Файл: ais_33.docx

8 Общее понятие о системе искусственного интеллекта. Основные сферы использования систем искусственного интеллекта

Искусственный интеллект (ИИ) - это наука о концепциях, позволяющих ВМ делать такие вещи, которые у людей выглядят разумными. Центральные задачи ИИ состоят в том, что бы сделать ВМ более полезными и чтобы понять принципы, лежащие в основе интеллекта. Ученым и инженерам, специализирующимся в вычислительной технике, необходимо знать, каким образом ИИ может помочь им в разрешение трудных проблем.

Помимо информационно-вычислительных задач, решение которых осуществляется по заданному алгоритму, в последнее десятилетие компьютерные технологии все активнее пытаются применить для реализации интеллектуальных процессов, то есть, процессов поиска решения, при которых конечный результат непредсказуем и является плодом логических самостоятельных заключений и выводов компьютера.

В основу мыслительной деятельности компьютера положен программный принцип реализации. Однако принципы моделирования интеллектуальных процессов - процессов приобретения, накопления, и использования знаний имеют свои ярко выраженные особенности, которые позволяют выделить их в отдельный класс компьютерных систем и технологий, относящихся к системам искусственного интеллекта.

Под системами, обладающими искусственным интеллектом (ИИ), понимают устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению, как понимание и использование языка, причинная обусловленность поведения, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, проводить разграничения между сходными ситуациями, выводить новые идеи, заключения и др. Разграничение интеллектуального и неинтеллектуального поведения весьма условно. Программные системы, основанные на естественно - научных теориях о природных процессах и математических методах, не относят к интеллектуальным.

Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называют эвристическими и относят к классу интеллектуальных систем (или систем искусственного интеллекта). Принципиальное отличие интеллектуальных систем от традиционных компьютерных программ состоит в следующем. К творческим, интеллектуальным задачам относят задачи, для которых пока еще не существует формальной модели решения, например, игра в шахматы.

Задачи искусственного интеллекта - это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения. В связи с этим развиваются такие направления, как экспертные системы, база знаний, нейронные сети, нейрокомпьютеры, DM - системы.

Область применения.

• Доказательства теорем;

• Игры;

• Распознавание образов;

• Принятие решений;

• Адаптивное программирование;

• Сочинение машинной музыки;

• Обработка данных на естественном языке;

• Обучающиеся сети (нейросети);

• Вербальные концептуальные обучения.

Итак, задачей систем-классификаторов является установление принадлежности образа к одному из формально определенных классов. Формальные признаки могут быть определены посредством правил типа “если..-то..”, а системы, оперирующие с такими правилами, получили название экспертных систем. Традиционной областью применения классификаторов на нейронных сетях является экспериментальная физика высоких энергий, где одной из актуальных задач выступает выделение среди множества зарегистрированных в эксперименте событий с элементарными частицами событий, представляющих интерес для данного эксперимента.

Проблема категоризации находится на ступеньку выше по сложности в сравнении с классификацией. Особенность ее заключается в том, что помимо отнесения образа к какой-либо группе, требуется определить сами эти группы, т.е. сформировать категории.

В случае обучения с учителем (например, в персептроне) формирование категорий происходит методом проб и ошибок на основе примеров с известными ответами, предоставляемыми экспертом. Формирование категорий весьма напоминает процесс обучения у живых организмов, поэтому обычно эксперта называют “супервизором” или учителем. Учитель управляет обучением при помощи изменения параметров связей и, реже, самой топологии сети.

Задачей системы-категоризатора является формирование обобщающих признаков в совокупности примеров. При увеличении числа примеров несущественные, случайные признаки сглаживаются, а часто встречающиеся - усиливаются, при этом происходит постепенное уточнение границ категорий. Хорошо обученная нейросетевая система способна извлекать признаки из новыхпримеров, ранее неизвестных системе, и принимать на их основе приемлемые решения.

Нейронные сети применяются кроме перечисленных областей и в задачах с плохо структурированной информацией, например при распознавании образов, рукописного текста, анализе речи и т.д.

9 Моделирование ис. Математические модели системы. Классификация математических моделей

Моделирование– замещение одного объекта (оригинала) другим объектом (моделью) для изучения свойств оригинала путем исследования свойств модели.

Каждая модель описывает одну из особенностей объекта, поэтому объект один, а моделей может быть несколько. Модель, с помощью которой успешно достигается поставленная цель, называется адекватной. Адекватность означает, что требования полноты, точности и истинности выполняются не вообще, а лишь в той мере, которая достаточна для достижения цели.

Целями моделирования информационных систем чаще всего являются оценка их производительности и надежности. В ответственных случаях оцениваются и другие показатели. Оценка обычно производится в интересах решения задач оптимизации.

Различают геометрические, физические и математические модели. Геометрические модели дают внешнее представление и большей частью служат для демонстрационных целей. При физическом моделировании величины оригинала и модели имеют одинаковую физическую природу.

Математическая модель – система математических соотношений, описывающих объект и его поведение в заданных условиях. В общем виде математическая модель системы есть множество

,

где – множество возможных стратегий управления системой;

–множество учитываемых в модели факторов;

–множество выходных характеристик модели;

–множество показателей эффективности системы;

–оператор, устанавливающий соответствие между парой и;

–оператор, устанавливающий соответствие между и.

Модели по характеру отображаемых свойств объекта делят на функциональные, структурные и имитационные.

Функциональные моделиотображают процесс функцио­нирования объекта и имеют форму систем уравнений. Функцио­нальные модели зачастую представляют сложную, иногда – иерархическую систему, составными частями которой являются формулы, неравенства и т.п. Такие модели могут включать в себя три уровня описания: теоретико-множественный (методы теории множеств и теории графов), логический (методы матема­тической логики) и количественный. При этом количественные величины в своем действительном значении рассматриваются только на количественном уровне; на логическом уровне эти величины рассматриваются как логические переменные, и на теоретико-множественном уровне – как элементы множества величин, входящих в данную формулу, в набор формул и т.п.

Структурные моделипозволяют абстрагироваться от содержательной стороны задачи, сводя ее к анализу геометриче­ской структуры. Для представления структуры объектов в ходе их моделирования часто используют графы.

Для оценки характеристик слож­ных систем широко используются имитационные модели(ИМ).

В ИМ поведение сложной технической системы описывается оп­ределенным набором алгоритмов, служащих для последующей реализации ситуаций, возникающих в реальной системе. Моде­лирующие алгоритмы позволяют по исходным данным, которые содержат сведения о начальном состоянии системы, и фактиче­ским значениям ее параметров отобразить реальные явления, происходящие в системе и получить информацию о возможном поведении системы для данной конкретной ситуации. Проектировщик на основании этой информации может принять соответ­ствующие решения. Однако, предсказательные возможности имитационного моделирования ниже, чем у аналитических моде­лей.

Имитационное моделирование имеет следующие достоинства: возможность описа­ния поведения компонент системы на высоком уровне детализа­ции; отсутствие каких-либо ограничений на вид зависимостей между параметрами ИМ и состоянием внешней среды системы; возможность исследования динамики системы.

Однако имитационное моделирование обладает рядом недо­статков: создание ИМ часто стоит дороже разработки аналитиче­ской модели и требует больших затрат времени; ИМ не в состоя­нии точно отражать процессы, которые происходят в сложных технических системах.

Имитация является численным методом выполнения на ЭВМ экспериментов с математическими моделями, которые описыва­ют поведение сложной технической системы в течение заданного или формируемого периода времени. Чаще всего поведение ком­понентов системы и их взаимодействие в ИМ описывается опреде­ленным набором алгоритмов, реализуемых на некотором языке моделирования. Данные описания являются программой ИМ. После отладки и испытания этой ИМ ее используют для поста­новки имитационного эксперимента на ЭВМ. Под процессом имитации на ЭВМ понимается разработка ИМ, ее испытание и применение для изучения какого-либо явления и проблемы. Имитируя различные реальные ситуации на ИМ, получают воз­можность решения следующих задач: оценка эффективности различных принципов управления системой; сравнение вариан­тов структуры системы; определение влияния измене­ний параметров системы и начальных условий на показатель эффективности системы.