Модели решений функциональный и Вычислительных задач

5.1. Основные понятия

В повседневной жизни, на производстве, в научно-исследова­тельской, инженерной или любой другой деятельности человек по­стоянно сталкивается с решением задач. Задачи, которые мы ре­шаем, по своему назначению можно разделить на две категории:. вычислительные задачи целью которых является определение неко-торой величины, и функциональные задачи, предназначенные для создания некого аппарата, выполняющего определенные действия — функции. Например, проектирование нового здания требует реше-нияя задачи расчета прочности его фундамента, несущих опорных конструкций, расчета финансовых затрат на строительство, опреде­ление оптимального числа работников и т.д. Для повышения произ­водительности труда строителей создано немало машин функцио­нального назначения (решены функциональные задачи), такие как экскаватор, бульдозер, подъемный кран и др.

История развития средств вычислительной техники повествует о том, что мощным толчком для создания первых вычислительных машин стала вторая мировая война. Для успешного ведения войны требовалось решать множество вычислительных задач. Немецкий инженер Конрад Цузе сконструирован вычислительную машину Z2 (1941 г.) для выполнения необходимых расчетов при проектировании самолетов и баллистических снарядов. Английские инженеры созда­ли вычислительную машину «Колосс» (1943 г.) для дешифровки пе­рехваченных сообщений вражеской армии. Американский инженер Говард Эйкен для выполнения баллистических расчетов создал ком­пьютер «Марк I» (1944 г.). Компьютеры первого и второго поколе­ния использовались для решения вычислительных задач, для инже­нерных, научных, финансовых расчетов, для обработки больших объемов данных. Начиная с третьего поколения, область примене­ния ЭВМ включает и решение функциональных задач: это обра­ботка баз данных, управление, проектирование. Современный ком­пьютер может выполнять практически любые задачи, а массовое

использование персональных компьютеров и повсеместное примене­ние новых информационных технологий отводит ему особую роль для решения любых задач.

С точки зрения информатики, решение любой задачи представ­ляет замкнутую технологическую последовательность (рис. 5.1):

Рис. 5.1. Этапы решения задачи

В этом ряду каждый элемент играет свою особую роль.

Объектом (от лат. objectum — предмет) называется все то, что противостоит субъекту в его практической и познавательной деятель­ности, все то, на что направлена эта деятельность. Под объектами понимаются предметы и явления, как доступные, так и недоступные чувственному восприятию человека, но имеющие видимое влияние на другие объекты (например, гравитация, инфразвук _или электро-магнитные волны). Объективная дальность, существующая незави­симо от нас, является объектом для человека в любой его деятель­ности и взаимодействует с ним. Поэтому объект всегда должен рассматриваться во взаимодействии с другими объектами, с учетом их взаимовлияния.

Деятельность.человека обычно идет по д вум направлениям:Ис -следование _ свойств объекта с целью их использования (или нейтра-лизации) создание новых обьектов,имеющих полезныесвойства. Первое направление относится к научным исследованиям и большую роль при их проведении имеет г ипотеза, т.е. предсказание свойств объекта при недостаточной его изученности. Второе направление относится к инженерному проектированию. При этом важную роль играет понятие аналогии- суждение о каком-либо сходстве извест­ного и проектируемого объекта. Аналогия может быть полной или частичной. Это понятие относительно и определяется уровнем абст­рагирования и целью построения аналогии. Любой аналог (образ) _ какого-либо объекта, процесса или явления. используемый в качестве заменителя (представителя) оригинала, называется моделью (от лат, modulus - образец).

Исследование объектов, процессов или явлений путем построения и изучения их моделей для определения или уточнения характе­ристик оригинала называется моделированием. Моделирование может
быть определено как представление объекта моделью для получения
информации об этом объекте путем проведения экспериментов с его
моделью. Теория замещения объектов-оригиналов объектом-моделью
называется теорией моделирования.

Если результаты моделирования подтверждаются и могут служить основой для прогнозирования поведения исследуемых объектов, то говорят, что модель адекватна объекту. Степень адекватности зависит от цели и критериев моделирования.

Все многообразие способов моделирования, рассматриваемого теорией моделирования, можно условно разделить на две группы: / аналитическое и имитационное моделирование. Аналитическое моде­лирование заключается в построении модели, основанной на описа­нии поведения объекта или системы объектов в виде аналитических выражений — формул. При таком моделировании объект описывается системой линейных или нелинейных алгебраических или дифференциальных уравнений, решение которых может дать представ­ление о свойствах объекта К полученной аналитической модели, с учетом вида и сложности формул применяются аналитические или приближенные численные методы., Реализация численных методов" обычно возлагается на вычислительные машины, обладающие боль­шими вычислительными мощностями. Тем не менее, применение аналитического моделирования ограничено сложностью получения и анализа выражений для больших систем.

Имитационное моделирование предполагает построение модели с характеристиками, адекватными оригиналу на основе какого-либо его физического или информационного принципа. Это означает, что внешнее воздействие на модель объект вызывают идентичные изменения свойств оригинала и модели. При таком моделировании отсутствует общая аналитическая модель большой размерности а объект представлен системой, состоящей из элементов, взаимодействующих между собой и с внешним миром. Задавая внешние воз­действия, можно получить характеристики системы и провести их анализ...В последнее время имитационное моделирование все боль­ше ассоциируется с моделированием_: объектов на Компьютере, что позволяет в интерактивном режиме исследовать модели самых раз­ных по природе объектов.

 

5.2. Системный подход в моделировании систем

Классический (или индуктивный ) подход к моделированию рас­сматривает систему, переходя от часного к общему, и синтезирует ее путем слияния компонент, разрабатываемых отдельно. Системный подход предполагает последовательный переход от общего к часному,. когда в основе рассмотрения лежит цель, при этом объект выде-ляется из окружающего мира.

' При создании нового объекта с полезными свойствами (напри­мер, системы управления) задаются критерии, определяющие степень полезности полученных свойств. Так как любой объект моделирова­ния представляет собой систему взаимосвязанных элементов, введем

понятие системы. Система S есть целенаправленное множество вза­имосвязанных элементов любой природы. Внешняя среда Е представ­ляет собой множество существующих вне системы элементов любой природы, оказывающих влияние на систему или находящихся под ее воздействием.

При системном подходе к моделированию прежде всего четко

определяется цель моделирования. Создание модели полного аналога оригинала дело трудоемкое и дорогое, поэтому модель создается под определенную цель.

Важным для системного подхода является определение структуры системы совокупности связей между элеметами системы отражающих их взаимодействие. Существует ряд походов к исследованию систем и ее свойств, к которым следует отнести структурный и функциональный. При структурном подходе выявляется состав вы­деленных элементов системы S и связи между ними. Совокупность элементов и связей позволяет судить о свойствах выделенной части системы. При функциональном подходе рассматриваются функции (ал­горитмы поведения системы, причем, каждая функция описывает поведение одного свойства при внешнем воздействии Е. Такой под­ход не требует знания структуры системы, а ее описание состоит из набора функций ее реакции на внешние воздействия.

Классический метод построения модели использует функциональный подход, при котором в качестве элемента модели принима­ется компонента, описывающая поведение одного свойства и не ото­бражающая реальный состав элементов. Кроме этого компоненты системы являются изолированными друг от друга, что плохо отра­жает моделируемую систему. Такой метод построения модели приме -ним лишь для простых систем, так как требует включения в состав функций, описывающих свойства системы, отношения между свой­ствами, которые могут быть плохо определены или неизвестны.

С усложнением моделируемых систем, когда невозможно учесть все взаимовлияния свойств, применяется системный метод, основанный на структурном подходе. При этом система S разбивается на ряд подсистем S_s со своими свойствами, которые, естественно, проще описать функциональными зависимостями, и определяются связи между подсистемами. В этом случае система функционирует в соот­ветствии со свойствами отдельных подсистем и связей между ними. Это избавляет от необходимости описывать функционально взаимо­связи между свойствами системы 5, делает модель более гибкой, так как изменение свойств одной из подсистем автоматически изменяет свойства системы.

5.3. Классификация видов моделирования

В зависимости от характера изучаемых процессов в системе S и цели моделирования существует множество типов моделей и спосо­бов их классификации, например по цели использования наличию случайных воздейвий, отношению ко времени, возможности реализации, облости применения и др. (таблица)

По цели использования модели классифицируются на научный эк сперимент, в котором осуществляется исследование модели с при­менением различных средств получения данных об объекте, возмож­ности влияния на ход процесса, с целью получения новых данных об объекте или явлении; комплексные испытания и производственный эксперимент, использующие натурное испытание физического объек­та для получения высокой достоверности о его характеристиках; оп- тимизационные, связанные с нахождением оптимальных показателей системы (например, нахождение минимальных затрат или определе­ние максимальной прибыли).

По наличию воздействий на систему модели делятся не детерми­нированные (в системах отсутствуют случайные воздействия) и с moхастические (в системах присутствуют вероятностные воздействия). Эти же модели некоторые авторы классифицируют по способу оценки

Классификации видов моделей

 

По цели ис-	По наличию	По	По	По области
	воздействий	отношению	возможности
пользования				применения
	на систему	ко времени	реализации
Научный	Детермини-	Статические.	Мысленные	Универсаль-
эксперимент.	рованные.	Динамиче-	(наглядные,	ные.
Комплексные	Стохастиче-	ские (дис-	символиче-	Специализи-
испытания и	ские	кретные, не-	ские, матема-	рованные
производст-		прерывные)	тические).
венный экс-			Реальные
перимент.			(натурные,
Оптимизаци-			физические).
онные моде-			Информаци-
ли			онные

параметров системы: в детерминированных системах параметры модели оцениваются одним показателем для конкретных значений их исходных данных; в стохастических системах наличие вероятно­стных характеристик исходных данных позволяет оценивать парамет­ры системы несколькими показателями.

.По отношению ко времени модели разделяют на статические, описывающие систему в определенный момент времени, и динамические, рассматривающие поведение системы во времени. В свою очередь, динамические модели подразделяют на дискретные, в кото­рых все события происходят по интервалам времени, и непрерывные, где все события происходят непрерывно во времени.

По возможности реализации модели классифицируются как мыс ленные, описывающие систему, которую трудно или невозможно мо­делировать реально, реальные, в которых модель системы представ­лена либо реальным объектом, либо его частью, и» информационные, реализующие информационные процессы (возникновение, передачу, обработку и использование информации) на компьютере. В свою очередь, мысленные модели разделяют на наглядные(при которых моделируемые процессы и явления протекают наглядно) символичес­кие (модель системы представляет логический объект, в котором ос­новные свойства и отношения реального объекта выражены системой знаков или символов) и математические (представляют систе­мы математических объектов, позволяющие получать исследуемые ха­рактеристики реального объекта). Реальные модели делят на натур­ные (проведение исследования на реальном объекте и последующая обработка результатов эксперимента с применением теории подобия) и физические (проведение исследования на установках, которые со­храняют природу явления и обладают физическим подобием).

По области применения модели подразделяют на универсальные, предназначенные для использования многими системами, и специа­лизированные, созданные для исследования конкретной системы.

5.4, Математические модели

Наиболее важным этапом при построении модели является пе­реход от содержательного описания к формальному, что объясняет­ся участием на этом этапе специалистов в предметной области, где существует моделируемая система, и специалистов в области моде­лирования систем. Наиболее удобным языком для их общения, це­лью которого является построение адекватной модели системы, обычно, является язык математических описаний. Математическое описание системы компактно и удобно для дальнейших реализаций на компьютере, с целью проведения статистических испытаний, по­этому рассмотрим эти модели в первую очередь.

5.4,1. Построение математической модели системы

Систему S можно представить в виде множества величин, опи­сывающих процесс функционирования реальной системы и образу­ющих следующие подмножества:

подмножество входных воздействий:

(или вектор входящих воздействий х = {х_],х₂₎..._>х_п }); подмножество воздействий внешней среды:

 

или вектор воздействия внешней среды );

подмножество собственных параметров системы:

(или вектор внутренних параметров );

подмножество выходных характеристик системы:

(или вектор выходных характеристик ).

Подмножества X, V и H являются независимыми (экзогенными), Y является зависимым (эндогенным) подмножеством. Процесс функци­онирования системы описывается во времени оператором F, кото­рый преобразует экзогенные переменные в эндогенные в соответ­ствии с соотношением

Эта зависимость называется законом функционирования систе­мы S. Закон функционирования F может быть задан в виде функ­ции, функционала, логических условий, алгоритмически или таблич­но, а также в видесловесного набора правил соответствия. Совокуп­ность зависимостей выходных характеристик системы от времени

называется выходной траекторией y(t). Соотношение (*) является математическим описанием поведением системы во времени, поэто­му модели такого типа называются динамическими моделями.

Если закон функционирования у не содержит параметра вре­мени, то такие модели называются статическими и отображают связь

между подмножеством у и подмножествамии записывается

как .

Если в динамической модели дискретизировать время, то в каж­дый момент времени можно определить состояние системы

. Множество Z всех возможных состояний сис­темы называется пространством состояний системы. Процесс функционирования системы, изменяющей свое состояние в фиксирован­ные моменты времени, можно описать векторными уравнениями

 

Первое уравнение по начальному состоянию z° и экзогенным переменным определяет следующее состояние, а второе по значению состояния z определяет эндогенные переменные на выходе системы.

5.4.2. Примеры построения динамических моделей

При моделировании непрерывных динамических объектов в ка­честве моделей обычно выступают дифференциальные уравнения, свя­зывающее поведение объекта со временем. Положительным свой­ством дифференциальных уравнений является то, что одно и то же уравнение моделирует системы различной физической природы.

В качестве независимой переменной в динамических системах обычно выступает время, от которого зависят неизвестные значения искомой функции, определяющие поведения объекта. Математичес­кое описание модели в общем виде:

— n-мерные векторы и непрерывна

 

Например, процесс малых колебаний маятника описывается обыкновенным дифференциальным уравнением

Процесс в электрическом колебательном контуре

 

Очевидно, что если положить

описывающее состояние во времени обеих систем

Общая математическая модель позволяет исследовать одну сис­тему, моделируя работу другой.

Рассмотрим пример построения дифференциальной модели объекта.

Имеется сосуд, площадь горизонтального сечения которого яв­ляется функцией расстояния сечения от дна сосуда. В начальный момент времени t = 0 высота уровня жидкости равна h метров. Пло­щадь сечения сосуда на высоте х равна S(x), В дне сосуда имеется отверстие площадью s. Определить зависимость уровня воды в сосу­де от времени x(t).

Из физики известно, что скорость истечения жидкости v в тот момент, когда высота ее уровня равна х, определяется равенством

где к ~ коэффициент скорости истечения жидкости из отверстия. На бесконечно малом промежутке времени dt истечение жидкости можно считать равномерным, а поэтому за время dt вы­течет столбик жидкости, высота которого v dt и площадь сечения s, что, в свою очередь, вызовет понижение уровня жидкости в сосуде на - dx. Приравнивая объем жидкости, вытекшей из отверстия и из сосуда, получим

 

Полученное дифференциальное уравнение дает зависимость уровня воды в сосуде от времени x(t). Решим теперь конкретную за­дачу, выбрав сосуд с известным S(x). Пусть имеется цилиндрический сосуд радиусом R с круглым отверстием в дне радиусом г, наполнен­ный водой.

Площадь поперечного сечения сосуда постоянна и не зависит от , площадь отверстия в дне Для воды коэффициент к = 0,6. Подставив эта значения в уравнение, получим

Это уравнение может быть решено аналитически или одним из численных методов.

Модели динамических систем на основе дифференциальных уравнений нашли широкое применение в теории управления различ­ными техническими объектами. Под влиянием неизвестных заранее возмущений фактическое поведение системы отклоняется от желае­мого, задаваемого алгоритмом и для приближения ее поведения к необходимому значению, в состав системы вводится автоматическое управление системой. Оно может быть встроено в саму систему, но при моделировании блок управления отделяется от самой системы. В общем виде структура многомерной системы автоматического уп­равления (САУ) представлена на рис. 5.2.

Рис. 5.2. Структура многомерной системы автоматического управления

Эндогенные переменные: — вектора входных и возмущающих воздействий, а также - вектора ошибок и

управляющих воздействий, соответственно. Экзогенные переменные: z(t) — вектор состояния системы, который обычно совпадает с век-

тором выходных переменных, т.е. . (Более подробно о мо-

делировании САУ см.: «Теория автоматического управления»: Учеб­ник для машиностроит. спец. вузов/ Под ред. Ю.М. Соломенцева. М.: Высшая школа, 1999.)

5.5. информационные модели

5,5.1, информационные объекты и связи

Информационные модели во многих случаях опираются на мате­матические модели, так как при решении задач математическая мо­дель исследуемого объекта, процесса или явления неизбежно преоб­разуется в информационную для ее реализации на компьютере. Определим основные понятия информационной модели.

Информационным объектом называется описание реального объек­та, процесса или явления в виде совокупности его характеристик (ин­формационных элементов), называемых реквизитами. Информацион­ный объект определенной структуры (реквизитного состава) образует тип (класс), которому присваивают уникальное имя. Информацион­ный объект с конкретными характеристиками называют экземпляром. Каждый экземпляр идентифицируется заданием ключевого реквизита (ключа). Одни и те же реквизиты в различных информационных объек­тах могут быть как ключевыми, так и описательными. Информацион­ный объект может иметь несколько ключей.

Пример. Информационный объект СТУДЕНТ имеет реквизитный
состав: номер (номер зачетной книжки — ключевой реквизит), фами­лия, имя, отчество, дата рождения, код-места обучения. Информационный объект ЛИЧНОЕ ДЕЛО: номер студента, домашний адрес, но­
мер аттестата о среднем образовании, семейное положение, дети.
Информационный объект МЕСТО ОБУЧЕНИЯ включает реквизи­ты: код (ключевой реквизит), наименование вуза, факультет, группа.
Информационный объект ПРЕПОДАВАТЕЛЬ: код (ключевой рекви­зит), кафедра, фамилия, имя, отчество, ученая степень, ученое звание,
должность.

Отношения, существующие между реальными объектами, определяются в информационных моделях как связи. Существует три вида связей: один к одному один ко многим и многие ко многим

Связь один к одному определяет соответствие одному экземпля­ру информационного объекта X не более одного экземпляра инфор­мационного объекта Y, и наоборот.

Пример. Информационные объекты СТУДЕНТ и ЛИЧНОЕ ДЕЛО будут связаны отношением один к одному. Каждый студент имеет определенные уникальные данные в личном деле.

 

При связи один ко многим одному экземпляру информационно­го объекта X может соответствовать любое количество экземпляров информационного объекта Y, но каждый экземпляр объекта Y свя­зан не более чем с одним экземпляром объекта X.

Пример. Между информационными объектами МЕСТО ОБУЧЕ­НИЯ и СТУДЕНТ необходимо установить связь один ко многим. Одно и то же место обучения может многократно повторяться для различ­ных студентов.

Связь многие ко многим предполагает соответствие одному экзем­пляру информационного объекта X любое количество экземпляров объекта Y, и наоборот.

Пример. Информационные объекты СТУДЕНТ и ПРЕПОДАВА­ТЕЛЬ имеют связь многие ко многим. Каждый студент обучается у множества преподавателей, а каждый преподаватель учит множество студентов.

5.5.2. Примеры информационных моделей

Определим информационную модель как связанную совокуп­ность информационных объектов, описывающих информационные процессы в исследуемой предметной области. Существующие инфор­мационные модели разделим на универсальные и специализирован­ные. Универсальные модели предназначены для использования в раз­личных предметных областях, к ним относятся: базы данных и системы управления базами данных, автоматизированные системы управления, базы знаний, экспертные системы. Специализированные модели пред­назначены для описания конкретных систем, являются уникальны­ми по своим возможностям, более дорогостоящими.

Рассмотрим некоторые универсальные модели.

 

Базы данных представляют связанную совокупность структуриро­ванных данных, относящихся к определенному процессу или явле­нию, в конкретной предметной области.

Система управления базами данных представляет собой про­граммный комплекс для создания, организации необходимой обра­ботки, хранения и передачи баз данных.

Ядром любой БД является модель представления данных. Модель данных представляет множество структур данных и взаимосвязи меж­ду ними.

Различают иерархическую, сетевую и реляционную модели данных.

Иерархическая модель представляет связи между объектами (дан­ными) в виде дерева.

К основным понятиям иерархической модели относятся:

• узел — набор атрибутов данных, описывающих объект;

• связь - линия, связывающая узлы нижнего уровня с одним уз­
лом вышележащего уровня. При этом узел вышележащего
уровня называют предком для соответствующих ему узлов ниж­
него уровня, в свою очередь, узлы нижнего уровня называют
потомками связанного с ними вышележащего узла (например,
на рис. 5.3. узел ВЗ - предок для узлов С1, С2, а узлы С1,
С2 — потомки узла В1);

• уровень - номер слоя узлов, отсчитанный от корня.

Рис. 5.3. Иерархическая модель данных

Количество деревьев в БД определяется числом корневых записей. К каждому узлу существует единственный путь от корня.

Сетевая структура имеет те же составляющие, что и иерархи­ческая, но каждый узел может быть связан с любым другим узлом (рис. 5.4). Сетевой подход к организации данных является расшире­нием иерархического. В иерархических моделях запись-потомок дол­жна иметь только одного предка; в сетевых — потомок может иметь любое число предков.

Рис. 5.4. Сетевая модель данных

Обе эти модели не получили широкого распространения из-за сложности реализации графов в виде машинных структур данных, кроме того, в них сложно осуществить операции поиска информации.

Набольшее распространение получила третья модель данных - реляционная, она может так же описывать иерархическую и сетевую модель. Реляционная модель ориентирована на организацию данных в виде двумерных таблиц и подробно рассмотрена в 4.4.3.

искусственный интеллект

Идеи моделирования человеческого разума известны с древней­ших времен. Впервые об этом упоминается в сочинении философа и теолога Раймунда Луллия (ок.1235 - ок.1315) «Великое искусство», который не только высказал идею логической машины для решения разнообразных задач, исходя из всеобщей классификации понятий (XIV в.), но и попытался ее реализовать. Рене Декарт (1596—1650) и Готфрид Вильгельм Лейбниц (1646-1716) независимо друг от друга раз­вивали учение о прирожденной способности ума к познанию и все­общих и необходимых истин логики и математики, работали над созданием универсального языка классификации всех знаний. Имен­но на этих идеях базируются теоретические основы создания искус­ственного интеллекта. Толчком к дальнейшему развитию модели человеческого мышления стало появление в 40-х гг. XX в. ЭВМ. В 1948 г. американский ученый Норберт Винер (1894-1964) сформулировал основные положения новой науки - кибернетики. В 1956 г. в Стенфордском университете (США) на семинаре под названием «Artificial intelligence» (искусственный интеллект), посвященном решению ло­гических задач, признано новое научное направление, связанное с машинным моделированием человеческих интеллектуальных функ­ций и названное искусственный интеллект. Вскоре эта отрасль раз­делилась на два основных направления: нейрокибернетику и кибер­нетику «черного ящика».

Нейрокибернетика обратилась к структуре человеческого мозга как единственно мыслящему объекту и занялась его аппаратным моделированием. Физиологи давно выявили нейроны — связанные друг с другом нервные клетки как основу мозга. Нейрокибернетика занимается созданием элементов, аналогичных нейронам, и их объе­динением в функционирующие системы, эти системы называют нейросетями. В середине 80-х гг. XX в. в Японии был создан первый нейрокомпьютер, моделирующий структуру человеческого мозга. Его основная область применения — распознавание образов.

Кибернетика «черного ящика» использует другие принципы, структура модели не главное, важна ее реакция на заданные вход­ные данные, на выходе модель должна реагировать как человеческий мозг. Ученые этого направления занимаются разработкой алгоритмов решения интеллектуальных задач для имеющихся вычислительных систем. Наиболее значимые результаты:

• Модель лабиринтного поиска (конец 50-х гг.), в которой рассмат­ривается граф состояний объекта и в нем происходит поиск оптимального пути от входных данных к результирующим. На
практике эта модель не нашла широкого применения.

• Эвристическое программирование (начало 60-х гг.) разрабатывало
стратегии действий на основе заранее известных заданных правил (эвристик). Эвристика — теоретически не обоснованное пра­вило, позволяющее, уменьшить количество переборов в поиске
оптимального пути.

• Методы математической логики. Метод резолюций, позволяю­щий на основе определенных аксиом автоматически доказывать
теоремы. В 1973 г. создан язык логического программирования
Пролог, позволяющий обрабатывать символьную информацию

 

С середины 70-х гг. реализуется идея моделирования конкретных знаний специалистов-экспертов. В США появляются первые эксперт­ные системы. Возникает новая технология искусственного интеллек­та, основанная на представлении и использовании знаний. С середи­ны 80-х гг. искусственный интеллект коммерциализируется. Растут капиталовложения в эту отрасль, появляются промышленные эксперт­ные.системы, повышается интерес к самообучающимся системам.

 

При изучении интеллектуальных систем необходимо выяснить, что представляют собой знания и в чем их отличие от данных. По­нятие знания определяют по-разному, но какого-либо исчерпываю­щего определения нет.

Приведем некоторые из определений:

Знания — выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой об­ласти.

Знания — хорошо структурированные данные, или данные о дан­ных, или метаданные.

Знания - совокупность сведений, образующих целостное опи­сание, соответствующее некоторому уровню осведомленности об описываемом вопросе, объекте и т.д.

С точки зрения искусственного. интеллекта знания определяют как формализованую информацию, на которую ссылаются.в.процессе,

логического вывода. Для хранения знаний используют базы знаний. База. знаний -основа любой интеллектуальной системы.

С точки зрения решения задач в некоторой предметной области
знания удобно разделить на две категории -факты эвристику.
Первая категория описывает известные в данной области обстоятель­ства, знания этой категории иногда называют текстовыми, подчер­кивая их достаточное описание в литературе. Вторая категория зна­ний опирается на практический опыт специалиста-эксперта данной
предметной области.

Кроме того, знания делят на процедурные и декларативные .. Ис­торически первыми появились процедурные знания, «рассыпанные» в алгоритмах. Они управляли данными. Для их изменения требова­лось вносить изменения в программы. С развитием искусственного

ОБРАТНЫЙ ВЫВОД: Подтвердить выбранную цель с помощью

имеющихся правил и данных-. 3-й проход:

Шаг 1. Цель - «электронная коммерция»:

Проверяем Пр. 1, данных «знакомство с Интернет» нет, они

становятся новой целью, и есть правило, где она в правой

части. Шаг 2. Цель — «знакомство с Интернет»:

Пр. 2 подтверждает цель и активизирует ее. 2-й проход:.

Шаг 3. Пр. 1 подтверждает искомую цель.

Продукционная модель привлекает разработчиков наглядностью, модульностью, легкостью внесения дополнений и изменений, про­стотой механизма логического вывода, чаще всего используется в промышленных экспертных системах.

Семантика - это наука, исследующая свойства знаков и знако­вых систем, их смысловую связь с реальными объектами. Семанти­ческая сеть - это ориентированный граф, вершины которого есть понятия, а дуги - отношения между ними (рис. 5.5). Это наиболее общая модель знаний, так как в ней имеются средства всех харак­терных для знаний свойств: внутренней интерпретации, структури­рованности, семантической метрики и активности.

Рис. 5.5. Семантическая сеть Достоинствами сетевых моделей являются: большие выразительные возможности; наглядность системы знаний, представленной гра­фически; близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке; соответствие современным представлениям об организации долговременной памя­ти человека. К недостаткам отнесем то, что сетевая модель не содер­жит ясного представления о структуре предметной области, которая ей соответствует, поэтому ее формирование и модификация затруд­нительны; сетевые модели представляют собой пассивные структу­ры, для их обработки используется специальный аппарат формаль­ного вывода. Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соот­ветствующего некоторой подсети поставленной задачи, что, в свою очередь, говорит еще об одном недостатке модели — сложность по­иска вывода на семантических сетях.

Сетевые модели являются наглядным и достаточно универсаль­ным средством представления знаний. Однако их формализация в конкретных моделях представления, использования и модификации знаний представляет достаточно трудоемкий процесс, особенно при наличии множественных отношений между понятиями.

Терм