Файл: Интеллектуальные информационные системы и технологии.doc

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 07.11.2023

Просмотров: 348

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

формальные модели времени, или Т-модели. Понятия Т-моделей реализуются наборами фреймов. Разработка и реализация семантических моделей с глубокой детализацией отношений времени и пространства – это отдельное направление исследований в ИИ. Механизм обработки знаний, хранящихся в БЗ, определяется на основе причинно-следственных связей и выявленных зависимостей между элементами сценария, которые формируются аналитиками, поставляющими знания в систему.
Сценарный подход к прогнозированию требует больших затрат труда и времени для сбора и представления знаний, а также для экспертной оценки элементов информации. Генерация сценариев актуальна для МАС. С целью оценки сценариев в БЗ необходимо добавить информацию о целях, критериях качества, предпочтениях экспертов. Желаемые цели могут иметь различную важность и оказаться противоречивыми. Экспертные оценки значимости целей используются в процессе фор-мирования обобщенного показателя качества сценария.

Перспективным направлением является создание МАС для генерации сценариев развития различных ситуаций, в которых автономные агенты, имитирующие поведение субъектов, принимают решения о выборе действий по согласованию со своими пользователями.


11.2. Эвристические методы синтеза сложных систем
Под эвристическим синтезом понимается способ решения какой-либо поставленной задачи, включающий совокупность приемов мысли-тельной деятельности, а также операций по сбору, анализу, обработке и хранению информации. Эвристические методы синтеза используются при необходимости как можно большего числа новых рациональных решений для реализации полезных функций системы и эффективного синтеза новых систем.

Эвристический синтез базируется на эвристике – науке о творче-ском мышлении.

Значимым признаком классификации методов эвристического синтеза является наличие или отсутствие алгоритма, организующего мыслительный процесс. По этому признаку можно выделить методы ненаправленного синтеза, опирающиеся только на простейшие приемы ассоциативного мышления, и методы направленного синтеза, для которых характерны комплексный подход, системный анализ проблемы и алгоритмизация творческого процесса.

Для ненаправленного синтеза решений используются методы:

аналогии, который предусматривает использование аналогичного известного решения;

инверсии
, основанный на использовании принципов перестановки, переворачивания, выворачивания наизнанку. Этот метод приучает к гиб-кости мышления, отказу от традиционных стереотипных решений, пре-одолению психологической инерции;

эмпатии, означающий отождествление себя с разрабатываемой системой;

идеализации, связанный с желанием получить представление об идеальной системе, полностью отвечающей поставленной цели.

В методах ненаправленного поиска учитываются особенности чело-веческой психики.

Наиболее эффективны для синтеза сложных систем методы на-правленного синтеза, основанные на научно обоснованных алгоритмах творческого процесса. Современные методы направленного синтеза базируются на сложных алгоритмизированно-процедурных подходах, типизированных способах решения разнообразных изобретательских задач.

«Мозговой штурм»  наиболее известный и широко применяемый метод генерирования новых идей путем творческого сотрудничества группы специалистов.

Методы ассоциаций и аналогий предполагают активизацию ас-социативного мышления человека. К ним относятся:

метод фокальных объектов, состоящий в перенесении признаков случайно выбранных объектов на совершенствуемый объект, который лежит как бы в фокусе переноса и поэтому называется фокальным. Этот метод дает хорошие результаты при поиске новых модификаций из-вестных систем;

метод гирлянд случайных ассоциаций, предполагающий вывод на каждой итерации очередной случайной ассоциации «объект – признаки  случайный признак». Результатом работы является гирлянда ассоциаций. Последовательность объектов в гирлянде характеризуется тем, что со-седние объекты имеют общий признак.

Синектика – комплексный метод стимулирования творческой деятельности, использующий приемы и принципы как «мозгового штурма», так и методы аналогий и ассоциаций. «Синектика»  неологизм (точнее, новое значение старого слова), означающий объединение разнородных элементов. В основе метода лежит поиск нужного решения благодаря преодолению психологической инерции, состоящей в стремлении решить проблему традиционным путем. Синектика позволяет выйти за рамки какого-то конкретного образа мыслей и значительно расширяет диапазон поиска новых идей за счет представления привычного непривычным и наоборот.

Метод контрольных вопросов применяется для психологической активизации творческого процесса. Цель метода состоит в том, чтобы с помощью наводящих вопросов подвести к решению задачи.



Метод коллективного блокнота позволяет сочетать независимое выдвижение идей каждым членом рабочей группы с коллективной их оценкой и процессом выработки решения. Систематизация зафикси-рованных в блокнотах в течение месяца идей осуществляется руко-водителем группы, а заключительное творческое обсуждение – всеми членами группы. Выбор окончательного решения проводится методом «мозгового штурма».

Метод «матриц открытия» преследует цель систематического исследования всех мыслимых вариантов, вытекающих из закономерностей строения (морфологии) совершенствуемой системы, а также выбора и изучения поля возможных решений. Метод не дает законченных решений и служит для систематизации имеющегося материала и определения отправных пунктов дальнейшего исследования.

Эвристический метод решения изобретательских задач ориенти-рован на решение задач путем выявления и разрешения внутренних противоречий системы. Наибольшее распространение метод получил в области технического проектирования.

В настоящее время из эвристических методов наиболее под-готовленными к автоматизации являются методы гирлянд случайных ассоциаций и решения изобретательских задач.
11.3. Гибридные, синергетические и интегрированные системы
Применение в ИИ однородных методов, т.е. методов, соответствую-щих 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, изучаю-щее универсальные закономерности процессов самоорганизации, эво-люции 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
 это система, состоящая из двух или более интегрированных разнородных подсистем, объединенных общей целью. Понятие гибридной системы близко соотносится с понятием синерге-тической 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 чело-века. 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, а также непрерывных и дискретных моделей, комбинирование 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 характеризуются:

множеством неоднородных компонентов;

активностью, автономностью, целенаправленностью, кооперативным поведением компонентов, которые могут приобретать статус агентов;

множеством различных гибких трансформируемых взаимосвязей между компонентами;

семиотической природой взаимосвязей (семиотика – наука о знаках);

динамичностью, неустойчивостью, адаптивностью;

открытостью, распределенностью, сетевой организацией;

высоким эволюционным потенциалом, обучаемостью.

Область синергетического ИИ включает исследования процессов зарождения, формирования, деятельности, коммуникации, эволюции и кооперации сложных интеллектуальных систем различных классов. Примерами таких систем являются системы распределенного и де-централизованного 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, рас-пределенных, децентрализованных) с интегрированными архитекту-рами.

Эволюционное моделирование можно определить как воспроиз-ведение процесса естественной эволюции с помощью компьютерных программ [6, 8]. 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 ор-ганизмов. Элементарным объектом эволюции является популяция – сообщество свободно скрещивающихся особей. Преобразования гене-тического состава популяции происходит под действием элементарных эволюционных факторов. Хромосомы – это специфические структуры клеточного ядра, которые играют важнейшую роль в процессах деле-
ния клеток. Хромосомы состоят из генов.
Ген – это 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 со-ответствии 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 (