Файл: Интеллектуальные информационные системы и технологии.doc

Скачать файл
Заказать решение

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 07.11.2023

Просмотров: 359

Скачиваний: 11

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

СОДЕРЖАНИЕ

УДК 004.89(075.8)

С применением

Без применения

Формирование

Приобретение

Извлечение

А1 <проверки нормальности распределения значений остатков>

Рис. 4.1. Обобщенная структура статической ЭС

Рис. 4.2. Обобщенная структура динамической ЭС

Глава 8. Хранилища данных и управление знаниями8.1. Хранилища данныхДля устранения разрозненности, разнотипности, противоречивости данных используется концепция «хранилище данных» (ХД). Под ХД понимают предметно-ориентированную, интегрированную, некорректи-руемую, зависимую от времени коллекцию данных, предназначенную для поддержки принятия управленческих решений. Хранилище данных должно предложить такую среду накопления данных, которая оптимизирована для выполнения сложных аналитических запросов управленческого персонала. Данные в хранилище не предназначены для модификации. Предметная ориентация означает, что данные объединены и хранятся в соответствии с теми областями, которые они описывают. Интегрированность подразумевает, что данные должны удовлетворять требованиям всего предприятия. Некорректируемость заключается в том, что данные не создаются в ХД, а поступают из внешних источников, не подвергаются изменениям и не удаляются. Данные в ХД должны быть согласованы во времени.При реализации ХД особое значение приобретают процессы извлечения, преобразования, анализа и представления. При извлечении данные приводятся к единому формату. Источники данных могут быть классифицированы по территориальному, административному признаку, степени достоверности, частоте обновляемости, количеству пользователей, секретности и используемым СУБД. Вся эта информация составляет основу словаря метаданных ХД, который призван обеспечить корректную периодическую актуализацию ХД.Инструментальные средства (ИС) реализующие аналитические методы обработки данных, классифицируются по способу представления данных. Выделяют ИС, хранящие данные:в реляционном виде, но имитирующие многоразмерность для пользователя;в многоразмерных базах;как в реляционном виде, так и в многоразмерных базах.Помимо извлечения данных из БД для принятия решений, актуален процесс извлечения знаний для удовлетворения информационных потребностей пользователя. Если в ЭС основное внимание уделяется проблеме извлечения знаний от экспертов, то в данном случае знания извлекаются из БД.С точки зрения пользователя в процессе извлечения знаний из БД должны решаться задачи преобразования данных (неструктурированных наборов чисел, символов) в информацию (описание обнаруженных закономерностей), информации в знания (значимые для пользователя закономерности), знаний в решения (последовательность действий, на-правленных на удовлетворение информационных потребностей поль-зователя).Интеллектуальные средства извлечения знаний из БД позволяют выявить закономерности и вывести правила из них. Эти закономерности и правила можно использовать для принятия решений и прогнозирования их последствий. Существует несколько интеллектуальных методов выявления и анализа знаний: ассоциация, последовательность, классификация, кластеризация и прогнозирование. Ассоциация имеет место в том случае, когда несколько событий связаны друг с другом. Если существует цепочка связанных во времени событий, то говорят о последовательности. С по-мощью классификации выявляются признаки, характеризующие группу, к которой принадлежит тот или иной объект. Кластеризация аналогична классификации, но отличается от нее тем, что сами группы еще не сформированы. С помощью прогнозирования на основе особен-ностей поведения данных оцениваются будущие значения непрерывно изменяющихся переменных (см. п. 2.5).8.2. Управление знаниямиПонятие «управление знаниями» появилось в середине 90-х годов прошлого века в крупных корпорациях, где проблемы обработки информации приобрели особую остроту. Системы управления знаниями (Knowledge Management) получили название КМ-систем. Для их при-менения используются следующие технологии:электронная почта;базы и хранилища данных;системы групповой поддержки;браузеры и системы поиска;корпоративные сети и Интернет;ИИ-системы.Хранилища данных, которые работают по принципу центрального склада, стали одним из первых инструментариев КМ. Управление знаниями – это совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний внутри пред-приятия. Необходимость в разработке КМ-систем возникла в силу нескольких причин:работники предприятия тратят слишком много времени на поиск необходимой информации;опыт ведущих специалистов используется только ими самими;ценная информация «захоронена» в огромном количестве докумен-тов, доступ к которым затруднен;из-за недостаточной информированности и игнорирования преды-дущего опыта повторяются «дорогостоящие» ошибки.Одним из новых решений по управлению знаниями является понятие корпоративной памяти, которая фиксирует информацию из различных источников предприятия и делает ее доступной специалистам для решения производственных задач. Корпоративная память не позволяет исчезнуть знаниям выбывающих специалистов. Различают два уровня корпоративной памяти: Уровень материальной или явной информации – данные и знания, которые содержатся в документах организации в виде сообщений, статей, справочников, патентов, ПО. Уровень персональной или скрытой информации – персо-нальные знания, неотрывно связанные с индивидуальным опытом, которые могут быть переданы через процедуры извлечения знаний. Скрытое зна-ние – основа СППР. При разработке КМ-систем можно выделить следующие этапы: Стихийное и бессистемное накопление информации в орга-низации. Извлечение знаний – наиболее сложный и трудоемкий этап. Структурирование – выделение основных понятий, выработка структуры представления информации. Формализация – представление структурированной информа-ции на языках описания данных и знаний. Обслуживание – корректировка данных и знаний. Автоматизированные системы КМ OMIS (Organizational Memory Information Systems) предназначены для накопления и управления знаниями предприятия (рис. 8.1). Рис. 8.1. Архитектура OMISОсновные функции OMIS:сбор и систематическая организация информации из различных источников в централизованное или структурное ХД;интеграция с существующими автоматизированными системами;обеспечение нужной информации по запросу.В отличие от ЭС первичной целью систем OMIS является не поддержка одной задачи, а лучшая эксплуатация необходимого общего ресурса знаний.Первые информационные системы на основе гипертекстовых (ГТ) моделей появились в середине 60-х годов ХХ века, но первые ком-мерческие ГТ-системы относятся к 1980-х годам. Под гипертекстом понимают технологию формирования информационных массивов в виде ассоциативных сетей, элементами или узлами которых выступают фраг-менты текста, рисунки, диаграммы. Навигация по таким сетям осу-ществляется по связям между узлами. Основные функции связей:переход к новой теме;присоединение комментария к документу;соединение ссылки на документ с документом, показ на экране графической информации;запуск другой программы.Мультимедиа (ММ) понимается как интегрированная компьютерная среда, позволяющая наряду с традиционными средствами взаимодействия человека и компьютера (дисплей, принтер, клавиатура) использовать новые возможности – звук, мультипликацию, видеоролики. Когда элементы ММ объединены на основе сети гипертекста, можно говорить о гипермедиа (ГМ). Основной сферой применения ГМ являются автома-тизированные обучающие системы или электронные учебники. Глобаль-ный успех в этом направлении получила сеть Интернет.8.3. Технология создания систем управления знаниямиПроектирование систем управления знаниями (СУЗ) или КМ-систем декомпозируется на этапы, которые свойственны любой другой ИИ-системе. Вместе с тем имеется ряд особенностей:коллективное использование знаний предполагает объединение и распределение источников знаний по различным субъектам, а следо-вательно, решение организационных вопросов администрирования и оп-тимизации деловых процессов, связывающих пользователей СУЗ;задача проектирования СУЗ носит непрерывный характер, поскольку постоянно добавляются внешние источники данных;поскольку СУЗ имеет многоцелевое значение, возникает потребность в интеграции разнообразных источников знаний на основе единого се-мантического описания пространства знаний.Этапы проектирования СУЗ:идентификация проблемной области:определение типов решаемых задач;отбор источников знаний;определение категорий пользователей;концептуализация:выявление понятий (категорий);выявление свойств (отношений);построение правил (ограничений);формализация:выбор метода представления знаний;представление знаний;реализация:создание онтологий;аннотирование и подключение источников знаний;настройка (создание) приложений;внедрение:тестирование;развитие.Онтология (от греч. «онтос» – сущее, «логос» – учение) – это точное (явное) описание концептуализации знаний, учение о сущем.Идентификация проблемной областиВ первую очередь определяется состав решаемых задач. Возможно создание узкоспециализированных систем по конкретным функциям управления: маркетинга, менеджмента, финансов. Разработка СУЗ может начинаться с отдельных областей, например с маркетинга, не требуя одновременной разработки всех необходимых онтологий и источников знаний. Для создания БЗ прецедентов требуется определить набор типовых бизнес-процессов, для которых будут отбираться прецеденты (например, разработка проектов, заключение договоров, проведение PR-акций). Центральное место в проектировании СУЗ занимает онтология, которая определяет и интегрирует все источники знаний. Требования разработки онтологий оформляются в виде спецификации требований (таблица). Предметная область Подбор и повышение квалификации персонала компании Назначение Онтология служит для обмена знаниями между депар-таментом управления и менеджерами проектов при отборе персонала. Используется для семантического поиска квали-фикационных характеристик для выполнения определенных видов работ Область значений Онтология содержит концепты (категории) управления пер-соналом. Концепты используемых квалификаций в техно-логиях рассматриваются детально Продолжение табл. Предметная область Подбор и повышение квалификации персонала компании Поддерживающие приложения Система управления квалификацией персонала в ИНТРАНЕТ-среде Источники знания Web-страницы департамента управления персоналомРуководство о развитии персоналаСпецификация продукции и технологийИнтервью с работниками департамента управления персо-налом и менеджерами проектов Концептуализация знаний с помощью онтологийНазначение онтологий – обеспечение возможностей:повышения интеллектуальности СУЗ на основе того, что остается неявным;стандартизации на основе описания целевого мира в виде словаря, разделения знаний между различными пользователями и компьютерными системами;систематизации знаний, позволяющей интегрировать разнородные источники знаний на базе единой многоаспектной таксономии, пред-ставляемой в общем словаре;снабжения необходимыми понятиями, отношениями и ограниче-ниями, которые используются как строительные блоки для создания конкретной модели решения задач;постепенного обобщения понятий конкретной проблемной об-ласти.Требования к проектированию онтологий знаний:ясность – четкая передача смысла введенных терминов (кон-цептов);согласованность – логическая непротиворечивость определений;расширяемость – возможность монотонного расширения и специали-зации без необходимости пересмотра уже существующих понятий;инвариантность к методам представления знаний;отражение только наиболее существенных предположений о модели-руемом мире.Онтологическое знание организуется на трех уровнях, в связи с чем выделяют онтологии:верхнего уровня (метаонтология);предметной области;задач.Метаонтология отражает такие общие понятия, как «сущность», «класс», «свойство», «значение», «типы данных», «типы отношений», «процесс», «событие». Определение общих категорий позволяет системе контролировать синтаксические конструкции понятий предметных и проблемных областей, которые идентифицирутся как наследники общих категорий.Онтология предметной области определяет набор понятий, ис-пользуемых при решении различных интеллектуальных задач и независимых от применяемого метода. При построении онтологии предметной области выявляются свойства и отношения понятий, строятся логические правила, расширяющие семантику модели предметной области.Онтология задач имеет дело с понятиями, описывающими методы преобразования объектов предметной области в процессе решения задач. Например, для задач обучения в качестве методов могут использоваться дедуктивный (от общего к частному), индуктивный (от частного к общему) и абдуктивный (от частного к частному). С помощью понятий, свойств и отношений описывается сущность используемых методов, устанавливается последовательность их выполнения. Введение онтологии задач позволяет расширить класс интеллектуальных задач, решаемых с помощью СУЗ, в частности перейти от простых поисковых задач к задаче конфигурации, когда система автоматически разбивает задачу на под-задачи, для каждой подзадачи выбирает метод решения, а для каждого метода – необходимые единицы предметных знаний. Такая СУЗ является не просто интеллектуальной информационно-поисковой системой, но и системой, которая планирует и генерирует решение задачи. В этом аспекте СУЗ должна обладать развитым механизмом вывода и по своей реализации сближается с классом ЭС, но на более развитой семанти-ческой основе. Формализация онтологического знанияВ основу формализации онтологий, с одной стороны, положены общепризнанные методы представления знаний (исчисление предикатов, семантические сети и фреймы), с другой  методы описания онто-логических знаний с помощью специальных семантических конструк-ций. В качестве языков представления онтологического знания исполь-зуются:языки, основанные на исчислении предикатов;HTML-подобные языки;XML-подобные языки.Языки, основанные на исчислении предикатов, построены на декларативной семантике и обеспечивают выражение произвольных логических предложений. С помощью этих языков хорошо представляется метазнание, что позволяет пользователю представлять знания в явном виде и разрешает пользователю применять новые конструкции представления знаний без изменения самого языка. Одним из таких языков является KIF, разработанный для обмена знаниями между различными программными агентами (ЛИСП-подобный язык).HTML-подобные языки (Hypertext Markup Language) – инструмент разметки гипертекста. С использованием HTML создано более 60 % ресурсов современного Интернета. Браузер – специальная клиентская программа, предназначенная для просмотра содержимого Web-узлов и отображения документов HTML. В качестве основы для описания онтологий и онтологического аннотирования текстов может выступать язык разметки данных HTML, дополненный специальными тегами (указателями). С помощью тегов происходит выделение семан-тических фрагментов текста, которые унифицированно интерпрети-руются семантическими анализаторами различных ПС. Языки данной группы позволяют описать объекты онтологии (концепты), отношения между ними и определить правила вывода. Основное назначение таких языков состоит в возможности описания онтологии, аннотирования необходимых Web-страниц концептами онтологии и дальнейшем осу-ществлении поиска данных Web-страниц с помощью специальной по-исковой машины.В качестве основы для XML-подобных языков выступает расширяемый язык разметки. В настоящее время существует около 20 различных языков, основанных на XML. Основным достоинством языка является то, что для работы с документами, подготовленными с помощью него, достаточно обычного интернет-браузера, т.е. не требуется никаких дополнительных средств. XML-документ представляет собой размеченное дерево. Структура XML описания обычного учебного курса приведена на рис. 8.2.Язык XML не обладает практически никакими возможностями в области представления онтологий. В нем отсутствуют специальные конструкции, позволяющие описать взаимоотношения между концептами онтологии, правила вывода. Он предназначен исключительно для представления данных. Язык RDF, представляющий расширение XML, позволяет описать концепты, отношения между ними, поддерживает иерархию концептов и их наследование, задает некоторые правила вывода. Базовыми строительными блоками в RDF является триплет «объект –атрибут – значение», часто записываемый в виде A (O, V), которыйчитается как «объект О имеет атрибут А со значением V». В семантической сети эту связь можно представить как ребро с меткой А, соединяющее два узла – О и V.Р ис. 8.2. Размеченное деревоВыбор ИС реализации СУЗ во многом определяется требуемой функциональностью использования СУЗ: информационным поиском в источниках знаний, коллективным решением задач, обучением и др. Для узкоспециализированных целей, ориентированных на поиск в интернет-ресурсах, применяются специализированные системы, например SHOE, которая обеспечивает аннотацию документов, сбор знаний в централи-зованную БЗ, выполнение поисковых запросов.Инструментальные средства должны обеспечивать выполнение двух основных групп функций: Создание и поддержание источников знаний: создание и поддержание онтологий;аннотирование источников знаний;подключение источников знаний;автоматическую рубрикацию и индексирование источников зна-ний; Доступ к источникам знаний: реализация запросов;навигация и просмотр;коммуникация пользователей;распространение знаний.Глава 9. Интеллектуальные информационные системыв условиях неопределенности и риска9.1. Понятие риска в системах поддержки принятий решений слабоструктурированных проблемЭкономические решения в зависимости от определенности воз-можных исходов или последствий рассматриваются в рамках трех моделей [16] выбора решения:в условиях определенности, если относительно каждого действия известно, что оно неизменно приводит к некоторому исходу;в ситуации риска, если каждое действие приводит к одному из множества возможных частных исходов, причем появление каждого исхода имеет вычисляемую или экспертно оцениваемую вероятность;при неопределенности, когда то или иное действие имеет своим следствием множество частных исходов, но их вероятности неиз-вестны.Вероятностные методы обеспечивают подходящие условия для принятия решения и содержательные гарантии качества выбора. При этом исходят из предположения, что суждения относительно значений, предпочтений и намерений представляют собой ценные абстракции человеческого опыта и их можно обрабатывать для принятия решений. В то время как суждения относительно правдоподобия событий квалифицируются вероятностями, суждения относительно желательности действий представляются понятиями. Байесовская методология рас-сматривает ожидаемую полезность U(d) как оценку качества решения d. В соответствии с этим, если мы можем выбрать либо действие d1, либо d2, вычисляем U(d1), U(d2) и выбираем действие, которое соответствует наибольшему значению. Семантика полезности состоит в том, чтобы описать риск.Под риском принято понимать вероятность (угрозу) утраты лицом или организацией части своих ресурсов, недополучения доходов или появления дополнительных расходов в результате осуществления определенной финансовой политики.Уровень риска – это объективная или субъективная вероятность возникновения потерь. Под объективной вероятностью понимается ко-личественная мера возможности наступления случайного события, по-лученная с помощью расчетов или опыта, позволяющая оценить веро-ятность выявления данного события. Субъективная вероятность пред-ставляет собой меру уверенности в истинности высказанного суждения и устанавливается экспертным путем.Уровни риска наиболее легко устанавливаются при помощи атрибутивных оценок типа «высокий», «средний», «небольшой». Разно-видностью атрибутивной оценки рисков является буквенная кодировка. При этом в порядке нарастания риска и падения надежности используются латинские буквы от А до D. AAA – самая высокая надежность;AA – очень высокая надежность;A – высокая надежность;…D – максимальный риск.Оценивать уровень риска можно, используя показатели бухгалтер-ской и статистической отчетности, в первую очередь КТЛ – коэффициент текущей ликвидности, который представляет собой соотношение ликвид-ных средств партнера и его долгов.В результате анализа ситуации строятся причинно-следственные диаграммы («дерево причин») и диаграммы зависимостей. Причинно-следственная диаграмма является формальным отображением структуры проблемной ситуации в виде иерархически незамкнутого графа, вер-шины которого соответствуют элементам проблемы, отражающим при-чины ее возникновения, а дуги – связям между ними. Связь элементов-подпроблем отображается в виде отношения «причина – следствие» (рис. 9.1). Рис. 9.1. Модель системы поддержки принятия решений: OLTR – средства складирования данных и оперативной обработки транзакций; OLAR – средства оперативной обработки информацииКорпоративная БД, организованная в виде ХД, заполняется ин-формацией с использованием технологий OLTR и OLAR. Для создания и реализации СППР слабоструктурированных проблем должны быть разработаны и адаптированы к ее условиям следующие методы и средства:система признаков для регистрации проблемных ситуаций;методы оценки степени критичности проблемных ситуаций;причинно-следственные диаграммы для диагностирования причин возникновения проблемных ситуаций;таблица принятия решений для формирования и выбора вариантов решений;методы прогнозирования результатов решений;модели функционирования предприятия и внешней среды.Наиболее распространенной формой выявления проблем с исполь-зованием технико-экономических показателей является сравнение их фактических величин с нормативными и средними значениями.Логический анализ проблем-причин, находящихся на нижних уровнях иерархии, показывает, что во многих случаях они позволяют сформировать варианты решения проблем более высокого уровня. Например, возможны следующие варианты решения проблемы снижения объемов производства и сбыта продукции:варьирование ценами;варьирование формами оплаты;снижение численности работающих;сокращение доли условно-постоянных расходов в себестоимости продукции;сокращение сроков выполнения заказов;усиление службы маркетинга.Когда отсутствуют статистические данные, необходимые для расчета объективной вероятности риска, прибегают к субъективным оценкам, основанным на интуиции и опыте экспертов. Дж. Кейнс ввел понятие субъективной вероятности. В соответствии с принципом безразличия одинаково правдоподобные события или суждения долж-ны иметь одинаковую вероятность, что математически записывается так:А В ≡ Р(А) = Р(В),где

Рис. 10.1. Связь между видами знаний и формами их репрезентации



  1. для корректировки синаптических весов на второй итерации алгоритма обучения следует вычислить



Далее вычисляются поправочные коэффициенты EW для синапти-ческой матрицы скрытого слоя и значения :

.

Второй прямой проход выполняется, чтобы определить, насколько рассматриваемая сеть близка к поставленной цели. В результате повторного просчета с синаптическими матрицами получим  = 0,564, соответственно

.

За n итераций нейронная сеть будет обучена.

Глава 7. Агенты и мультиагентные системы
7.1. Интеллектуальные агенты
Проблематика интеллектуальных агентов и мультиагентных систем (МАС) имеет почти 40-летнюю историю и сформировалась на основе результатов, полученных в рамках работ по распределенному ИИ (DAI), распределенному решению задач (DPS) и параллельному ИИ (PAI). Данная тематика интегрирует достижения в области компьютерных сетей и открытых систем, ИИ и информационных технологий [15,16,21].

Агент – это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем или пользователем.

Таким образом, в рамках МАС-парадигмы программные агенты рассматриваются как автономные компоненты, действующие от лица пользователя.

Интеллектуальным агентам должны быть присущи следующие свойства:

автономность – способность функционировать без вмешательства со стороны своего владельца и осуществлять контроль внутреннего состояния и своих действий;

социальное поведение – возможность взаимодействия и коммуни-кации с другими агентами;

реактивность – адекватное восприятие среды и соответствующие реакции на ее изменения;

активность – способность генерировать цели и действовать рацио-нальным образом для их достижения;

базовые знания – знания агента о себе, окружающей среде, включая других агентов, которые не меняются в рамках ЖЦ агента;

убеждения – переменная часть базовых знаний, которые могут меняться во времени, хотя агент может об этом не знать и продолжать их использовать для своих целей;


цели – совокупность состояний, на достижение которых направлено текущее поведение агента;

желания – состояния или ситуации, достижение которых для агента важно;

обязательства – задачи, решение которых берет на себя агент по просьбе других агентов;

намерения – то, что агент должен делать в силу своих обязательств.

В зависимости от концепций, выбранных для организации МАС, обычно выделяются три базовых класса архитектур:

базирующиеся на принципах и методах работы со знаниями;

основанные на поведенческих моделях типа «стимул – реакция»;

гибридные.

Архитектуру или агентов, которые используют только точное представление картины мира в символьной форме и принимают решения на основе формальных рассуждений и использования методов сравнения по образцу, принято определять как делиберативные (первый подход).

Реактивными называются агенты и архитектуры, в которых функционирование отдельных агентов и всей системы осуществляется по правилам типа «ситуация – действие». При этом под ситуацией понимается потенциально сложная комбинация внутренних и внешних состояний (второй подход).

Для решения реальных задач используются гибридные архитектуры.

Развитие и внедрение программных агентов было бы невозможно без опыта разработки открытых систем, для которых характерны:

расширяемость/масштабируемость (возможность изменения набора составляющих систем);

мобильность/переносимость (простота переноса ПС на разные аппаратно-программные платформы);

интероперабельность (способность к взаимодействию с другими системами);

дружелюбность, легкая управляемость.

Одним из результатов внедрения концепции открытых систем в практику стало распространение архитектуры «клиент – сервер». В настоя-щее время выделяются следующие модели клиент-серверного взаимо-действия:

«толстый клиент – тонкий сервер». Серверная часть реализует только доступ к ресурсам, а основная часть приложения находится на клиенте;

«тонкий клиент – толстый сервер». Модель активно используется в связи с распространением интернет-технологий. Клиентское приложение обеспечивает реализацию интерфейса, а сервер объединяет остальные части приложений.

Мобильные агенты – это программы, которые могут перемещаться по сети. Они покидают клиентский компьютер и перемещаются на удаленный сервер для выполнения своих действий, после чего воз-вращаются обратно.


Мобильные агенты являются перспективными для МАС, но в настоящее время отсутствуют единые стандарты их разработки и остается нерешенным ряд проблем, таких как легальные способы перемещения по сети, верификация агентов (защита от передаваемых по сети вирусов), соблюдение агентами прав частной собственности и сохранение кон-фиденциальности информации, которой они обладают, перенаселение сети агентами.

С точки зрения разработки и реализации МАС наиболее эффектив-ными системами поддержки распределенных технологий являются DCOM, Java RMI, COBRA.

Основная ценность DCOM – предоставление возможности ин-теграции приложений, реализованных в разных системах программи-рования.

Java RMI-приложения обычно состоят из клиента и сервера. При этом на сервере создаются объекты, которые можно передавать по сети, либо методы, доступные для вызова удаленными приложениями, а на клиенте реализуются приложения, пользующиеся удаленными объектами. Отличительной чертой RMI является возможность передачи в сети не только методов, но и самих объектов, что обеспечивает в конечном счете реализацию мобильных агентов.

Основным преимуществом COBRA является интерфейс IDL, уни-фицирующий средства коммуникации между приложениями.

Агентом является все, что может воспринимать свою среду с по-мощью датчиков и воздействовать на нее через исполнительные механизмы (человек, робот, программа). Каждый агент может воспри-нимать собственные действия.

Выбор агентом действия в любой конкретный момент может зависеть от всей последовательности актов восприятия, наблюдавшихся
до этого времени. Поведение агента может быть описано и с помощью функции агента, которая отображает любую конкретную последователь-ность актов восприятия на некоторое действие. Внешним описанием агента может служить таблица. Внутреннее описание состоит в опре-делении того, какая функция агента реализуется с помощью программы агента, то есть конкретная реализация, действующая в рамках архитектуры агента.

В любой конкретный момент времени оценка рациональности дей-ствий агента зависит:

от показателей производительности;

знаний агента о среде, приобретенных ранее;

действий, которые могут быть выполнены агентом;

последовательности актов восприятия агента по состоянию на текущий момент.

Рациональный агент должен иметь способность к обучению и быть автономным.

Под проблемной средой агента понимается совокупность показа-телей производительности, среда, исполнительные механизмы и датчики.

Пример 7.1. Проблемная среда водителя такси:


Тип

агента
Показатели

производительности
Среда
Исполнительные

механизмы
Датчики

Водитель

такси
Безопасная, быстрая

езда в рамках правил, максимизация

прибыли

Дороги, дру-гие транс-портные средства, пешеходы, клиенты
Рулевое управ-ление, газ, тор-

моз, световые

сигналы, зву-

ковые сигналы, дисплей
Видеокамеры, ультразвуко-

вой дальномер, система нави-гации, датчики двигателя


Программные агенты (программные роботы, софтботы) существуют в сложных неограниченных проблемных областях. Например, софтбот для управления тренажером, имитирующим пассажирский самолет, морское судно, или софтбот, предназначенный для просмотра источников новостей в Интернете и показа клиентам интересующих их сообщений. Интернет представляет собой среду, которая по своей сложности соперничает с физическим миром, а в число обитателей этой сети входит множество искусственных агентов.

Классификация вариантов проблемной среды:

наблюдаемая полностью/частично (полностью, если датчики фикси-руют все необходимые данные);

детерминированная/стохастическая. Если следующее состояние среды определяется текущим и действием агента, то среда детерминированная;

эпизодическая/последовательная: в эпизодической среде опыт агента состоит из неразрывных эпизодов. Каждый эпизод включает в себя:

восприятие среды агентом, а затем выполнение одного действия

(распознавание дефектных деталей) в последовательных средах.

статическая/динамическая: если среда может измениться в ходе принятия агентом решения, то она является динамической;

дискретная/непрерывная: игра в шахматы  дискретная; вождение автомобиля – непрерывная;

одноагентная/многоагентная (мультиагентная): решение кроссворда, одноагентная; игра в шахматы, вождение автомобиля – многоагентная.

Задача искусственного интеллекта состоит в разработке про-граммы агента, которая реализует функцию агента, отображая вос-приятия на действия. Предполагается, что программа должна работать в своего рода вычислительном устройстве с физическими датчиками и ис-полнительными механизмами. Эти компоненты составляют архитектуру агента:


агент = архитектура + программа.

Архитектура может представлять собой персональный компьютер или роботизированный автомобиль.

В основе почти всех интеллектуальных систем лежат четыре основ-ных вида программных агентов:

простые рефлексивные;

рефлексивные, основанные на модели;

действующие на основе цели;

действующие на основе полезности.

Простейшим видом является простой рефлексивный агент, который выбирает действия на основе текущего акта восприятия, игнорируя всю остальную историю актов восприятия. Агент – пылесос: решения основаны только на информации о текущем местоположении и о том, содержит ли оно мусор.

Наиболее эффективный способ организации работы в условиях частичной наблюдаемости состоит в том, чтобы агент отслеживал ту часть ситуации, которая воспринимается им в текущий момент. Это означает, что агент должен поддерживать внутреннее состояние, зависящее от предыстории. Для обеспечения возможности обновления внутренней информации о состоянии среды в программе агента должны быть закодированы знания двух видов. Во-первых, нужна информация о том, как изменяется внешняя среда независимо от агента. Во-вторых, требуется определенная информация о влиянии действий агента на среду. Знания о том, как работает среда, называются моделью мира. Агент, в котором используется такая модель, называется агентом, основанным на модели.

Знаний о текущем состоянии среды не всегда достаточно для принятия решения. На перекрестке такси может ехать прямо, направо, налево. Правильное решение – место назначения клиента, т.е. кроме текущего состояния агенту необходимо знать цель. Инструментом для выработки последовательности действий, позволяющих агенту достичь цели, являются поиск и планирование.

Программа агента может комбинировать информацию о цели с информацией о результатах возможных действий. Такие агенты получили название агентов, действующих на основе цели.

Функция полезности отображает состояние на вещественное число, которое обозначает соответствующую степень удовлетворенности агента. Полная спецификация функции полезности обеспечивает возможность принимать рациональные решения, если имеются конфликтующие цели (скорость и безопасность) или несколько целей, к которым может стремиться агент, но ни одна из них не может быть достигнута со всей определенностью. Такие агенты получили название агентов, действую-щих на основе полезности.

Смотрите также файлы