Logo GenDocs.ru

Поиск по сайту:  

Загрузка...

Учебник по ТООМ - файл УП_ООМ_5.doc


Учебник по ТООМ
скачать (4180 kb.)

Доступные файлы (1):

УП_ООМ_5.doc7283kb.30.03.2006 01:55скачать

содержание
Загрузка...

УП_ООМ_5.doc

1   2   3   4   5   6   7   8   9   ...   13
Реклама MarketGid:
Загрузка...

ВВЕДЕНИЕ



Информационная технология особенно интенсивно развивается в последние годы в направлении исследований, называемым искусственным интеллектом. Общие недостатки традиционных информационных систем заключаются в слабой адаптивности к изменениям в предметной области и информационным потребностям пользователей, в невозможности решать плохо формализуемые задачи, с которыми управленческие работники постоянно имеют дело: анализ проблемных ситуаций, возникающих в деловых процессах, и прогноз их развития, принятие решений в проблемных ситуациях и выбор сценариев управления деловыми процессами. Для решения подобных задач разрабатываются и используются системы искусственного интеллекта.

В технологии искусственного интеллекта разработано много языков представления знаний, причем многие из них являются объектно-ориентированными: KRL (Bobrow and Winograd, 1977), SmallTalk (Goldberg and Robson, 1983), CLIPS (C Language Integrated Production System, NASA’s Johnson Space Center), CLOS (Common LISP Object System) [Джексон]. Однако такие проблемы систем искусственного интеллекта, как извлечение экспертных знаний и разработка гибридных моделей представления знаний, остаются недостаточно исследованными. В данном пособии рассматриваются модели, методы и средства разработки систем искусственного интеллекта на основе методологии объектно-ориентированного анализа и проектирования.

Основная идея объектного подхода состоит в том, чтобы заключить данные и связанные с ними процедуры в некие структуры (объекты), объединенные механизмом наследования. Объектно-ориентированные подход к моделированию и проектированию программных систем наилучшим образом подходит для решения проблем, требующих детального представления объектов реального мира и динамических отношений между ними. В таких программах компоненты сложной системы представляются структурами, инкапсулирующими и данные, и функции, моделирующие поведение соответствующих компонентов [UML].

Философия представления знаний о реальном мире в терминах взаимодействия объектов и субъектов предоставляет достаточно удобную среду для решения большого класса задач моделирования и проектирования сложных систем, в том числе систем искусственного интеллекта. Методика представления абстрактных данных и процедур позволяет разработчикам на ранних этапах сосредоточиться на выборе подходящих видов объектов и их поведении, не вдаваясь в подробности реализации функций и структур данных.

Методология объектно-ориентированного анализа и проектирования получила широкое распространение с появлением языка объектного моделирования нового поколения - унифицированного языка моделирования Unified Modeling Language (UML), предназначенного для визуального моделирования и проектирования информационных систем Применение современных средств моделирования позволяет реализовать такие методы системного анализа, как создание иерархии понятий, обобщение понятий, наследование свойств, многообразие моделей описания предметной области, визуализацию представлений эксперта о процессах, протекающих в рассматриваемой предметной области. Внедрение методологии объектно-ориентированного моделирования информационных систем позволяет четко определить В связи с этим значение языка UML существенно возрастает, поскольку он все более приобретает черты языка представления знаний. При этом наличие в языке UML изобразительных средств для представления структуры и поведения модели позволяет достичь адекватного представления декларативных и процедурных знаний и, что не менее важно, установить между этими формами знаний семантическое соответствие. Все эти особенности языка UML позволяют сделать вывод о том, что он имеет самые серьезные перспективы в качестве средства разработки моделей представления знаний.

^

1. Основные принципы объектно-ориентированного моделирования систем искусственного интеллекта.




1.1. Основные характеристики систем искусственного интеллекта


Начиная примерно с 80-х годов XX века, идеи, относимые традиционно к области искусственного интеллекта, начинают использоваться в прикладных информационных системах. Искусственный интеллект - «раздел информатики, включающий разработку методов моделирования и воспроизведения с помощью ЭВМ отдельных функций творческой деятельности человека, решение проблемы представления знаний в ЭВМ и построение баз знаний, создание экспертных систем, разработку т.н. интеллектуальных роботов» [Д2].

Искусственный интеллект – область компьютерной науки, занимающаяся автоматизацией разумного поведения [6].

^ Основные направления исследований в области искусственного интеллекта:

  • экспертные системы (Expert Systems) или системы, основанные на знаниях (Knowledge-Based Systems);

  • искусственные нейронные сети (Artificial Neural Networks);

  • естественно - языковые системы;

  • системы с нечеткой логикой (Fuzzy Logic);

  • интеллектуальный анализ данных (Data Mining);

  • генетические алгоритмы и эволюционное программирование (Genetic Algorithms).

Развитие современных приложений систем искусственного интеллекта идет по пути интеграции интеллектуальных компонентов в информационные системы.

При реализации интеллектуальных функций непременно присутствует информация, называемая знаниями. Знания (knowledge) [5] - вид информации (подобно программам и данным), хранимой в базах знаний и отражающей знания человека-специалиста (эксперта) в определенной предметной области; множество всех текущих ситуаций в объектах данного типа и способы перехода от одного описания объекта к другому. Для знаний характерна внутренняя интерпретируемость, структурируемость, связность и активность.

В английском языке слово «knowledge» означает не только «знание», но еще и «умение». В системах, основанных на знаниях, умение представлено процедурной информацией, для которой характерно прежде всего исполнение, в то время как данные хранятся и пересматриваются, а знания преобразовываются и применяются [Д1]. При этом, в отличие от данных, знания могут иметь не только информационную часть, но и описательную для эффективной актуализации знания, и, кроме того, в качестве информационных единиц знания могут выступать встроенные процедуры, что придает знаниям активность, их первичность по отношению к процедурам [Д1].

Классификация знаний по признаку их использования в системах искусственного интеллекта:

Предметные знания – знания о конкретной предметной области. В рассматриваемой проблеме это знания, описывающие множество возможных критических ситуаций в объектах конкретного типа и процессы управления в критических ситуациях [2].

Универсальные знания – знания, обобщающие предметные знания на абстрактном уровне, позволяющие выразить общие свойства объектов предметной области.

Метазнания – «знания о знаниях», позволяющие управлять обработкой предметных и абстрактных знаний, а также знания о деятельности, направленной на получение новых знаний. Это информация о знаниях, хранящихся в базах знаний систем искусственного интеллекта: что они означают, как взаимосвязаны и как их отыскать. Метазнания позволяют также выявить ошибки в процессе представления знаний.

Понятие «управление знаниями» охватывает процессы формализованного управления информационными ресурсами, облегчающего доступ к накопленным на предприятии знаниям и их многократное использование, которые обычно реализуются с помощью передовых информационных технологий. Формализация заключается в классификации и сортировке имеющихся сведений в соответствии с заранее определенными, но допускающими развитие общими принципами и последующим их представлением в виде структурированных или частично структурированных баз данных и знаний [].

При определении модели информационной системы за основу было взято понятие алгебраической системы [1], которая объединяет в себе совокупность абстрактных объектов, отношений между ними и систему операций T, задаваемых на основном множестве MA = <A, R, T>. В данной дисциплине системный подход к моделированию, учитывающий свойства элементов и отношений, опирается на определение системы, предложенное в А. И Умновым в [1], данное через понятия “вещи”, “свойства”, “отношения”:

S [{ai}&{rj(qj)}],

aiA, rjR, qjQR,

Sdef [{ai(qi)}&{rj}],

aiA, qiQA, rjR,

где ai – элементы (вещи); rj - отношения между элементами; qj – атрибуты отношений; qi – свойства элементов.

В соответствии с этим определением системы принята общая методика анализа предметной области (ПО). Вначале выделяется множество значимых сущностей из этой области; данное множество называется областью интерпретации. На следующем этапе определяется, какие функции над элементами области интерпретации представляются важными. Затем идентифицируются значимые отношения, которые существуют между элементами области интерпретации. В заключение значимые отношения оформляются синтаксически, то есть при помощи аксиом. Таким образом, знаниями являются описания отношений между абстрагированными понятиями и сущностями, являющимися конкретными объектами предметной области.

Системный подход предполагает определенную последовательность этапов проектирования информационной системы: анализ предметной области и определение требований к ИС; выбор принципа построения ИС и постановку задачи на проектирование, разработку комплекса моделей исследуемой системы; экспериментальную проверку результатов и разработку рекомендаций по внедрению. Комплекс моделей должен включать модели структуры, модели динамики поведения, модели реализации системы, решение проблемы уменьшения вероятности ошибок функционирования путем тестирования модели и коррекции ошибок.

1   2   3   4   5   6   7   8   9   ...   13



Скачать файл (4180 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации