот продукт, можно разрабатывать собственные аналитические системы любого размера и назначения.
«AI Trilogy» - это набор из трех самостоятельных приложений: NeuroShell II, NeuroWindows, GeneHunter.
NeuroShell II представляет собой средство создания, обучения и тестирования нейросетевых приложений,
NeuroWindows – это нейросетевая библиотека в исходных текстах,
GeneHunter – система оптимизации нейросетей на основе генетических алгоритмов.
В совокупности они образуют мощный «конструктор», позволяющий строить аналитические комплексы любой сложности. NeuroShell адаптирован для бизнес-приложений и используется в более чем 150 банках США.
В системе «AI Trilogy» присутствуют возможности обработки текстовых данных, задания правил в явном виде, работы с финансовыми индикаторами. Важная особенность пакета – наличие русскоязычной версии.
Российский проект Neuro Builder 2001, разработанный компанией «РосБизнесКонсалтинг» (http://www.rbc.ru), - приложение созданное специально для решения задач прогнозирования на финансовых рынках.

278

показывает наилучшие рабочие характеристики среди нейро-сетевых пакетов, представленных сейчас на

рынке программного обеспечения. Эта система предоставляет огромное количество уникальных возможностей и будет полезна не только экспертам по нейронным сетям (предоставляя им широчайший выбор типов нейронных сетей и алгоритмов обучения), но и новичкам в области нейросетевых вычислений (для них предусмотрены такие инструменты, как Мастер решения, который проведет пользователя через все необходимые этапы создания нейронной сети).

основанных на моделировании развития биологической популяции.
Пусть есть целевая функция E(p),

зависящая от вектора p независимых переменных. В задаче оптимизации требуется найти минимум E.
Популяцией назовем набор векторов P = {pi} = p1..pN. N — размер популяции. Элементы pi - особи. Элементы множества P способны эволюционировать по следующим правилам:
1. Если E(p0) — мала, то особь p0 считается удачной и получает приоритет при размножении. Вероятность гибели этой особи снижается.
2. Если E(p0) — велика, то особь p0 считается неудачной, вероятность размножения для этой особи снижается, и повышается вероятность гибели.
3. Мутации: любая точка имеет равную вероятность мутации, т.е. смещения на небольшую величину p0 →p0 + ∆p , где ∆p — небольшой по модулю вектор, характеризующий величину мутации.
Закон, по которому определяется ∆p, зависит от реализации алгоритма. Типичный выбор — многомерное нормальное распределение с нулевым матожиданием.

279

на шагах 1, 2, каждая точка имеет вероятность размножения, тем

большую, чем точка удачнее. Законы размножения могут быть различными, в зависимости от выбранной модели, например:
а) разделение на две близлежащих точки: p0 +m1 и p0 +m2 , где векторы m1 и m2 определяются алгоритмом;
б) разделение на несколько близких точек построением правильного многоугольника (симплекса) вокруг точки p0 по известным формулам из теории оптимизации:
5. Гибель: в соответствии с вероятностью, определенной на шагах 1, 2, точка может погибнуть, т.е. быть бесследно удаленной из множества P.
Текущий набор pi составляет генофонд популяции. Налицо наследственность, изменчивость и естественный отбор — движущие силы биологической эволюции.
Точная количественная теория эволюции, сохранения и изменения генетической информации пока не построена, поэтому остается большой произвол в выборе численных значений вероятностей гибели, размножения и мутаций и деталей алгоритма (способ размножения, мутаций). Оптимальность выбранных алгоритмов пока может быть оценена только экспериментально.

280

использовать метафору генной инженерии для описания различных алгоритмов. Строки (string)

искусственной "генетической" системы аналогичны хромосомам в биологических системах. Законченный набор строк называется структурой (structure). Структуры декодируются в набор параметров, альтернативы решений или точку в пространстве решений. Строки состоят из характеристик, или детекторов, которые могут принимать различные значения. Детекторы могут размещаться на разных позициях в строке. Все это сделано по аналогии с реальным миром. В природных системах полный генетический пакет называется генотипом. Организм, который образуется при взаимодействии генотипа с окружающей средой, носит название фенотипа. Хромосомы состоят из генов, которые могут принимать разные значения. (Например, ген цвета для глаза животного может иметь значение "зеленый" и позицию 10).

281

длины, тогда как в генетическом программировании эти строки разворачиваются в

деревья, столь знакомые специалистам в области трансляции. Например, выражение a+b*c выглядит так:

программирования является группа исследователей из Стэндфордского университета (Stanford University), работающая

под руководством профессора Джона Коза. Генетическое программирование вдохнуло новую жизнь в хорошенько уже подзабытый язык LISP (List Processing), который создавался группой Джона Маккарти (того самого, кто в 60-е годы ввел в наш обиход термин "искусственный интеллект") как раз для обработки списков и функционального программирования. Кстати, именно этот язык в США был и остается одним из наиболее распространенных языков программирования для задач искусственного интеллекта.

283

место на рынке нейросистем можно назвать OWL фирмы HyperLogic, «AI

Trilogy» («Трилогия искусственного интеллекта») фирмы Ward Systems Group.
OWL представляет собой библиотеку, содержащую большинство нейросетевых алгоритмов на языках С и С++. Используя этот продукт, можно разрабатывать собственные аналитические системы любого размера и назначения.
«AI Trilogy» - это набор из трех самостоятельных приложений: NeuroShell II, NeuroWindows, GeneHunter.
NeuroShell II представляет собой средство создания, обучения и тестирования нейросетевых приложений,
NeuroWindows – это нейросетевая библиотека в исходных текстах,
GeneHunter – система оптимизации нейросетей на основе генетических алгоритмов.
В совокупности они образуют мощный «конструктор», позволяющий строить аналитические комплексы любой сложности. NeuroShell адаптирован для бизнес-приложений и используется в более чем 150 банках США.
В системе «AI Trilogy» присутствуют возможности обработки текстовых данных, задания правил в явном виде, работы с финансовыми индикаторами. Важная особенность пакета – наличие русскоязычной версии.
Российский проект Neuro Builder 2001, разработанный компанией «РосБизнесКонсалтинг» (http://www.rbc.ru), - приложение созданное специально для решения задач прогнозирования на финансовых рынках.

278

основные разновидности исполнения ЭС:
1. ЭС, выполненные в виде отдельных программ

на некотором алгоритмическом языке, БЗ которых является частью этой программы. Такие системы предназначены для решения задач в одной фиксированной ПО. При построении таких систем применяются как традиционные процедурные языки PASCAL, C, так и специализированные языки ИИ - LISP, PROLOG.
2. Оболочки ЭС - это программные продукты, обладающие средствами представления знаний для определенной предметной области. Термин «оболочка» означает набор инструментальных средств для построения ЭС. В оболочку входят машина логического вывода и система общения с пользователем. БЗ отделена от машины вывода. Такое распределение удобно по следующим соображениям:
БЗ всегда зависит от ПО, в которой используется система;
удобно и разумно создать ЭС для нескольких приложений.
Но практический опыт показывает, что для сложных ЭС сценарий с одной оболочкой и несколькими БЗ работает не так гладко, за исключением тех случаев, когда ПО очень близки.
Задача пользователя при работе с оболочкой заключается не в непосредственном программировании, а в формализации и вводе знаний с использованием представленных оболочкой возможностей.

279

экспертных систем
ACQUIRE - SDK - программное средство разработки, снабженное встроенными

библиотеками для Мs-Dos, и Unix;, Windows. Полный пакет (система обнаружения знания и оболочка экспертной системы) стоит $ 995 для Windows и включает в себя справочник, обучающую программу. Дополнительную информацию можно получить по адресу http://vvv.com/ai/ Фирма: Acquired Intelligence Inc,
ACTIVATION FRAMEWORK работает на персональных компьютерах (под управлением операционных систем DOS, Windows) и на автоматизированных рабочих станциях UNIX. Это - не традиционная оболочка экспертной системы, а скорее инструмент для формирования прикладных программ обработки данных в реальном времени. Система конкурирует с оболочкой G2 фирмы GENSYM Фирма: Real-Time Intelligent Systems Corporation, email rtis@world.std.com.
ActiveAgentX может применяться в системах поддержки принятия решений, содержащих правила , которые могут быть автоматически получены по корпоративным сетям при использовании WEB-браузеров Microsoft Windows. ActiveAgentX может быть также встроен внутрь Java аплетов, которые используются браузером Microsoft Internet Explorer или автономно, как прикладная программа Java, написанная на языке Microsoft Java. При использовании в сети WWW ActiveAgentX предоставляет вполне развитые средства создания экспертных систем, которые используют интерактивные средства представления интеллектуальной информации на машинах клиента или в Web-браузерах. пакет создан в Haley Corporation. WEB - страница фирмы имеет адрес http://www.haley.com/

280

экспертных систем
CPR (Прикладная система, основанная на правилах) содержит библиотеку классов

C++ и Help! CPR - службу поддержки клиентов и прикладную программу, основанную на знаниях, которая использует CPR. Фирма: The Haley Enterprise, Inc.
 ECLIPSE работает на персональных компьютерах (DOS, Windows), а также имеются версии для систем V Unix и POSIX. Синтаксис языка, используемого в пакете, совместим с языком системы CLIPS, разработанной для NASA. Отличия заключаются в управлении данными путем сопоставления с образцом, использовании прямого и обратного вывода, в поддержке множества целей, объектно-ориентированном представлении знаний и интегрировании с dBase. WEB - страница фирмы имеет адрес http://www.haley.com/. Стоимость пакета $999 для 32 разрядного Windows или OS/2. Стоимость пакета для работы в среде UNIX составляет $1,999.

281

поддерживает фреймовые рабочие области, содержит высокоэффективный транслятор, фреймовые базы данных

и библиотеку, которые поддерживают многомерные алгоритмы поиска целей; KS языки представлений знаний; Универсальные оболочки управления и утилиты администрирования порядком выполнения операторов; интерактивные, графические дисплеи для контроля и исследования; компоненты управления и рабочие области. Эти компоненты составляют инфраструктуру, необходимую для формирования прикладных программ. WWW страница имеет адрес: http://www.bbtech.com/ .
3. Генераторы ЭС - это мощные программные продукты, предназначенные для получения оболочек, ориентированных на то или иное представления знаний в зависимости от рассматриваемой предметной области. Примерами этой разновидности систем являются SAS (SAS Institute) - комплекс инструментальных средств для разработки экспертно-аналитических систем, предназначенных для высококвалифицированных специалистов в области математического моделирования и системного анализа (стоимость от $20 тыс.); КЕЕ, ART.

282

тех областях, где кроме применения стандартных алгоритмических методов, основанных на

точных вычислениях, используются знания и опыт конкретных экспертов-аналитиков, а принятие решений формируется в условиях неполноты данных и зависит скорее от качественных, чем количественных оценок.
К таким ПО относятся прежде всего область финансовой деятельности, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учета сложных причинно-следственных связей, применения нетривиальных логических рассуждений.
Рассмотрим в качестве примера ЭС для анализа финансового положения предприятия, которая разработана в Ростовском государственном университете путей сообщения.
Система основана на продукциях, содержит БЗ, механизм вывода, рабочую память, в которой хранятся факты, характеризующие ситуацию на предприятии, к примеру, баланс предприятия, компоненту взаимодействия с пользователем, объяснительную компоненту.
Для извлечения знаний использовались как текстологические методы, так и работа с экспертами – опытными бухгалтерскими и аудиторскими работниками.
Примеры правил, касающиеся использования свободных средств:
Если свободные средства составляют менее 5 % актива, то их можно включить в финансово-эксплуатационные потребности.
Если свободные средства составляют больше 5% актива и величина финансово- эксплуатационных потребностей неотрицательна, то свободные средства надо вычесть из общей суммы задолженности.
Если свободные средства возникли из отрицательной величины финансово- эксплуатационных потребностей, то их модно рассматривать как органическую часть актива.

В общем случае продукция в системе имеет вид:
I; Q;P;AB;N , где
I - имя продукции (порядковый номер).
Q – сфера применения продукции (для рассмотренных выше правил – это знания о построении трех основных блоков актива аналитического финансового баланса).
P – условия применимости ядра продукции (для рассмотренных выше правил – «наличие свободных средств»).
AB – ядро продукции (записанные правила).
N – действия, выполняемые только после активизации ядра продукции.
Система разработана на языке С++ и используется как для обучения студентов, так и для повышения квалификации преподавателей.

283

и экономической деятельности
ЭС, применяемые в финансовой и экономической деятельности,

подразделяются на два класса:
основанные на правилах;
основанные на примерах.

ЭС, основанные на правилах
применяются
для работы с хорошо систематизированными элементами знаний и априори известными закономерностями, выраженными методиками, инструкциями
Источник и вид знаний
работает с хорошо определенными знаниями и данными, извлеченными из экспертов ИЗ
В основе механизмов вывода лежат
классические стратегии наследования и логического вывода

284

и экономической деятельности
ЭС, основанные на примерах
применяются
в ситуациях,

когда отсутствуют какие-либо явные связи и закономерности между элементами знаний, а сами знания представлены в виде списка примеров, описывающих реализации событий
Источник и вид знаний
формирует свои знания путем адаптации к ПО, представленной примерами, причем как обучающая, так и анализируемая информация может быть неполна и искажена
В основе механизмов вывода лежат
различные методы обобщения по примерам, в частности, свойства используемых для этого искусственных нейронных сетей.

285

и экономической деятельности
Финансовые ЭС, основанные на правилах, применяются для

решения задач в таких областях как: торги на фондовой бирже; автоматическое понимание бизнес-новостей; кредитный анализ; управление рисками; построение портфелей кредитов и инвестиций; оценка рейтинга банков; автоматизация аудита; предсказание изменений на финансовом рынке и др.
Стоимости таких ЭС колеблются от тысяч до десятков тысяч долларов.
Перечислим характеристики двух ЭС этого класса:
1. Система логического программирования финансовой экспертизы FLiPSiDE фирмы Case Western reserve Univerrsity. Решаемые задачи:
мониторинг состояния рынка ценных бумаг;
мониторинг состояния текущего портфеля ценных бумаг;
поддержка обзора будущих условий рынка;
планирование и выполнение продаж.
Система реализована на языке Пролог.
2. Система поддержки принятия решений при управлении портфелем PMIDSS, разработанная финансовой группой Нью-Йоркского университета. Решаемые задачи:
выбор портфеля ценных бумаг;
долгосрочное планирование инвестиций.
Система использует смешанные модели представления знаний: логика, семантические сети, фреймы, правила.

286

и экономической деятельности
ЭС, основанные на примерах можно принципиально разделить

на две группы:
ЭС на основе нейронных сетей. Такие системы используются как предварительно обученный на примерах классификатор, у которого при подаче на его вход набора значений исходных финансовых параметров, на его выходе появляется искомое решение по данной финансовой ситуации.
Пример системы: Нейронный симулятор для оценки рейтинга ценных бумаг S&PCBR, разработанный Chase Manhatten Bank, Standart & Poor’s corp. Решаемые задачи:
оценка рейтинга ценных бумаг по данным о фирмах-эмитентах;
формирование корректной рейтинговой шкалы.
Система представляет задачу оценки рейтинга как задачу классификации, выполняет выбор нейроклассификатора, его обучение и тестирование, сравнение с оценками экспертов.
Вероятность правильного предсказания – 84%.

287

и экономической деятельности
ЭС на основе алгоритма индуктивного обобщения ID3.

Системы по наборам примеров формируют дерево решений, из которых строятся соответствующие для принятия решения правила.
Пример системы: Интеллектуальная система управления портфелем ценных бумаг ISPMS. Решаемая задача:
формирование портфеля акций, обеспечивающего баланс между риском и предполагаемым доходом.
Система использует:
оптимизационную модель квадратичного программирования Марковица;
БД и БЗ по фирмам-эмитентам и отраслям;
подсистему обучения на прошлом опыте, основанную на извлечении правил из большого количества фактов;
учет знаний эксперта и личных предпочтений инвестора.
Вероятность правильного предсказания – 68%-84%.

288

времени
ЭС статического типа используются в тех приложениях, где можно не

учитывать изменения окружающего мира, происходящие за время решения задачи.
В архитектуру динамической ЭС по сравнению со статической ЭС вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением. Последняя осуществляет связи с внешним миром через систему датчиков и контроллеров.
Кроме того, традиционные компоненты статической ЭС (база знаний и машина вывода) претерпевают существенные изменения, чтобы отразить временную логику происходящих в реальном мире событий.
Динамические ЭС реального времени (ЭС РВ) составили основное направление работ по созданию ЭС в период 1996—2000 гг.
С помощью ЭС РВ создаются стратегически значимые приложения в таких областях, как
управление непрерывными производственными процессами в химии, фармакологии, производстве цемента, продуктов питания и т.п.,
аэрокосмические исследования,
транспортировка и переработка нефти и газа,
управление атомными и тепловыми электростанциями,
финансовые операции,
связь и многие другие.

289

времени
Требования, предъявляемые к системам, работающим в реальном времени:
Представлять, хранить

и анализировать изменяющиеся во времени данные, поступающие от внешних источников;
выполнять временные рассуждения о нескольких различных асинхронных процессах одновременно (т.е. планировать в соответствии с приоритетами обработку поступивших в систему процессов);
обеспечивать механизм рассуждения при ограниченных ресурсах (время, память);
обеспечивать "предсказуемость" поведения системы, т.е. гарантию того, что каждая задача будет запущена и завершена в строгом соответствии с временными ограничениями;
моделировать "окружающий мир", рассматриваемый в данном приложении, обеспечивать создание различных его состояний;

290

времени
Требования, предъявляемые к системам, работающим в реальном времени:
протоколировать свои

действия и действия персонала, обеспечивать восстановление после сбоя;
обеспечивать наполнение базы знаний для приложений реальной степени сложности с минимальными затратами времени и труда (необходимо использование объектно-ориентированной технологии, общих правил, модульности и т.п.);
обеспечивать настройку системы на решаемые задачи (проблемная/предметная ориентированность);
обеспечивать создание и поддержку пользовательских интерфейсов для различных категорий пользователей;
обеспечивать уровень защиты информации (по категориям пользователей) и предотвращать несанкционированный доступ.

291

времени
В архитектуру ЭС РВ введены новые компоненты – подсистемы
моделирования

внешнего мира,
связи с внешним окружением,
учета временной логики обрабатываемых событий.

ЭС РВ обладают более удобными средствами взаимодействия. Они стали "активными" ЭС, и играют роль активного помощника пользователя (партнерские системы) или исполнительного механизма в автоматизированных системах управления (управленческие ЭС).
Основным отличием ЭС РВ от экспертных систем первого поколения является интегрированность.
На основе объединения с традиционными информационными технологиями они становятся гибридными системами (интеллектуальными комплексами моделирования), включающими эвристический компонент и комплекс имитационных моделей (расчетные методики, статистический анализ, математические модели, базы данных), что значительно расширяет их возможности и обеспечивает их синергетический (нелинейный) характер.
Разработка двух тенденций по интеграции и децентрализации знаний позволила реализовать преимущество различных видов представления знаний и повысила качество и универсальность систем.

292

времени
При создании программной системы, функционирующей в режиме реального времени, разработчики

сталкиваются с рядом проблем:
необходимость обеспечить приемлемое время решения задач и предсказуемость поведения, т.е. гарантию того, что каждая из задач будет запущена и завершена в строгом соответствии с временными ограничениями;
отсутствие в большинстве языков программирования средств для описания процессов во времени;
серьезные требования к системным ресурсам.

293

времени
Потребности рынка побудили ряд фирм-разработчиков инструментальных средств ИИ предложить пользователям

оболочки ЭС реального времени:
Expert 90 (Bailey, США);
Chronos (S2O, Франция);
G2 (Gensum Corp, США).

Все перечисленные системы ориентированы на функционирование на базе рабочих станций. ПК допускаются лишь в качестве рабочих мест в среде клиент-сервер. Рассматривая архитектуру динамических ЭС, отметим, что изменениям подвергаются все компоненты традиционной ЭС и добавляются два новых модуля:
моделирование внешнего мира;
сопряжение с реальными объектами.

294

времени
Рассмотрим более подробно систему G2 фирмы Gensum. Первая версия системы,

появившаяся в 1988 году, была разработана на языке ЛИСП, но уже, начиная с версии 3.0 в целях переносимости все модули системы переписаны на С. Несмотря на высокую стоимость G2 (около $50 тыс. за версию разработчика), сегодня установлено более 6000 копий в 40 отраслях. 48 из 50 самых крупных компаний используют G2. Такой успех объясняется тем, что G2 – это объектно-ориентированная интегрированная среда для разработки и сопровождения приложений реального времени, использующих БЗ.
Перечислим классы задач, для которых предназначена G2:
мониторинг в режиме реального времени;
системы управления верхнего уровня;
системы обнаружения неисправностей;
диагностика;
составление расписаний;
планирование;
оптимизация;
системы-советчики диспетчера;
системы проектирования.

295

времени
Жизненный цикл приложения в G2 состоит из ряда этапов:
1) Разработка

прототипа приложения
При разработке прототипа не используется традиционное программирование. Создание прототипа обычно занимает от одной до двух недель (при наличии у разработчика опыта по созданию приложений в данной среде. Прототип, как и приложение, создается на структурированном естественном языке, с использованием объектной графики, иерархии классов объектов, правил, динамических моделей внешнего мира. Многословность языка сведена к минимуму путем введения операции клонирования, позволяющей размножить любую сущность базы знаний.
2) Расширение прототипа до приложения
Конечный пользователь предлагает этапность проведения работ, направления развития базы знаний, указывает пропуски в ней. Разработчик может расширять и модифицировать базу знаний в присутствии пользователя даже в тот момент, когда приложение исполняется. В ходе этой работы прототип развивается до такого состояния, что начинает удовлетворять представлениям конечного пользователя. В крупных приложениях команда разработчиков может разбить приложение на отдельные модули, которые интегрируются в единую базу знаний.
Возможен и альтернативный подход к созданию приложения. При этом подходе каждый разработчик имеет доступ к базе знаний, находящейся на сервере, при помощи средства, называемого Telewindows, обычно расположенного на компьютере - клиенте. В этом случае разработчики могут иметь различные авторизованные уровни доступа к приложению. Приложение может быть реализовано не только на различных ЭВМ, но и с использованием нескольких взаимодействующих оболочек G2.

296

времени
3) Тестирование приложения на наличие ошибок
В G2 ошибки в синтаксисе

показываются непосредственно при вводе конструкций (структур данных и исполняемых утверждений) в базу данных. Могут быть введены только конструкции, не содержащие синтаксических ошибок. Таким образом, отпадает целая фаза отладки приложения (свойственная традиционному программированию), что ускоряет разработку приложений.
Разработчик освобожден и от необходимости знать детальный синтаксис языка G2, так как при вводе в базу знаний некоторой конструкции ему в виде подсказки сообщается перечень всех возможных синтаксически правильных продолжений.
4) Тестирование логики приложения и ограничений (по времени и памяти)
Блок динамического моделирования позволяет при тестировании воссоздать различные ситуации, адекватные внешнему миру. Таким образом, логика приложения будет проверяться в тех условиях, для которых она создавалась. Конечный пользователь может принять непосредственное участие в тестировании благодаря управлению цветом (т.е. изменение цвета при наступлении заданного состояния или выполнения условия) и анимации (т.е. перемещение/вращение сущности при наступлении состояния/условия). Благодаря этому он сможет понять и оценить логику работы приложения, не анализируя правила и процедуры, а рассматривая графическое изображение управляемого процесса, технического сооружения и т.п.
Полученное приложение полностью переносимо на различные платформы в среду UNIX (SUN, DEC, HP, IBM и т.д.), VMS (DEC VAX) и Windows NT (Intel, DEC Alpha). База знаний сохраняется в обычном ASCII-файле, который однозначно интерпретируется на любой из поддерживаемых платформ. Перенос приложения не требует его перекомпиляции и заключается в простом перемещении файлов. Функциональные возможности и внешний вид приложения не претерпевают при этом никаких изменений. Приложение может работать как в "полной" (т.е. предназначенной для разработки) среде, так и под runtime, которая не позволяет модифицировать базу знаний.

297

времени
5) Сопровождение приложения
Не только сам разработчик данного

приложения, но и любой пользователь может легко его понять и сопровождать, так как все объекты/классы, правила, процедуры, функции, формулы, модели хранятся в базе знаний в виде структурированного естественного языка и в виде графических объектов. Для ее просмотра используется возможность "Inspect". Сопровождение упрощается за счет того, что различным группам пользователей выдается не вся информация, а только ее часть, соответствующая их потребностям.

Основные компоненты
Экспертная система реального времени состоит из базы знаний, машины вывода, подсистемы моделирования и планировщика.

298

времени
Базы знаний
Все знания в G2 хранятся в двух типах файлов:

базы знаний и библиотеки знаний.
В файлах первого типа хранятся знания о приложениях: определения всех объектов, объекты, правила, процедуры и т.п.
В файлах библиотек хранятся общие знания, которые могут быть использованы более, чем в одном приложении, например, определение стандартных объектов.
Файлы баз знаний могут преобразоваться в библиотеки знаний и обратно.
Знания структурируются: предусмотрены иерархия классов, иерархия модулей, иерархия рабочих пространств. Каждую из них можно показать на дисплее.
Сущности и иерархия классов
Класс, базовое понятие объектно-ориентированной технологии, - основа представления знаний в G2. Все, что хранится в базе знаний и с чем оперирует система, является экземпляром того или иного класса. Более того, все синтаксические конструкции G2 являются классами. Для сохранения общности даже базовые типы данных - символьные, числовые, булевы и истинностные значения нечеткой логики - представлены соответствующими классами. Описание класса включает ссылку на суперкласс и содержит перечень атрибутов, специфичных для класса.

299

времени
Иерархия модулей и рабочих пространств
Для структуризации G2-приложений используются "модули" и

"рабочие пространства". Приложение может быть организовано в виде одной или нескольких баз знаний, называемых модулями. В последнем случае говорят, что приложение представлено структурой (иерархией) модулей.
На верхнем уровне - один модуль верхнего уровня. Модули следующего уровня состоят из тех частей, без которых не может работать модуль предыдущего уровня. Структурирование приложений позволяет разрабатывать приложение одновременно нескольким группам разработчиков, упрощает разработку, отладку и тестирование, позволяет изменять модули независимо друг от друга, упрощает повторное использование знаний.
Рабочие пространства являются контейнерным классом, в котором размещаются другие классы и их экземпляры, например, объекты, связи, правила, процедуры и т.д.
Каждый модуль (база знаний) может содержать любое число рабочих пространств.
Рабочие пространства образуют одну или несколько древовидных иерархий с отношением "is-а-part-of" ("является частью"). С каждым модулем ассоциируется одно или несколько рабочих пространств верхнего (нулевого) уровня; каждое из них - корень соответствующей иерархии. В свою очередь, с каждым объектом (определением объекта или связи), расположенным в нулевом уровне, может ассоциироваться рабочее пространство первого уровня, "являющееся его частью" и т.д.
Различие между "модулями" и "рабочими пространствами" состоит в следующем:
Модули разделяют приложение на отдельные базы знаний, совместно используемые в различных приложениях. Они полезны в процессе разработки приложения, а не его исполнения.
Рабочие пространства, наоборот, выполняют свою роль при исполнении приложения. Они содержат в себе различные сущности и обеспечивают разбиение приложения на небольшие части, которые легче понять и обрабатывать.

300

времени
Структуры данных
Сущности в базе знаний с точки зрения их использования

можно разделить на структуры данных и выполняемые утверждения.
Примерами первых являются объекты и их классы, связи (connection), отношения (relation), переменные, параметры, списки, массивы, рабочие пространства.
Примерами вторых - правила, процедуры, формулы, функции.
Выделяют объекты (и классы), встроенные в систему и вводимые пользователем. При разработке приложения, как правило, создаются подклассы, отражающие специфику данного приложения. Среди встроенных подклассов объектов наибольший интерес представляет подкласс данных, включающий подклассы переменных, параметров, списков и массивов.
Особая роль отводится переменным. В отличие от статических систем переменные делятся на три вида:
собственно переменные,
параметры,
простые атрибуты
Параметры получают значения в результате работы машины вывода или выполнения какой-либо процедуры.
Переменные представляют измеряемые характеристики объектов реального мира и поэтому имеют специфические черты:
время жизни значения,
источник данных.
Время жизни значения переменной определяет промежуток времени, в течение которого это значение актуально, по истечении этого промежутка переменная считается не имеющей значения.

301

времени
Выполняемые утверждения
Основу выполняемых утверждений баз знаний составляют правила и процедуры.

Кроме того, есть формулы, функции, действия и т.п.
if-правила в G2 имеют традиционный вид: левая часть (антецедент) и правая часть (консеквент).
Кроме if-правила, используется еще четыре типа правил:
initially,
unconditionally,
whenever,
when.
Каждое из типов правил может быть как общим, т.е. относящимся ко всему классу, так и специфическим, относящимся к конкретным экземплярам класса.
Возможность представлять знания в виде общих правил, а не только специализированных, позволяет минимизировать избыточность базы знаний, упрощает ее наполнение и сопровождение, сокращает число ошибок, способствует повторной используемости знаний (общие правила запоминаются в библиотеке и могут использоваться в сходных приложениях).
В случае, когда необходимо выполнить жесткую последовательность действий, например, запуск или остановку комплекса оборудования, более предпочтителен процедурный подход.
Язык программирования, используемый в G2 для представления процедурных знаний, является достаточно близким родственником Паскаля. Кроме стандартных управляющих конструкций язык расширен элементами, учитывающими работу процедуры в реальном времени:
ожидание наступления событий,
разрешение другим задачам прерывать ее выполнение,
директивы, задающие последовательное или параллельное выполнение операторов.
итераторы, позволяющие организовать цикл над множеством экземпляров класса.

302

времени
Машина вывода
Главный недостаток прямого и обратного вывода, используемых в

статических экспертных системах, - непредсказуемость затрат времени на их выполнение. С точки зрения динамических систем, полный перебор возможных к применению правил - непозволительная роскошь. В связи с тем, что G2 ориентирована на приложения, работающие в реальном времени, в машине вывода должны быть средства для сокращения перебора, для реакции на непредвиденные события и т.п.
Для машины вывода G2 предусмотрено девять случаев способов возбуждения правил:
1. Данные, входящие в антецедент правила изменились (прямой вывод - forward chaining).
2. Правило определяет значение переменной, которое требуется другому правилу или процедуре (обратный вывод - backward chaining).
3. Каждые n секунд, где n - число, определенное для данного правила (сканирование - scan).
4. Явное или неявное возбуждение другим правилом - путем применения действий фокусирования и возбуждения (focus и invoke).
5. Каждый раз при запуске приложения.
6. Входящей в антецедент переменной присвоено значение, независимо от того, изменилось оно или нет.
7. Определенный объект на экране перемещен пользователем или другим правилом.
8. Определенное отношение между объектами установлено или уничтожено.
9. Переменная не получила значения в результате обращения к своему источнику данных.

303

времени
Если первые два способа достаточно распространены и в статических системах,

а третий хорошо известен как механизм запуска процедур-демонов, то остальные являются уникальной особенностью системы G2.
Планировщик
В связи с тем, что G2-приложение управляет множеством одновременно исполняемых задач, необходим планировщик. Хотя пользователь никогда не взаимодействует с ним, планировщик контролирует всю активность, видимую пользователем, и активность фоновых задач. Планировщик определяет порядок обработки задач, взаимодействует с источниками данных и пользователями, запускает процессы и осуществляет коммуникацию с другими процессами в сети.
Подсистема моделирования G2
Подсистема моделирования G2 - достаточно автономная, но важная часть системы. На различных этапах жизненного цикла прикладной системы она служит достижению различных целей:
1) Во время разработки подсистема моделирования используется вместо объектов реального мира для имитации показаний датчиков. Очевидно, что проводить отладку на реальных объектах может оказаться слишком дорого, а иногда (например, при разработке системы управления атомной станцией) и небезопасно.
2) На этапе эксплуатации прикладной системы процедуры моделирования выполняются параллельно функциям мониторинга и управления процессом, что обеспечивает следующие возможности:
верификация показаний датчиков во время исполнения приложения;
подстановка модельных значений переменных при невозможности получения реальных значений (выход из строя датчика или длительное время реакции на запрос).
Как видим, играя роль самостоятельного агента знаний, подсистема моделирования повышает жизнеспособность и надежность приложений. Для описания внешнего мира подсистема моделирования использует уравнения трех видов: алгебраические, разностные и дифференциальные (первого порядка).

304