Читайте также:
|
Применение в ИИ однородных методов, т.е. методов, соответствующих одной научной парадигме, для решения сложных задач не всегда приводит к успеху.
В гибридной архитектуре, объединяющей несколько парадигм, эффективность одного подхода может компенсировать слабость другого. Комбинируя различные подходы, можно обойти недостатки, присущие каждому из них в отдельности. Поэтому одной из ведущих тенденций в современной информатике стало развитие интегрированных, гибридных и синергетических систем.
Синергетика - междисциплинарное научное направление, изучающее универсальные закономерности процессов самоорганизации, эволюции и кооперации. Ее цель состоит в построении общей теории сложных систем, обладающих особыми свойствами.
Интеграция и гибридизация различных методов и технологий позволяет решать сложные задачи, которые невозможно решить на основе каких-либо отдельных методов и технологий. Интегрированность как фундаментальное свойство сложной системы предполагает взаимную адаптацию и совместную эволюцию ее компонентов, что обеспечивает появление новых качеств. Интеграция всегда выступает как необходимое условие гибридизации.
Гибридная система - система, состоящая из двух или более интегрированных разнородных подсистем, объединенных общей целью. Понятие гибридной системы близко соотносится с понятием синергетической системы. Чаще всего синергетику отождествляют с общей теорией самоорганизации, теорией образования новых качеств или наукой о самоорганизации развивающихся систем. Термин «синергетика» происходит от слова «синергия», означающего совместное действие, сотрудничество. В гибридных интеллектуальных системах (ГИС) имитируются различные стороны интеллектуальной деятельности человека. На нижнем уровне развития ГИС предполагается интеграция различных моделей представления знаний (фреймово-продукционные модели, нейрологические, нейросемантические сети), различных моделей рассуждений (дедуктивных и абдуктивных).
Следующий уровень построения ГИС – интеграция различных информационных технологий, например создание гибридных ЭС. В таких системах должны поддерживаться не только различные модели знаний, но и различные средства и стратегии поиска, должны реализовываться как инженерия знаний, так и числовая обработка информации.
Верхним уровнем интеграции является объединение символьного и нейробионического направлений в ИИ, объединение непрерывных и дискретных моделей, комбинирования моделей образного и вербального мышления. Бионика – раздел ИИ, в котором рассматриваются вопросы применения принципов действия живых организмов и использования биологических процессов для решения инженерных задач. В качестве основы таких ГИС могут выступать: ЭС, нечеткие системы, нейронные сети, генетические алгоритмы.
Одним из перспективных направлений создания ГИС является синергетический ИИ. В отличие от обычных ИИ-систем сложные ИИ-системы имеют следующие основные характеристики:
* множество неоднородных компонентов;
* активность, автономность, целенаправленность, кооперативное поведение компонентов, которые могут приобретать статус агентов;
* множество гибких, различных, трансформируемых взаимосвязей между компонентами;
* семиотическая природа взаимосвязей (семиотика – наука о знаках);
* динамичность, неустойчивость, адаптивность;
* открытость, распределенность, сетевая организация;
* высокий эволюционный потенциал, обучаемость.
Область синергетического ИИ включает исследования процессов зарождения, формирования, деятельности, коммуникации, эволюции и кооперации сложных ИИ-ситстем различных классов. Примерами таких систем являются системы распределенного и децентрализованного ИИ.
Основные синергетические проблемы ИИ состоят:
· в исследовании путей и характера эволюции различных направлений и подходов в ИИ, разработке открытых ИИ-систем;
· определении сценариев развития, принципов и механизмов объединения различных интеллектуальных технологий;
· изучении проблем формирования неклассических ИИ-систем (неоднородных, открытых, локально организованных, гибридных, распределенных, децентрализованных) с интегрированными архитектурами.
Эволюционное моделирование можно определить как воспроизведение процесса естественной эволюции с помощью компьютерных программ. К факторам, определяющим неизбежность эволюции, относятся:
* наследственная изменчивость как предпосылка эволюции;
* борьба за существование как контролирующий и направляющий фактор;
* естественный отбор как преобразующий фактор.
Современная теория эволюции базируется на теории общей и популяционной генетики – науки, изучающей наследственность организмов. Элементарным объектом эволюции является популяция – сообщество свободно скрещивающихся особей. Преобразования генетического состава популяции происходит под действием элементарных эволюционных факторов. Хромосомы – это специфические структуры клеточного ядра, которые играют важнейшую роль в процессах деления клеток. Хромосомы состоят из генов. Геном называется реально существующая, независимая, комбинирующаяся и расщепляющаяся при скрещивании единица наследственности. Случайные структурные или функциональные изменения в генах, хромосомах называют мутациями, если они приводят к наследственному изменению какого-либо признака особи.
История эволюционных вычислений началась с разработки ряда независимых моделей, в частности генетических алгоритмов, в соответствии с которыми методы и модели развития органического мира используются в качестве механизма комбинаторного перебора вариантов при решении оптимизационных задач. В задачах поиска оптимальных решений каждое решение из множества возможных можно представить набором информации, который может быть изменен путем введения в него элементов другого решения. Возможные решения соответствуют хромосомам, состоящим из генов, причем в ходе оптимизации происходит обмен генами между хромосомами (рекомбинация). Одним из типов рекомбинации является кроссинговер, который соответствует рекомбинации, предусматривающей обмен определенными участками между хромосомами. Основная цель кроссинговера заключается в создании из имеющегося генетического материала желаемой комбинации признаков в одном решении.
При разработке генетических алгоритмов преследуются две цели:
· абстрактное и формальное объяснение процессов адаптации в естественных системах;
· проектирование искусственных программных систем, воспроизводящих механизм функционирования естественных систем.
Основные отличия генетических алгоритмов оптимизации:
* используются не параметры, а закодированные множества параметров;
* поиск осуществляется не из единственной точки, а из популяции точек;
* в процессе поиска используются значения целевой функции, а не ее приращения;
* применяются вероятностные, а не детерминированные правила поиска и генерации решений;
* выполняется одновременный анализ различных областей пространства решений, в связи с чем возможно нахождение новых областей с лучшими значениями целевой функции за счет объединения квазиоптимальных решений из разных популяций [20, 23].
В настоящее время все большее распространение получают нетрадиционные методы моделирования сложных систем на основе экспериментальных данных, в частности метод группового учета аргументов (МГУА), предполагающий в процессе идентификации моделей многократную обработку различных частей одних и тех же входных данных. Теория самоорганизации моделей, положенная в основу МГУА, отвергает путь расширения и усложнения модели, увеличения объема входных данных, постулируя при этом существование оптимального, ограниченного размера области моделирования и единственной модели оптимальной сложности. Их можно найти при помощи самоорганизации, то есть перебора многих моделей–претендентов (конкурирующих моделей) по целесообразно выбранным критериям. В отличие от традиционных методов структурно-параметрической идентификации, использующих критерий среднеквадратической ошибки, который является внутренним (рассчитанным по всем точкам исходной выборки), индуктивный метод самоорганизации основан на применении внешних критериев, для определения которых применяются входные данные, не использованные в процессе построения модели. Любой внутренний критерий сравнения конкурирующих моделей приводит к ложному правилу: чем сложнее структура модели, тем она точнее.
Согласно МГУА исходные данные делятся на обучающую, проверочную и экзаменационную последовательности. В качестве внешних используются критерии регулярности, минимума смещения и баланса переменных. Алгоритмы МГУА подразделяются на однорядные и многорядные. В однорядных (комбинаторных) алгоритмах реализуется процедура полного перебора всех возможных вариантов модели, которые можно получить из заданного полного описания. Комбинаторные алгоритмы МГУА применяются для решения определенных и переопределенных задач структурно-параметрической идентификации, в которых число параметров модели меньше объема выборки. Для решения недоопределенных задач используются многорядные алгоритмы МГУА. При этом итерационные генераторы реализуют специальную процедуру перцептронного типа для усложнения структуры моделей с помощью учета небольших групп переменных.
Как правило, в комбинаторных алгоритмах МГУА постулируется полиномиальная модель. В блоке перебора моделей выполняются следующие основные операции: формирование двоичного вектора, единичные элементы которого указывают структуру частной модели; формирование соответствующей системы нормальных уравнений и ее решение; вычисление значений внешних критериев; текущий отбор заданного числа лучших моделей. Задача структурно-параметрической идентификации модели оптимальной сложности решается в два этапа. На первом этапе из полного набора моделей различной сложности отбираются по одному из внешних критериев N лучших структур, параметры которых на втором этапе пересчитываются по всей выборке. На основе сравнительного анализа полученных моделей конечный пользователь осуществляет выбор лучшей [9, 25, 26, 27].
Заключение
Разработка и развитие интеллектуальных информационных систем как одного из основных направлений искусственного интеллекта в настоящее время являются интенсивно развивающейся областью знаний и прикладных исследований в различных отраслях экономики. Значительные усилия ученых и специалистов направлены на решение проблемы, связанной с извлечением глубинных знаний экспертов на основе новых методов инженерии знаний (репертуарных решеток, многомерного шкалирования, метафорического подхода), а также разработки текстологических методов извлечения знаний. Перспективным является использование гибридных моделей представления знаний (фреймово- -продукционных, нейрологических, нейросемантических сетей). Постоянно совершенствуются инструментальные средства построения ИИС, в том числе естественно-языковые интерфейсы, интеллектуальные редакторы БЗ, интерпретаторы правил логического вывода.
Ежегодно в нашей стране и за рубежом проводятся многочисленные научно-технические конференции в области искусственного интеллекта, что подтверждает высокую актуальность данных исследований.
Дата добавления: 2015-12-07; просмотров: 121 | Нарушение авторских прав