Тема 2.2. Нечеткие логические операции. Теория нечетких чисел

1. Понятие лингвистической переменной.

2. Лингвистические переменные истинности.

3. Логические связки в нечеткой лингвистической логике.

4. Значения истинности НЕИЗВЕСТНО и НЕ ОПРЕДЕЛЕНО.

5. Вычислительные функции табличного процессора Microsoft Excel для финансового анализа.

6. Принципы и проблемы разработки систем поддержки принятия решений на основе нейронных сетей.

7. Задачи оптимизации на нейронных сетях (поиск решения на примере).

 

Вопросы и задания для самостоятельной работы

1. Подготовить ответы на контрольные вопросы по теме:

 

1.1. Как определяется лингвистическая переменная?

1.2. Зачем нужны синтаксические и семантические правила?

1.3. Почему генетические алгоритмы называют средством стохастической оптимизации?

1.4. Что такое стратегии эвристического поиcка?

1.5. Как происходит эвристический поиск с ограничением объема памяти?

1.6. Что называют эволюционной стратегией?

1.7. Какие параметры генетического алгоритма можно использовать для управления его сходимостью?

1.8. Что такое агенты поиска?

1.9. Как определяется нечеткая переменная?

1.10. Что называют термом?

1.11. Какие правила называют синтаксическими?

1.12. Определите сущность семантического правила.

1.13. Приведите примеры лингвистических переменных из различных областей науки.

 

2. Тестовые задания для самостоятельного контроля уровня подготовки студентами вопросов темы:

 

2.1. Агент на основе полезности – это:

· не только описание текущего состояния агента, но и информация о цели, которая описывает желаемые ситуации

· отображение состояния (или последовательности состояний) на вещественное число, которое обозначает соответствующую степень удовлетворенности агента

· описание совершенных нормальных форм

· описание триггерных схем

 

2.2. Цель агентов на основе цели:

· следить за состоянием мира

· следить за множеством целей, которых пытается достичь агент

· выбирать действие, позволяющее (в конечном итоге) добиться достижения этих целей

· строить таблицы истинности и таблицы переходов

 

2.3. Компонентами агентов на основе цели являются:

·  датчики

· состояние

·  «как развивается мир»

· «как повлияют действия пользователя»

·  правила «условие-действие»

· исполнительные механизмы

 

2.4. Функция полезности отображает состояние:

· или последовательность состояний на вещественное число, которое обозначает соответствующую степень удовлетворенности агента

· СКНФ и СДНФ

· триггерной схемы

· графов-переходов

 

2.5. В агентах на основе полезности:

· модель мира используется наряду с функцией полезности

· используется только модель реального мира

· учитывается только функция полезности

· используется только генератор случайных чисел

 

2.6. В агентах на основе полезности для вычисления полезности выполняется усреднение по всем возможным:

· результирующим состояниям с учетом коэффициента, определяющего вероятность каждого результата

· результирующим состояниям

· входным состояниям

· входным и результирующим состояниям

 

2.7. Метод обучающихся агентов доминирующий метод создания:

· наиболее современных систем во многих областях искусственного интеллекта

· совершенных нормальных форм

· триггерных схем

· формальных грамматик

 

2.8. Структура обучающегося агента состоит из следующих концептуальных компонент:

· датчики

· критик

· обучающий компонент

· производительный компонент

· генератор проблем

· исполнительные механизмы

· триггеры

 

2.9. Обучающий компонент отвечает за:

· внесение усовершенствований

· выбор внешних действий

· построение нормальных форм

· построение формальных грамматик

 

2.10. Производительный компонент обеспечивает:

· выбор внешних действий

· внесение усовершенствований

· построение нормальных форм

· построение формальных грамматик

 

 

Раздел 3. Теория неопределенности решений

Тема 3.1.   Оптимальные решения многокритериальных задач

1. Однослойные искусственные нейронные сети

2. Формирование и обновление базы знаний.

3. Интеллектуальные агенты.

4..Составить обобщенную структуру компьютерной сети в графическом редакторе.

5. Работа с сетевыми технологиями типа GRID. Поиск и оптимизация в сети.

 

Вопросы и задания для самостоятельной работы

1. Подготовить ответы на контрольные вопросы по теме:

 

1.1. Основные программы интеллектуальных агентов.

1.2. Как определяются однослойные искусственные нейронные сети?

1.3.В каких задачах применяются однослойные искусственные нейронные сети?

1.4. Характеристика алгоритмов обучения интеллектуальных агентов.

1.5.Какие программы относятся к основным программам интеллектуальных агентов?

1.6. Что отображают основные программы интеллектуальных агентов?

1.7.В какой среде функционируют основные программы интеллектуальных агентов?

1.8. Какие компоненты именуются «архитектурой» основной программы интеллектуальных агентов?

1.9. Какой формулой выражается понятие «структура агента» в основных программах интеллектуальных агентов?

1.10. Что представляет собой архитектура агента в программах интеллектуальных агентов?

1.11. Основное назначение архитектуры агента в программах интеллектуальных агентов?

1.12. Опишите основные виды программ агентов, которые воплощают принципы, лежащие в основе почти всех интеллектуальных систем.

1.13. Каково основное назначение простых рефлексных агентов?

1.14. Каково основное назначение рефлексных агентов, основанных на модели?

1.15. Какова структура базы знаний?

1.16. Какова архитектура нейронных сетей?

1.17. Как работать с сетевыми технологиями типа GRID?

 

2. Тестовые задания для самостоятельного контроля уровня подготовки студентами вопросов темы:

 

2.1. Рассмотрение свойств агентов на основании анализа их поведения – это:

· действия, выполняемые агентом после получения любой заданной последовательности актов восприятия

· действия, выполняемые агентом после изучения их внутреннего функционирования

· действия, выполняемые агентом после построения таблиц истинности

· действия, выполняемые агентом после построения нормальных форм

 

2.2. Структура агента в программах интеллектуальных агентов выражается формулой:

· Агент = Архитектура + Программа

· Агент = СКНФ + СДНФ

· Агент = Дизъюнкция всех входов

· Агент = Конъюнкция всех входов

 

2.3. Архитектура может представлять собой:

· обычный персональный компьютер

· роботизированный автомобиль с несколькими бортовыми компьютерами, видеокамерами и другими датчиками

· таблицу переходов

· таблицу истинности логической функции

 

2.4. Архитектура в программах интеллектуальных агентов обеспечивает:

· передачу в программу результатов восприятия, полученных от датчиков

· выполнение программы и передачу исполнительным механизмам вариантов действий, выбранных программой, по мере их выработки

· построение совершенных нормальных форм

· построение функциональных и переключательных схем

 

2.5. Программа агента принимает в качестве входных данных:

· результаты текущего восприятия

· всю историю актов восприятия

· значения генератора случайных чисел на интервале [0,1]

· значения коэффициентов корреляции

 

2.6. Функция агента принимает в качестве входных данных:

· всю историю актов восприятия

· результаты текущего восприятия

· значения генератора случайных чисел на интервале [0,1]

· значения коэффициентов корреляции

 

2.7. К видам агентов, которые воплощают принципы, лежащие в основе почти всех интеллектуальных систем, относятся:

· простые рефлексные агенты

· рефлексные агенты, основанные на модели

· агенты, действующие на основе цели

· агенты, действующие на основе полезности

· агенты, основанные на совершенных формах

 

2.8. Компонентами простых рефлексивных агентов являются:

· датчики

· правила «условие-действие»

· исполнительные механизмы

· законы булевой алгебры

 

2.9. Простые рефлексивные агенты:

· выбирают действия на основе текущего акта восприятия, игнорируя всю остальную историю актов восприятия

· выбирают действия на основе предыдущего акта восприятия, используя всю остальную историю актов восприятия

· выбирают действия на основе текущего акта восприятия, используя всю остальную историю актов восприятия

· выбор действий происходит произвольным образом

 

2.10. Рефлексные агенты, основанные на модели:

· отслеживают ту часть мира, которая воспринимается ими в текущий момент

· отслеживают ту часть мира, которая воспринимается ими в предыдущий момент

· отслеживают ту часть мира, которая воспринимается ими в последующий момент

· «работают» произвольным образом

 

2.11. Компонентами рефлексивных агентов, основанных на модели, являются:

· датчики

· состояние

· «как развивается мир»

· «как повлияют действия пользователя»

· правила «условие-действие»

· исполнительные механизмы

 

Тема 3.2. Семантическая сеть с применением клаузальной логики

1. Полносвязная сеть прямого распространения с одним скрытым и одним выходным слоем.

2. Представление нечеткого алгоритма в виде графа (куста).

3. Представление обучающегося нечеткого автомата.

 

Вопросы и задания для самостоятельной работы

1. Подготовить ответы на контрольные вопросы по теме:

 

1.1. Каковы функции полносвязной сети прямого распространения?

1.2. Как определяется полносвязная сеть прямого распространения с одним скрытым и одним выходным слоем?

1.3. В чем суть вероятностных нейронных сетей?

1.4. В чем суть генетических алгоритмов? Какую систему называют многоагентной (мультиагентной)?

1.5. Обязательно ли взаимодействие между агентами в МАС?

1.6. Какова отличительная особенность МАС от программных интеллектуальных агентов и простых агентных систем?

1.7. Опишите свойство коммуникативности МАС.

1.8. Какова архитектура МАС?

1.9. Каковы основные характеристики архитектуры МАС?

1.10. Какие фундаментальные идеи реализуются при исследовании сложных систем с использованием технологии МАС?

1.11. Какие компоненты образуют инструментарий для построения МАС?

1.12. Какова технологическая схема процесса разработки агентно-ориентированных приложений?

1.13. Из каких этапов состоит жизненный цикл МАС?

1.14. Какие МАС строятся на основе прецедентов?

1.15. Какие МАС строятся на основе сценариев?

1.16. Модели МАС.

1.17. Как представить нечеткий алгоритм в виде графа?

2. Тестовые задания для самостоятельного контроля уровня подготовки студентами вопросов темы:

 

2.1. Многоагентная (мультиагентная) система – это:

· принципиально новая информационная технология, сформированная на базе слияния информационных и телекоммуникационных технологий

· новая парадигма программирования, в какой-то мере альтернативная объектно-ориентированному программированию

· совокупность взаимосвязанных программных модулей (агентов), являющихся фрагментами знаний, доступных другим агентам

· совокупность триггерных схем

 

2.2. Важным отличием МАС от программы или одного агента является то, что входящие в систему программные агенты (по крайней мере, некоторые):

· не были спроектированы специально для этой системы

· были спроектированы специально для этой системы

· спроектированы произвольным образом для этой системы

· формируются в процессе функционирования МАС

 

2.3. Свойство коммуникативности МАС означает:

· существуют общие цели всего сообщества, и эти общие цели выражаются, прежде всего, в ролях (которые играют агенты) и нормах взаимодействия

· общие цели всего сообщества не определены

· общие цели всего сообщества формируются в процессе функционирования МАС

· общие цели сообщества определяются средствами ВТ

 

2.4. Различают следующую архитектуру МАС:

· интеллектуальная

· реактивная

· гибридная

· универсальная

 

2.5. Представление знаний в МАС может быть отображено как:

· символьное

· автоматное

· смешанное

· двоичное

 

2.6. Модель мира в МАС может быть выражена:

· исчислением

· графом

· гибридной схемой

· функциональной схемой

 

2.7. Решатель в МАС может быть представлен:

· логической системой

· автоматом

· машиной вывода

· машиной ввода

 

2.8. Для построения MAC необходим инструментарий, состоящий из следующих компонентов:

· средства разработки

· окружение периода исполнения

· законы булевой алгебры

· законы теории множеств

 

2.9. Жизненный цикл МАС включает следующие этапы:

· обработка новых сообщений

· определение, какие правила поведения применимы в текущей ситуации

· выполнение действий, специфицированных этими правилами

· обновление ментальной модели в соответствии с заданными правилами

· планирование

· программирование

 

2.10. Разработка МАС идет по следующим основным направлениям:

· системы на основе распределенного искусственного интеллекта

· системы на основе сценариев

· системы на основе триггеров

· системы на основе SWITCH-технологии