Файл: аис!.doc

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 класиификацией. 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 применяютмся 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 паройи;

– оператор, устанавливающий соответствие междуи.

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.