Основная задача сценария — дать ключ к пониманию проблемы.

Создание сценариев представляет собой творческую работу. В этой области накоплен определенный опыт, имеются свои эвристики. Например, рекомендуется разрабатывать «верхний» и «нижний» (или «оптимистический» и «пессимистический») сценарии. Это как бы крайние случаи, между которыми может находиться возможное будущее. Такой прием позволяет отчасти компенсировать или явно выразить неопределенности, связанные с предсказанием будущего.

Иногда полезно включать в сценарий воображаемый активно противодействующий элемент, моделируя тем самым «наихудший случай». Кроме того, рекомендуется не разрабатывать детально (как ненадежные и непрактичные) сценарии, слишком «чувствительные» к небольшим отклонениям на ранних стадиях.

В последнее время понятие сценария расширяется в направлении: как областей применения, так и форм представления и методов их разработки. В сценарий вводятся количественные параметры и устанавливаются их взаимозависимости, предлагаются методики подготовки сценария с использованием компьютеров, методики целевого управления подготовкой сценария.

Использование специальных программ для ЭВМ, а также датчиков случайных чисел с последующим отсечением невозможных ситуаций для генерирования альтернативных вариантов сценариев расширяет горизонт анализа возможных в будущем ситуаций.

Разработанный широкий спектр возможных альтернативных вариантов развития ситуации позволяет более полно определить критические ситуации для принятия решений, а также возможные последствия предлагаемых альтернативных вариантов решений с целью их сопоставления и выбора наиболее эффективного.

Профессионально разработанный и периодически актуализируемый прогноз - неотъемлемая составляющая процесса выработки и принятия важных управленческих решений.

Морфологический метод

Рассмотренный перед этим метод сценария воссоздает весьма обобщенную картину развития проблемы, в которой, конечно же, можно выпустить из виду тот или иной важный элемент. Поэтому в аппарате СА должны быть приемы и методы, позволяющие последовательно уточнять нарисованную первоначально картину, к числу которых относят и морфологический метод.

Основная идея морфологических методов систематически находить все мыслимые варианты решения проблемы или реализации системы путем комбинирования выделенных элементов или их признаков. В систематизированном виде морфологический подход разработан и применен впервые швейцарским астрономом Фрицем Цвикки и долгое время был известен как метод Цвикки.

Морфологический метод включает ряд последовательных этапов:

1. По возможности точное формулирование проблемы, подлежащей решению.

2. Каждый из характерных параметров проблемы (P_i) обладает определенным числом независимых свойств, образуя морфологическую матрицу вида:

,

где , , …, - независимые свойства i-ого параметра (количество свойств n_i); (i= ).

Соединяя элементы разнородных параметров (в любом порядке), получают цепочки элементов, каждая из которых может рассматриваться как возможный вариант решения проблемы. Несколько таких цепочек, взятых вместе, дают комбинированный вариант решения проблемы.

3. Определяется ценность того или иного варианта решения. При этом для сопоставимости вариантов (а число и разнообразие их велико) их оценивание осуществляют на единой основе. Например, универсальной можно считать стоимостную оценку или оценку по пропускной способности и надежности вариантов и т.п.

4. Выбирают наиболее приемлемые решения, которые и реализуются.

Даже такой весьма укрупненный обзор алгоритма морфологического метода, показывает, что он представляет собой упорядоченный способ рассмотрения вариантов, позволяющий реализовать порождение вариантных решений по определенной системе. А это может привести к появлению принципиально отличного варианта, аналога которому еще нет. Так, например, открываются новые элементы в периодической таблице Менделеева.

Морфологический метод структурирует мышление, направляя его энергию на генерацию новых решений проблемы, которые при ином несистематизированном анализе ускользают от внимания.

На сегодняшний день морфологический метод широко применяется, например, в логистике для решения многовариантных транспортных задач.

Методы типа «мозговая атака» или «коллективная генерация идей»

Концепция «мозговая атака» получила широкое распространение с начала 50-х гг. как метод тренировки мышления, нацеленный на открытие новых идей и достижение согласия группы людей на основе интуитивного мышления. Методы этого типа известны также под названиями «мозговой штурм», «конференция идей», «коллективная генерация идей» (КГИ).

Метод мозгового штурма появился в США в конце 30-х годов. В это время совладелец крупной рекламной фирмы Алекс Ф. Осборн начал практиковать среди своих сотрудников новый подход к поиску идей. Метод окончательно оформился и стал известен широкому кругу специалистов с выходом книги А. Осборна "Управляемое воображение: принципы и процедуры творческого мышления" в 1953 году.

Правильно организованный мозговой штурм включает три обязательных этапа. Этапы отличаются организацией и правилами их проведения:

1. Постановка проблемы. Предварительный этап. В начале этого этапа проблема должна быть четко сформулирована. Происходит отбор участников штурма, определение ведущего и распределение прочих ролей участников в зависимости от поставленной проблемы и выбранного способа проведения штурма.

2. Генерация идей. Основной этап, от которого во многом зависит успех всего мозгового штурма.

3. Группировка, отбор и оценка идей. Этот этап часто забывают, но именно он позволяет выделить наиболее ценные идеи и дать окончательный результат мозгового штурма. На этом этапе, в отличие от второго, оценка не ограничивается, а наоборот, приветствуется. Методы анализа и оценки идей могут быть очень разными. Успешность этого этапа напрямую зависит от того, насколько "одинаково" участники понимают критерии отбора и оценки идей.

Обычно при проведении сессий КГИ стараются выполнять определенные правила, суть которых:

· обеспечить как можно большую свободу мышления участников КГИ и высказывания ими новых идей;

· приветствовать любые идеи, даже если вначале они окажутся сомнительными или абсурдными (обсуждение и оценка идей производиться позднее);

· не допускать критики любой идеи, не объявлять ее ложной и не прекращать обсуждение;

· желательно высказывать как можно больше идей, особенно нетривиальных.

В последнее время стараются ввести правила, помогающие сформировать некоторую систему идей, то есть предлагается, например, считать наиболее ценными те из них, которые связаны с ранее высказанными и представляют собой их развитие и обобщение.

Участникам не разрешается зачитывать списки предложений, которые они подготовили заранее. В то же время, чтобы предварительно нацелить участника на обсуждаемый вопрос, при организации сессий КГИ перед ее началом участникам представляется некоторая предварительная информация об обсуждаемой проблемы в письменной или устной форме.

Подобия сессий КГИ – разного рода совещания, например, заседания научных советов, т.н. «фокус - группы», обсуждение вопроса знатоками и т.д.

Метод "мозгового штурма":

· достаточно оперативен и надежен;

· это максимум идей за короткий отрезок времени;

· это отсутствие какой-либо критики;

· это развитие, комбинация и модификация как своих, так и чужих идей.

Этот метод специально разработан для получения максимального количества предложений. Его эффективность поразительна: 6 человек за полчаса могут выдвинуть 150 идей.

ПРИМЕР применения метода «мозговой атаки» для решения проблемы - улучшение ТРАНСПОРТИРОВКИ ЖЕЛЕЗОРУДНОГО КОНЦЕНТРАТА

Железорудный концентрат, перевозимый на судах с несекционированными трюмами, даже при незначительной качке ведет себя как жидкость. (Содержание воды в руде становится опасным – руда по сути разжижается и будучи погруженной на судно, резко снижает его остойчивость. Отправитель любого навалочного груза, способного разжижаться, обязан предоставить перевозчику данные о содержании воды в грузе и о допустимом пределе Transportable Moisture Limit (TML) воды.)

Такая масса причиняет много хлопот: при кренах перетекает от одного борта к другому, создавая угрозу переворачивания. Предложите варианты устранения этого недостатка.

Ведущий. Еще раз напоминаю о полном запрете критики на этапе генерации, даже взглядом, пожатием плеч, скептическим выражением лица и т.п.

(1) Генератор А. Предлагаю насыпать до самого верха, до полного заполнения трюма. Тогда не будет места для перетекания (в скобках номер идеи, а буквы обозначают генераторов, подающих идею).

(2) Генератор Б: Можно ограничить свободу, прижимая щитами сверху.

(3) Генератор В: Можно сделать так, чтобы при шторме выдвигались боковые «крылья». Тогда качка не страшна.

(4) Генератор Г: А можно сделать, чтобы трюм был разделен перегородкой пополам.

(5) Генератор А: Лучше опускать их несколько, чтобы были отсеки.

(6) Генератор Д: Надо, чтобы были устройства, как на гироскопе, которые компенсируют крены корабля.

(7) Генератор В: Когда человек наклоняется, он выбрасывает с противоположной стороны руку. Пусть и корабль так.

(8) Генератор Е: А если покрыть какой-нибудь покрышкой?

(9) Генератор В: Побрызгать пенополиуретановой жидкостью. Я видел, как герметизируют кузова автомобилей при перевозке зерна.

(10) Генератор Г: Сделать вместо окатышей крупные куски. Они сцепляются и не будут кататься.

(11) Генератор Б: Заморозить груз. Сначала смочить, а затем заморозить.

Ведущий: Давайте вспомним, что мы перевозим.

(12) Генератор А: Ой, можно намагнитить.

(13) Генератор Д: Расположить под грузом специальную подушку и накачать. Груз подожмется к потолку трюма.

(14) Генератор В: Тогда лучше поджимать сверху.

(15) Генератор Е: Обжечь часть груза сверху, чтобы она спеклась в виде корки.

Ведущий. По правилам, генерацию идей не останавливают. У нас другая ситуация. Давайте подведем черту, чтобы оценить идеи. На этом этапе можно слушать доводы сторон и разбивать их «вдребезги». Кто подавал первую идею?

Генератор А: Я. Но я подумал, что без специальных вибраторов это не получится. Мама засыпает в банку муку, а я ее потрясу и есть еще много места. Снимаю свое предложение.

Аналитик Н: И вторая идея плохая. Каких же размеров должны быть щиты. Чем их прижимать?

Автор Б: Домкратом.

Генератор Н: Сколько же их надо на весь корабль?

Аналитик М.: И перегородки не лучший вариант. А вот поджим воздухом сверху, как подушкой, это хорошо. Так в автомобилях сохраняют жизнь водителю. Только пусть автор покажет решение.

Автор В: Большие емкости из прорезиненной ткани. В свернутом виде - как большая труба. А накачивается бортовым компрессором.

Ведущий А: А как с идей поджима снизу?

Несколько голосов: Это же большая тяжесть. Корабли ведь огромные.

Аналитик З: А вот магнитная идея очень хорошая. И дешевле и компактнее. Электромагниты в виде гирлянды по периметру. А не нужно – выключим.

Здесь мы прервем показ технологии обсуждения идей. Скажем лишь, что в мире запатентованы идеи фиксации с помощью магнитного поля, надувных элементов, изменения консистенции груза и т.п. Ребята сделали, по существу, свои первые изобретения.

Хотя у мозгового штурма есть недостатки, и все же мозговой штурм и его варианты (обратная мозговая атака - поиск недостатков в изделии, мозговая осада - когда все идеи доводятся до конца, и другие) - надежный способ борьбы с психологической инерцией.

Методы и средства искусственного интеллекта, используемые в СА

Искусственный интеллект как наука существует более сорока лет. Первой интеллектуальной системой считается программа "Логик-Теоретик", предназначенная для доказательства теорем и исчисления высказываний. Ее работа впервые была продемонстрирована 9 августа 1956 года, в создании программы участвовали такие известные ученые как А. Ньюэлл, А. Тьюринг, К. Шеннон, Дж. Шоу, Г. Саймон и другие. С тех пор в области искусственного интеллекта разработано великое множество компьютерных систем, которые принято называть интеллектуальными. Области их практического приложения охватывают практически все сферы человеческой деятельности, связанные с обработкой информации.

На сегодняшний день не существует единого определения, которое адекватно описывает эту научную область. Среди многих точек зрения на нее доминируют три.

Согласно первой, исследования в области искусственного интеллекта являются фундаментальными исследованиями, в рамках которых разрабатываются модели и методы решения задач, традиционно считавшихся интеллектуальными и не поддававшихся ранее формализации и автоматизации.

Согласно второй точке зрения это направление связано с новыми идеями решения задач на ЭВМ с разработкой принципиально новой технологии программирования с переходом к компьютерам не фон-неймановской архитектуры.

Третья точка зрения, наиболее прагматическая, основана на том, что в результате исследований, проводимых в области искусственного интеллекта, появляется множество прикладных систем, решающих задачи, для которых ранее создаваемые системы были непригодны. Согласно последней трактовке, искусственный интеллект представляет собой экспериментальную научную дисциплину, при этом основная роль эксперимента заключается в проверке и уточнении систем искусственного интеллекта, представляющих собой аппаратно-программные информационные комплексы.

Практическая реализация идей искусственного интеллекта в создании новых моделей для решения разнообразных задач психологического поведения человека началась тогда, когда ЭВМ получили способность обрабатывать данные в символьной, а не только в цифровой форме. Эти новые модели получили название семиотических – по имени науки семиотики, изучающей знаки и знаковые системы.

При этом символ-знак определяется с трех сторон:

· синтаксис знака – способ его выражения;

· семиотика знака – связана с его содержанием;

· прагматика знака – полезность знака для пользователя.

Для работы с семиотическими моделями используется модель типа «текст – смыл – действительность», основанная на теории фреймов.

Теория фреймов (или ситуационное управление), разработанная американским кибернетиком Марвином Ли Минским [38] в 1975 г., относится к психологическим понятиям, касающимся понимания того, что мы видим и слышим.

Минский, характеризуя суть этой теории, высказался так: «…Когда человек попадает в новую ситуацию (или радикально изменяет свое отношение к текущим обстоятельствам), он вызывает из своей памяти основную структуру, именуемую фреймом. Фрейм (рамка) – это единица представления знаний, запомненная в прошлом, детали которой при необходимости могут быть изменены согласно текущей ситуации.

Фрейм представляет собой структуру данных, с помощью которых можно, например, описать обстановку в вашей комнате или место, где вы хотите отпраздновать рождение ребенка.

Каждый фрейм может быть дополнен различной информацией. Эта информация может касаться способов применения данного фрейма, последствий его применения, действий, которые необходимо выполнить, если не оправдается прогноз, и т.п.».

Фрейм – иерархически упорядоченная структура данных для описания стереотипных ситуаций, объектов управления и последовательности действий, используются для создания экспертных систем на ЭВМ.

Программные средства, базирующиеся на технологии и методах искусственного интеллекта, получили значительное распространение в мире. Их важность, и, в первую очередь, экспертных систем и нейронных сетей, состоит в том, что данные технологии существенно расширяют круг практически значимых задач, которые можно решать на компьютерах, и их решение приносит значительный экономический эффект.

По мнению специалистов, в недалекой перспективе экспертные системы будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг. Их технология, получив коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.

В мире выделяют несколько основных направлений коммерческого рынка продуктов искусственного интеллекта:

1) экспертные системы; теперь их часто обозначают еще одним термином - "системы, основанные на знаниях";

2) нейронные сети и "размытые" (fuzzy) логики;

3) естественно-языковые системы.

В последнее время наблюдается возрастание интереса к искусственному интеллекту, вызванное повышением требований к информационным системам. Умнеет программное обеспечение, умнеет бытовая техника. Мы неуклонно движемся к новой информационной революции, сравнимой по масштабам с развитием Интернета, имя которой – искусственный интеллект.

Все уже, наверное, слышали об электромеханических собаках в Японии, способных узнавать хозяина в лицо, выполнять некоторые простейшие команды и имеющие некоторую способность к обучению. Слышали и про холодильники с выходом в Интернет и про внедрение Microsoft в будущие версии Windows элементов искусственного интеллекта.

В подобном развитии области искусственного интеллекта нет ничего необычного. Здесь уместно привести гипотезу о встречной эволюции человека и компьютера: человек сначала учиться видеть, ходить, разговаривать, а уже потом развивает способности к вычислениям и логическим выводам. Компьютер же наоборот, рождается как вычислительная система, базирующаяся на формальной логике, в процессе развития приобретает способности к распознаванию образов, синтезу речи и управлению в реальном времени.

В настоящее время различают два основных подхода к моделированию искусственного интеллекта (AI – artificial intelligence):

1. машинный интеллект, заключающийся в строгом задании результата функционирования,

2. искусственный разум, направленный на моделирование внутренней структуры системы.

Моделирование систем первой группы достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида «стимул-реакция».

Системы второй группы базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента – аналога нейрона.

Итак, что такое искусственный интеллект? Это устройство, которое может выполнять такую же умственную деятельность, которую может выполнять человек.

Умственная деятельность состоит из двух частей: счетно-решающей и мыслительной. Счетно-решающую деятельность легко реализуется на компьютерах. А вот машин, осуществляющих полноценную мыслительную деятельность пока нет. Мыслительная деятельность сводится к синтезу пути решения возникшей задачи: нужно составить алгоритм ее решения. Задача, в которой известно что нужно получить, но неизвестно как это сделать - открытая задача. Искусственный интеллект должен уметь решать открытые задачи.

 

Формализованные методы

Методы исследования операций (ИСО)

В практике решения задач ИСО используется много различных методов, а возможность и целесообразность применения каждого из них зависит от вида математической модели, размерности задачи и других факторов.

К основным направлениям исследования математических моделей (ММ) относят:

1. исследование моделей аналитическими методами;

2. исследование системы (процесса) с помощью численных методов и ЭВМ – математическое программирование;

3. исследование системы (процесса) методами случайного поиска.

В свою очередь, в этих направлениях исследований используется большое количество конкретных методов оптимизации, которые можно разделит на 2 группы:

1. точные методы, обеспечивающие нахождение оптимума за конечное число шагов;

2. приближенные методы, приводящие за конечное число шагов к результату, незначительно отличающемуся от оптимального.

Рассмотрим каждое из упомянутых направлений.

Первое направление исследований ММ – аналитические методы.

К аналитическим относят многие конкретные методы, среди которых широкий спектр классической оптимизации – метод прямого перебора, дифференциального исчисления, множителей Лагранжа и др.

С помощью этих методов может быть получена наглядная картина исследуемой системы (процессов) и характеризующих ее параметров, и хотя построение ММ в аналитической форме, удобной для последующего ее исследования, является нелегкой задачей, подобные методы довольно широко применяются для решения многих практических задач ИСО.

Второе направление исследований ММ – численные методы оптимизации.

Среди методов оптимизации особое положение занимает группа методов, широко известных и отличающихся в основном простотой выражения и анализа. Это методы математического программирования, к которым относятся методы: линейного, нелинейного, целочисленного, динамического, дискретного, а также стохастического программирования, сопряженные с аппаратом теории вероятностей.

Кроме того, к численным методам оптимизации относятся:

· для решения одномерных задач используют последовательно детерминированные методы поиска экстремума унимодальных функций (имеющих в исследуемом интервале лишь один горб или впадину), т.е. методы, учитывающие результаты предыдущих шагов – методы дихотомии, Фибоначчи и золотого сечения;

· для решения сложных многомерных задач используют методы регулярной (детерминированной) оптимизации – метод поочередного изменения параметров, метод градиентов, метод скорейшего спуска (подъема).

Третье направление исследований ММ – методы случайного поиска оптимума. Эти методы отличаются от детерминированных методов оптимизации намеренным введением элементов случайности и являются довольно эффективным инструментом решения сложных задач большой размерности с произвольно заданными целевыми функциями и ограничениями.

На базе широкого применения различных методов случайного поиска развилось новое научное направление исследования самых разнообразных объектов и процессов - имитационное моделирование, которое позволяет проводить широкие исследования случайных факторов реальных систем. К числу методов ИСО относятся также теория массового обслуживания (теория очередей), теория игр, теория нечетких множеств и пр.

Статистические методы

Помимо методов ИСО широкое применение получили статистические методы и модели, особенно в задачах выявления тенденций развития исследуемого процесса. Это:

· модели корреляционного (регрессионного) анализа;

· методы обработки статистических данных с выявлением законов распределения случайных величин или их числовых характеристик (например, методы аналитического выравнивания, дисперсионный анализ);

· модели производственных функций. Такие модели описывают зависимости между результатами деятельности производственного объекта и затратами ресурсов и других факторов производства;

· эконометрические модели, представляющие собой совокупности уравнений, описывающих связи между экономическими показателями. В основу этих моделей положены методы идентификации и оценивания.

Методы ИСО и статистические методы являются предметом изучения соответствующих нормативных дисциплин.

Логико-лингвистические методы

Появление логико-лингвистических моделей, в первую очередь, связано с именами Лотфи Заде [39] и Д.А.Поспелова [40].

Идеи логико-лингвистического управления, на первый взгляд, казались совершенно естественными – нельзя управлять сложными объектами без привлечения информации, которая не может быть выражена количественно. Это семантическая или смысловая, качественная информация.

Фактически ситуационное управление было первым случаем практического использования логико-лингвистических моделей в управлении. Первая задача такого рода была решена в еще 1967 году при автоматизации диспетчерской службы на шлюзованных участках водных путей. Затем эти модели были успешно применены при управлении дислокационными операциями в рыбном морском порту, при управлении обжигом цементного клинкера, управлении заготовками и др.

Логико-лингвистические (логико-семантические, логико-смысловые, семиотические) модели, развивая идеи ситуационного управления [Поспелов, 1986], впервые позволили создавать модели, описывающие знания специалистов в сложных недерминированных предметных областях с нечеткой логикой и размытыми определениями.

Данный тип моделей характеризуется высокой степенью формализации. Формализация затрагивает преимущественно логический аспект существования/функционирования моделируемой системы. При построении логико-лингвистических моделей широко используется символьный язык логики и формализм теории графов и алгоритмов.

По явно неслучайному совпадению примерно в это же время подоспела нечеткая логика Лотфи Заде. Так у Л.Заде логико-лингвистические методы описания систем основаны на том, что поведение системы выражается в терминах ограниченного естественного языка и может быть представлено с помощью лингвистических переменных.

Неформально под лингвистической переменной (ЛП) понимается такая переменная, значениями которой могут быть не только числа, но и слова и словосочетания какого-либо естественного или искусственного языка. По сути ЛП представляет собой дескриптивную, иерархическую модель триады " понятие - его значения - их смысл ". Формально она описывается набором вида:

LV = (L,T,X,G,M), (3)

где L - название переменной;

T - терм-множество (совокупность ее лингвистических значений);

X - универсальное множество;

G - множество синтаксических правил (грамматика), позволяющее из простых, атомарных термов строить составные термы, G:T→Т*, Т* есть расширенное терм-множество;

М - множество семантических правил, задающее отношение полиморфизма (соответствия типа "один – ко - многим") между T и U.

Например, для ЛП " Величина " можно определить терм-множество Т = {большая отрицательная (БО), средняя отрицательная (СО), малая отрицательная (МО), примерно нулевая (ПН), малая положительная (МП), средняя положительная (СП), большая положительная (БП)}.

Нечеткая логико-лингвистическая система описывается набором значений входных и выходных лингвистических переменных, связанных между собой некоторыми эвристическими правилами [41].

В частности, системы нечетких лингвистических рассуждений состоят из пяти функциональных блоков:

1) блока фазификации, в котором осуществляется преобразование исходных числовых физических величин в распределения, соответствующие термам лингвистической переменной, т.е. согласно (3) определяется нечеткое отображение М‾¹: X~>T;

2) базы правил, содержащей набор нечетких "если…,то";

3) базы данных, в которой определены функции принадлежности нечетких множеств, используемых в нечетких правилах;

4) блока принятия решений, совершающего операции вывода на основании имеющихся правил;

5) блока дефазификации, где происходит переход от дискретной лингвистической шкалы термов T к непрерывной числовой переменной X, т.е. согласно (3) определяется нечеткое отображение М: T ~> X.

Условно применение данного метода можно описать как циклически повторяемую последовательность из двух процедур:

1. процедуры построения системы высказываний, отражающих знания о системе,

2. процедуры анализа полученной совокупности знаний с применением ЭВМ (правда, на определенных этапах реализации метода требуется участие эксперта).

В свою очередь, Д.А. Поспелов ввел понятие семиотической системы:

SS =(Т, R, A, P,α(T),β(R),γ(A),δ(P)), (4)

где T - множество базовых элементов (алфавит системы),

R - множество синтаксических правил,

A - множество аксиом,

P - множество правил вывода,

α(T),β(R),γ(A),δ(P) - правила изменения соответствующих компонентов формальной системы.

Аргументируя необходимость использования семиотических моделей в искусственном интеллекте (ИИ), Д.А.Поспелов отмечает, что "все современные технические устройства работают на досемиотическом уровне, в силу чего они способны моделировать лишь простейшие формы поведения при решении творческих задач. В отличие от технических систем высшие животные и человек решают сложные задачи на семиотическом уровне, что позволяет им находить такие способы решения, которые невозможно реализовать на досемиотическом уровне".

Результаты сравнительного анализа формальных и семиотических систем даны в табл.1.

Таблица 1. Сравнение основных характеристик формальных и семиотических систем.

Формальные системы	Семиотические системы
Замкнутые миры	Открытые миры
Единственная классическая логика	Сосуществование различных логик
Постоянная интерпретация	Переменная интерпретация
Статические модели знаний	Динамические модели знаний
Монотонные рассуждения	Возможность немонотонного вывода
Нет мультирезолюции	Мультирезолюция возможна

Логико-смысловые (логико-семантические, семиотические) модели - это разновидность логико-лингвистических моделей, ориентированная на отображение исследуемого явления (проблемы), разрабатываемого решения или проектируемого объекта посредством некоторого множества выраженных на естественном языке понятий, фиксирующая отношения между понятиями и отображающая содержательно-смысловые связи между понятиями.

Эта разновидность логико-лингвистических моделей ориентирована на поиск решения, его синтез из ранее имевших место прецедентов, существующих описаний предметной области или описаний путей решения группы близких по содержанию проблем.

По существу этот метод моделирования представляет собой метод поиска решения некоторого комплекса задач на основе анализа совокупности формализованных знаний о некоторой сложной системе.

Выделяется следующие два направления применения логико-смыслового моделирования: формирование и оценка проектных решений; анализ и оптимизация организационных структур.

В качестве частного примера применения логико-смыслового моделирования можно рассматривать гипертекстовые системы, получившие широкое распространение в глобальной телекоммуникационной сети Интернет.

Наиболее распространенным способом формального представления логико-лингвистических моделей является граф.

Граф — это формальная система, предназначенная для выражения отношений между элементами произвольной природы, оперирующая модельными объектами двух типов:

1. вершина (точка), символизирующая элемент,

2. ребро (дуга, связь), символизирующее отношение между связываемыми им элементами.

В математической интерпретации граф представляет собой формальную систему, описываемую, как:

G=(Х,U), (5)

где Х — множество вершин, U — множество ребер (дуг).

Граф состоит из упорядоченных пар вершин, причем одна и та же пара может входить в множество U любое число раз, описывая различные виды отношений. Классический пример графа приведен на рис. 13.

Рисунок 13. Пример графа переходов.

В качестве примера графа можно использовать привычные нам иерархические классификации в виде прямоугольников, связанных линиями, схемы метрополитена, технологические карты, транспортные сети и т. п.

Одним из видов логико-лингвистических моделей являются сценарии или сценарные модели.

Сценарные модели (сценарии) - это разновидность логико-лингвистических моделей, предназначенных для отображения развернутых во времени последовательностей взаимосвязанных состояний, операций или процессов. Сценарии могут иметь как линейную, так и ветвящуюся структуру, в которой могут быть установлены условия перехода к той или иной частной стратегии, либо просто отображены возможные альтернативы без указания условий.

Сценарии, как разновидность логико-лингвистических моделей, широко распространены в отраслях деятельности, связанных с моделированием социально-политической, экономической и военной обстановки, созданием информационных систем поддержки управленческой деятельности и во многих других.

Методы логико-лингвистического моделирования не исчерпываются перечисленными здесь. Следует упомянуть методы логико-лингвистического моделирования деловых процессов, методы синтеза деревьев целей и задач, а также иные методы, основанные на применении логико-лингвистических моделей и методов.

Широкое применение логико-лингвистические модели нашли в отрасли разработки программного обеспечения, управления корпоративными информационными ресурсами и многих других отраслях, где требуется определенный уровень формализации, представляющий единство строгости, интуитивной понятности и высокой выразительной способности моделей.

Принципиальная новизна логико-лингвистического подхода была в ее гениальной простоте. Для моделирования кибернетических систем предлагался не очередной математический монстр, понятный лишь автору и его ближайшему окружению, а набор вполне прозрачных нотаций для описания объектов системы управления и связей между ними. Впервые отчетливо прозвучала мысль, что существуют задачи, где строгая математика бессильна, но где логика, обогащенная лингвистическими моделями, может дать результативное и ясное описание.

Логико-лингвистическое управление, опередив время, пыталось создать аппарат для моделирования сложных систем, включающих логические, временные, пространственные, технологические и человеческие компоненты в их подлинной сложности, а не в рамках "игрушечных" математических моделей. Теперь уже пришло понимание, что каждая сложная система уникальна, и только опыт и знания специалистов позволяет справиться с такими задачами.

 

Слабоформализованные методы

Методы экспертных оценок