Xreferat.com » Рефераты по информатике и программированию » Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

Размещено на /

Міністерство освіти і науки України

Харківський національний університет радіоелектроніки

Факультет прикладної математики та менеджменту

Кафедра соціальної інформатики


Магістерська атестаційна робота

Пояснювальна записка

2071197.ПЗ

Використання алгоритмів штучного інтелекту у процесі побудови UFO-моделей


Магістрант гр. КСмаг-05-1

Сергієнко І.М.

Науковий керівник

доц. Єльчанінов Д.Б.

Допускається до захисту

Зав. Кафедри

Соловйова К.О.


2009

Харківський національний університет радіоелектроніки

Факультет ПММ

Кафедра СІ

Спеціальність 8.000012 – "Консолідована інформація"


Завдання

на магістерську атестаційну роботу

магістрантові Сергієнко Івану Миколайовичу


1. Тема роботи Використання алгоритмів штучного інтелекту у процесі побудови UFO-моделей затверджена наказом по університету від " 12 "квітня2006 р. №556 Ст

2. Термін здачі магістрантом закінченої роботи12.06.2006

3. Вихідні дані до роботи основні алгоритми штучного інтелекту, основні поняття UFO-аналізу

4. Зміст пояснювальної записки (перелік питань, що їх потрібно розробити) перелік умовних позначень, символів, одиниць, скорочень і термінів; вступ; огляд сучасного стану проблеми; адаптація алгоритму мурахи до процесу UFO-моделювання; використання Microsoft Excel у процесі UFO-моделювання на основі алгоритму мурахи; UFO-моделі шахтної транспортної системи;

Висновки

5. Перелік графічного матеріалу (з точним зазначенням обов’язкових креслень, плакатів)

тема роботи; актуальність дослідження; мета дослідження; постановка задачі;

адаптація алгоритму мурахи до процесу UFO-моделювання;

використання Microsoft Excel у процесі UFO-моделювання на основі алгоритму мурахи;

UFO-моделі шахтної транспортної системи; висновки; апробація результатів

6. Консультанти з роботи із зазначенням розділів роботи, що їх стосуються (п.6 заповнюється в разі необхідності)


Найменування розділу Консультант (посада, прізвище, ім’я, по батькові)

Позначка консультанта

про виконання розділу



(підпис) (дата)





7. Дата видачі завдання13.03.06


Науковий керівник доц. Єльчанінов Дмитро Борисович

Завдання прийняв до виконання Сергієнко Іван Миколайович


Календарний план

Назва етапів магістерської атестаційної роботи Термін виконання етапів роботи Примітка
1 Аналіз проблемної області та постановка задачі 03.04.06
2 Адаптація алгоритму мурахи до процесу UFO-моделювання 17.04.06
3 Використання Microsoft Excel у процесі моделювання на основі алгоритму мурахи 01.05.06
4 Розробка UFO-моделей шахтної транспортної системи 15.05.06
5 Підготовка пояснювальної записки. 29.05.06
6 Підготовка презентації та доповіді 05.06.06
7 Попередній захист 12.06.06
8 Нормоконтроль, рецензування 14.06.06
9 Занесення диплома в електронний архів 15.06.06
10 Допуск до захисту у зав. кафедрою 16.06.06

Магістрант Сергієнко Іван Миколайович

Науковий керівник Єльчанінов Д.Б.


Реферат


Пояснювальна записка: 44 рис., 1 додаток, 46 джерел.

Об’єкт дослідження – процес побудови UFO-моделей.

Мета роботи – дослідження можливості використання алгоритмів штучного інтелекту у процесі побудови UFO-моделей.

Методи дослідження – методи штучного інтелекту та сучасні комп’ютерні технології обробки табличних даних.

Результати роботи – адаптація алгоритму мурахи до процесу UFO-моделювання; використання Microsoft Excel у процесі UFO-моделювання на основі алгоритму мурахи; UFO-моделі шахтної транспортної системи.

штучний інтелект, алгоритм мурахи, UFO-аналіз, моделювання, табличний процесор


Реферат


Пояснительная записка: 44 рис., 1 приложение, 46 источников.

Объект исследования – процесс построения UFO-моделей.

Цель работы – исследование возможности использования алгоритмов искусственного интеллекта в процессе построения UFO-моделей.

Методы исследования – методы искусственного интеллекта и современные компьютерные технологии обработки табличных данных.

Результаты работы – адаптация алгоритма муравья к процессу UFO-моделирования; использование Microsoft Excel в процессе UFO-моделирования на основе алгоритма муравья; UFO-модели шахтной транспортной системы.

искусственный интеллект, Алгоритм муравья, UFO-анализ, МОДЕЛИРОВАНИЕ, табличный процессор


ABSTRACT


Explanatory note: 44 fig., 1 appendix, 46 references.

Research object – process of UFO-models construction.

Work purpose – researching of possibility of artificial intelligence methods using in process of UFO-models construction.

Research methods – artificial intelligence methods and modern computer technologies of tabular data processing.

Work results – ant algorithm adaptation to UFO-modeling process; Microsoft Excel using in UFO-modeling process based on ant algorithm; UFO-models of mining transport system.

artificial intelligence, ant algorithm, UFO-analysis, modeling, tabular processor


Содержание


Перечень условных обозначений, символов, единиц, сокращений и терминов

Введение

1. Обзор современного состояния проблемы

1.1 Современные технологии построения систем

1.2 Прикладные методы и технологии искусственного интеллекта

1.2.1 Нейронные сети

1.2.2 Генетические алгоритмы

1.2.3 Системы, основанные на продукционных правилах

1.2.4 Нечеткая логика

1.2.5 Умные агенты

1.2.6 Алгоритм муравья

1.3 Постановка задачи

2. Адаптация алгоритма муравья к задаче построения UFO-модели из заданных компонентов

2.1 Начальное размещение муравья

2.2 Правила соединения UFO-компонентов

2.3 Элементарное перемещение муравья

2.3.1 Перемещение из входа контекстной диаграммы

2.3.2 Перемещение из выхода контекстной диаграммы

2.3.3 Перемещение из входа UFO-компонента

2.3.4 Перемещение из выхода UFO-компонента

2.3.5 Пример перемещений муравья

2.4. Перемещение нескольких муравьев

2.4.1 Разрешение конфликтов

2.4.2 Пример перемещений нескольких муравьев

3. Пример использования Microsoft Excel в процессе построения UFO-модели из заданных компонентов на основе алгоритма муравья

4. Использование алгоритма муравья в процессе UFO-моделирования шахтной транспортной системы

4.1 Общие сведения о подразделении "Шахта "Комсомольская""

4.2 Подготовка и вскрытие шахтного поля

4.3 UFO-модель шахтной транспортной системы

Выводы

Перечень ссылок

искусственный интеллект компьютерный муравей шахтный

Перечень условных обозначений, символов, единиц, сокращений и терминов


CASE – computer-aided system engineering;

DFD – диаграммы потоков данных;

IDEF0 – стандарт функционального моделирования;

IDEF3– стандарт документирования технологических процессов;

Муравей – программный агент, который является членом большой колонии и используется для решения какой-либо проблемы;

УФО – Узел-Функция-Объект.


Введение


В современных технологиях анализа и моделирования систем процесс построения моделей приходится осуществлять проектировщику вручную, основываясь на своем опыте и интуиции с помощью CASE-средств.

Современные прикладные методы и технологии искусственного интеллекта (нейронные сети, генетические алгоритмы, нечеткая логика, умные агенты, алгоритмы муравья и т.п.) ориентированы не столько на копирование поведения человека, сколько на достижение результатов, аналогичных человеческим результатам.

Для автоматического построения конфигурации системы целесообразно применить алгоритм муравья, который в настоящее время широко используется для поиска оптимальных путей по графу.

Таким образом, актуальной является проблема автоматического построения модели системы из заданных компонентов.

Целью данной магистерской аттестационной работы является исследование возможности использования алгоритмов искусственного интеллекта в процессе построения UFO-моделей.

Полученные результаты можно использовать в процессе UFO-анализа, а также для внедрения в CASE-инструментарии, используемые в процессе моделирования систем.


1. Обзор современного состояния проблемы


1.1 Современные технологии построения систем


Рассмотрим стандартные методы системного структурного анализа.

Стандарт IDEF0 предназначен для создания функциональной модели, отображающей структуру и функции системы, а также потоки информации и материальных объектов, связывающих эти функции [1-4].

Диаграммы потоков данных (DFD) являются основным средством моделирования функциональных требований к проектируемой системе. С их помощью эти требования разбиваются на функциональные компоненты (процессы) и представляются в виде сети, связанной потоками данных. Главная цель таких средств – продемонстрировать, как каждый процесс преобразует свои входные данные в выходные, а также выявить отношения между этими процессами [5-6].

Стандарт IDEF3 предназначен для документирования технологических процессов, происходящих на предприятии, и предоставляет инструментарий для наглядного исследования и моделирования их сценариев [7-8].

Все вышеперечисленные стандарты поддерживаются CASE-средством моделирования и документирования бизнес-процессов BPwin. Однако весь процесс построения моделей приходится осуществлять проектировщику вручную, основываясь на своем опыте и интуиции [9-10].

Более перспективной является так называемая УФО-технология анализа и моделирования систем, в которой решается задача автоматического построения многоуровневой конфигурации из заданных компонентов. Однако если конфигурацию не удается представить в виде нескольких уровней, то автоматически не получится построить конфигурацию, не привлекая опытного проектировщика. УФО-технология поддерживается CASE-средством UFO-toolkit, использующим базу знаний специальной конфигурации, включающей в себя библиотеку УФО-элементов и классификацию связей [11-14].


1.2 Прикладные методы и технологии искусственного интеллекта


Ранние разработки искусственного интеллекта были ориентированы на создание умных машин, которые копировали поведение человека, однако в настоящее время большинство исследователей и разработчиков искусственного интеллекта преследуют более практичные цели. В число прикладных алгоритмов входят [15]:

нейронные сети;

генетические алгоритмы;

системы, основанные на продукционных правилах;

нечеткая логика;

умные агенты;

алгоритмы муравья.


1.2.1 Нейронные сети

В отношении систем искусственного интеллекта иногда можно услышать следующие критические замечания:

такие системы слишком "хрупкие" в том смысле, что, встретившись с ситуацией, не предусмотренной разработчиком, они либо формируют сообщения об ошибках, либо дают неправильные результаты (другими словами, эти программы довольно просто можно "поставить в тупик");

они не способны непрерывно самообучаться, как это делает человек в процессе решения возникающих проблем.

Еще в середине 1980-х годов многие исследователи рекомендовали использовать для преодоления этих и других недостатков нейронные сети.

В самом упрощенном виде нейронную сеть можно рассматривать как способ моделирования в технических системах принципов организации и механизмов функционирования головного мозга человека. Согласно современным представлениям, кора головного мозга человека представляет собой множество взаимосвязанных простейших ячеек – нейронов, количество которых оценивается числом порядка 1010 [16]. Технические системы, в которых предпринимается попытка воспроизвести, пусть и в ограниченных масштабах, подобную структуру (аппаратно или программно), получили наименование нейронные сети.

Нейрон головного мозга получает входные сигналы от множества других нейронов, причем сигналы имеют вид электрических импульсов. Входы нейрона делятся на две категории: возбуждающие и тормозящие. Сигнал, поступивший на возбуждающий вход, повышает возбудимость нейрона, которая при достижении определенного порога приводит к формированию импульса на выходе. Сигнал, поступающий на тормозящий вход, наоборот, снижает возбудимость нейрона. Каждый нейрон характеризуется внутренним состоянием и порогом возбудимости. Если сумма сигналов на возбуждающих и тормозящих входах нейрона превышает этот порог, нейрон формирует выходной сигнал, который поступает на входы связанных с ним других нейронов, т.е. происходит распространение возбуждения по нейронной сети. Типичный нейрон может иметь до 103 связей с другими нейронами [17].

Было обнаружено, что время переключения отдельного нейрона головного мозга составляет порядка нескольких миллисекунд, т.е. процесс переключения идет достаточно медленно. Поэтому исследователи пришли к заключению, что высокую производительность обработки информации в мозге человека можно объяснить только параллельной работой множества относительно медленных нейронов и большим количеством взаимных связей между ними. Именно этим объясняется широкое распространение термина "массовый параллелизм" в литературе, касающейся нейронных сетей.

Независимо от способа реализации, нейронную сеть можно рассматривать как взвешенный ориентированный граф. Узлы в этом графе соответствуют нейронам, а ребра – связям между нейронами. С каждой связью ассоциирован вес (рациональное число) который отображает оценку возбуждающего или тормозящего сигнала, передаваемого по этой связи на вход нейрона-реципиента, когда нейрон-передатчик возбуждается [18].

Поскольку нейронная сеть носит явно выраженный динамический характер, время является одним из основных факторов ее функционирования. При моделировании сети время изменяется дискретно, и состояние сети можно рассматривать как последовательность мгновенных снимков, причем каждое новое состояние зависит только от предыдущего цикла возбуждения нейронов [19].

Для выполнения обработки информации с помощью такой сети необходимо соблюдение определенных соглашений. Для того, чтобы сеть стала активной, она должна получить некоторый входной сигнал. Поэтому некоторые узлы сети играют роль "сенсоров" и их активность зависит от внешних источников информации. Затем возбуждение передается от этих входных узлов к внутренним и таким образом распространяется по сети. Это обычно выполняется посредством установки высокого уровня активности входных узлов, которая поддерживается в течение нескольких циклов возбуждения, а затем уровень активности сбрасывается.

Часть узлов сети используется в качестве выходных, и их состояние активности считывается в конце процесса вычислений. Но часто интерес представляет и состояние всей сети после того, как вычисления закончатся, либо состояние узлов с высоким уровнем активности. В некоторых случаях интерес может представлять наблюдение за процессом установки сети в стабильное состояние, а в других – запись уровня активизации определенных узлов перед тем, как процесс распространения активности завершится [20-24].

В контексте нейронных сетей изучается искусственная жизнь. Например, рассматривается развитие простых организмов в синтетической среде. Только избегая хищников и находя пищу, организмы выживают в среде. Воспроизводство агентов допускается только в том случае, если они выживают и достигают определенного уровня внутренней энергии. Это позволяет получать более здоровое и совершенное потомство. В качестве нейроконтроллеров для агентов выступают многослойные нейронные сети. Простые пищевые цепочки создаются с помощью двух различных типов организмов (хищника и травоядного) [25].


1.2.2 Генетические алгоритмы

Генетические алгоритмы предлагают модель оптимизации, которую можно применять при решении как числовых, так и символических задач. Генетическое программирование используется, например, при создании последовательности инструкций. Подобные последовательности применяются при решении математических задач [26].

Генетические алгоритмы отражают принципы естественного отбора и генетики: выживание наиболее перспективные особей, наследование и мутации. При этом человек не вмешивается в процесс поиска, но может опосредственно влиять на него заданием определенных параметров.

Как и все методы случайного поиска, генетические алгоритмы ориентированы на нахождение не оптимального решения, а на поиск лучшего, чем существующие на данный момент решения. Такой подход эффективен для сложных систем, где зачастую необходимо каким-то образом улучшить текущее решение, а задача поиска оптимального решения не ставится из-за сложности системы и, как следствие, невозможности применения традиционных методов, которые направлены на нахождение оптимальных решений.

Основные отличия генетических алгоритмов от традиционных методов заключаются в следующем [27].

Генетические алгоритмы оперируют с решениями, представленными в виде кодовой строки. И преобразования кодов производятся вне какой-либо связи с их семантикой.

Процесс поиска основан на использовании нескольких точек пространства решений одновременно. Это устраняет возможность нежелательного попадания в локальный экстремум целевой функции, не являющейся унимодальной.

В процессе поиска генетическим алгоритмом используется только информация о допустимых значениях параметров и целевой функции, что приводит к значительному повышению быстродействия.

Для синтеза новых точек генетический алгоритм использует вероятностные правила, а для перехода от одних точек к другим – детерминированные. Такое объединение правил значительно эффективнее, чем их раздельное использование.

При этом в теории генетических алгоритмов используется ряд биологических терминов [28].

Кодовая строка, описывающая возможное решение, и ее структура называются генотипом. Интерпретация кода с позиции решаемой задачи – фенотипом. Например, для предметной области САПР фенотипом будет некоторое проектное решение в виде структурной схемы вычислительного устройства [29-31]. Код также называют хромосомой.

Совокупность хромосом, одновременно используемых генетическим алгоритмом на каждом этапе поиска, называется популяцией. Размер популяции (число хромосом) обычно фиксируется и является одной из характеристик генетического алгоритма. Популяция обновляется созданием новых хромосом и уничтожением старых. Таким образом происходит смена поколений популяций.

Генерация новых хромосом основана на моделировании процесса размножения: пара родителей порождает пару потомков. За генерацию отвечает оператор скрещивания, который в общем случае применяется к каждой родительской паре с некоторой вероятностью. Значение этой вероятности наряду с размером популяции является одной из характеристик генетического алгоритма.

К хромосомам новой популяции применяется оператор мутации. Вероятность применения этого оператора к хромосоме также является параметром генетического алгоритма.

Оператор отбора осуществляет выбор родительских хромосом для порождения потомков, а оператор редукции – выбор хромосом, подлежащих уничтожению. В обоих случаях выбор делается на основании качества хромосомы, которое определяется значением целевой функции на этой хромосоме.

Генетический алгоритм прекращает свою работу в следующих случаях:

он обработал число поколений, заданных пользователем перед началом работы алгоритма;

качество всех хромосом превысило значение, заданное пользователем до начала работы алгоритма;

хромосомы стали однородными до такой степени, что их улучшение от поколения к поколению происходит очень медленно.

В генетических алгоритмах часто используется стратегия элитизма, заключающаяся в переходе лучших хромосом текущей популяции в следующее поколение без изменений. Такой подход обеспечивает поддержание высокого уровня качества популяции.

Оператор мутации вносит случайные изменения в хромосомы, расширяя область пространства поиска.

Многократное применение операторов редукции, отбора, скрещивания и мутации способствует улучшению качества каждой отдельной хромосомы и, как следствие, популяции в целом, отражая основную цель генетического алгоритма – повышение качества начальной популяции. Основным результатом работы генетического алгоритма является хромосома конечной популяции, на которой целевая функция принимает экстремальное значение.

Генетические алгоритмы являются стратегическим подходом к решению проблемы, который необходимо адаптировать к конкретной предметной области путем задания параметров и определения операторов генетического алгоритма. При этом генетический алгоритм становиться сильно привязанным к рассматриваемой предметной области и может быть совершенно бесполезен для решения задач в другой предметной области [32].

От удачного выбора параметров, операторов и вида хромосом зависят устойчивость и скорость поиска – основных показателей эффективности генетического алгоритма. Скорость определяется временем, необходимым для достижения алгоритмом одного из указанных выше критериев останова. Устойчивость – это способность генетического алгоритма увеличивать качество популяции и выходить из локальных экстремумов.

Для увеличения скорости генетические алгоритмы могут подвергаться распараллеливанию как на уровне организации работы алгоритма, так и на уровне его реализации на ЭВМ.

На уровне организации работы распараллеливание осуществляется за счет структурирования популяции, которое может осуществляться двумя способами.

Первый способ называется "концепция островов" и заключается в разбиении популяции на классы (демосы), члены которых скрещиваются только между собой в пределах класса, лишь изредка обмениваясь хромосомами на основе случайной выборки. Второй способ называется "концепция скрещивания в локальной области" и заключается в задании метрического пространства на популяции, хромосомы которой подвергаются скрещиванию только с ближайшими соседями.

Что касается распараллеливания на уровне реализации, то как указанные выше процессы скрещивания пар родителей, так и процессы вычисления значений целевой функции и применения оператора мутации к хромосомам можно реализовать одновременно на нескольких параллельно работающих процессорах или системах.

Устойчивость поиска зависит от параметров операторов генетического алгоритма [33].

Для оператора скрещивания таким параметром служит степень отличия потомков от родительских хромосом: чем больше это отличие, тем устойчивей поиск, но скорость поиска меньше (лучший результат достигается за большее время).

Для оператора мутации параметром, влияющим на устойчивость поиска, служит вероятность его применения: малая вероятность обеспечивает устойчивый поиск и не приводит к ухудшению качества хромосом.

Оператор отбора связан с устойчивостью поиска следующим образом: постоянный выбор сильнейших хромосом обычно приводит к сходимости к локальному экстремуму, а выбор слабых хромосом – к ухудшению качества популяции. Аналогичное утверждение справедливо и для оператора редукции.

Что касается влияния размера популяции на устойчивость генетического алгоритма, то увеличение числа хромосом в популяции расширяет область поиска, но при этом время от времени полезно редуцировать популяцию до первоначального размера, иначе скорость генетического алгоритма резко упадет. Подобные алгоритмы называются поколенческими [34].

Развитие поколенческих алгоритмов привело к появлению адаптивных генетических алгоритмов, изменяющих свои параметры в процессе работы. Возникла концепция nGA, представляющая многоуровневые генетические алгоритмы, в которых нижний уровень улучшает популяцию, а верхний – оптимизирует параметры нижнего уровня, ориентируясь при этом на его скорость и устойчивость.


1.2.3 Системы, основанные на продукционных правилах

В системах продукций знания представляются с помощью наборов правил вида: "если А, то В". Здесь А и В могут пониматься как "ситуация-действие", "причина-следствие", "условие-заключение" и т.п. Часто правило-продукцию записывают с использованием знака логического следования: А Ю В.

В общем случае продукционная система включает следующие компоненты:

базу продукционных правил;

базу данных (рабочую память);

интерпретатор.

Множество продукционных правил образует базу правил, каждое из которых представляет обособленный фрагмент знаний о решаемой проблеме. Психологи называют такие фрагменты чанками (от англ. chunk). Считается, что чанк – это объективно существующая единица знаний, выделяемая человеком в процессе познания окружающего мира.

Предпосылка правила часто рассматривается как образец. Образец – это некоторая информационная структура, определяющая обобщенную ситуацию окружающей действительности, при которой активизируется правило. Рабочая память отражает конкретные ситуации, возникающие во внешней среде. Информационная структура, представляющая конкретную ситуацию внешней среды в рабочей памяти, называется образом [35].

Интерпретатор реализует логический вывод. Процесс вывода является циклическим и называется поиском по образцу. Рассмотрим его в упрощенной форме. Текущее состояние моделируемой предметной области отражается в рабочей памяти в виде совокупности образов, каждый из которых представляется посредством фактов. Рабочая память инициализируется фактами, описывающими задачу. Затем выбираются те правила, для которых образцы, представляемые предпосылками правил, сопоставимы с образами в рабочей памяти. Данные правила образуют конфликтное множество. Все правила, входящие в конфликтное множество могут быть активизированы. В соответствии с выбранным механизмом разрешения конфликта активизируется одно из правил. Выполнение действия, содержащегося в заключении правила, приводит к изменению состояния рабочей памяти. В дальнейшем цикл управления выводом повторяется. Указанный процесс завершается, когда не окажется правил, предпосылки которых сопоставимы с образами рабочей памяти [36].

Таким образом, процесс вывода, основанный на поиске по образцу, состоит из четырех шагов:

выбор образа;

сопоставление образа с образцом и формирование конфликтного набора правил;

разрешение конфликтов;

выполнение правила.

Широкое применение продукционных моделей определяется следующими основными достоинствами:

универсальностью (практически любая область знаний может быть представлена в продукционной форме);

модульностью (каждая продукция представляет собой элемент знаний о предметной области, удаление одних и добавление других продукций выполняется независимо);

декларативностью (продукции определяют ситуации предметной области, а не механизм управления);

естественностью процесса вывода заключений, который во многом аналогичен процессу рассуждений эксперта;

асинхронностью и естественным параллелизмом, который делает их весьма перспективным для реализации на параллельных ЭВМ.

Однако продукционные системы не свободны от недостатков:

процесс вывода имеет низкую эффективность, так как при большом числе продукций значительная часть времени затрачивается на непроизводительную проверку условия применения правил;

проверка непротиворечивости системы продукций становится весьма сложной из-за недетерминированности выбора выполняемой продукции из конфликтного множества.

В системах, основанных на правилах, часто акцент делается на системах прямого логического вывода. Например, в качестве правил и начальных фактов используется ряд примеров, что позволяет встроить систему с правилами в более крупную систему и задействовать ее для создания системы управления сенсорами, устойчивой к ошибкам [37].


1.2.4 Нечеткая логика

Ту роль, которую в классической теории множеств играет двузначная булева логика, в теории нечетких множеств играет многозначная нечеткая логика, в которой предположения о принадлежности объекта множеству, например Быстрый("Порш"), могут принимать действительные значения в интервале от 0 до 1. Возникает вопрос, а как, используя концепцию неопределенности, вычислить значение истинности сложного выражения, такого как Не(Быстрый("Шевроле")).

По аналогии с теорией вероятности, если F представляет собой нечеткий предикат, операция отрицания реализуется по формуле Не(F)=1–F.

Но аналоги операций конъюнкции и дизъюнкции в нечеткой логике не имеют никакой связи с теорией вероятностей [38]. Рассмотрим следующее выражение: ""Порш" является быстрым, представительским автомобилем".

В классической логике предположение (Быстрый("Порш")) И (Представительский ("Порш")) является истинным в том и только в том случае, если истинны оба члена конъюнкции. В нечеткой логике существует соглашение: если F и G являются нечеткими предикатами, то f(FЩG)(X)=min(fF(X), fG(X)).

Таким образом, если Быстрый("Порш")=0,9 и Представительский("Порш")=0,7, то (Быстрый("Порш"))И(Представительский ("Порш")) = 0,7.

А теперь рассмотрим выражение (Быстрый("Порш")) И Не(Быстрый("Порш")). Вероятность истинности этого утверждения равна 0, но в нечеткой логике значение этого выражения будет равно 0,1. Какой смысл имеет это значение? Его можно считать показателем принадлежности автомобиля к нечеткому множеству среднескоростных автомобилей, которые в чем-то близки к быстрым, а в чем-то – к медленным.

Смысл выражения Быстрый("Порш")=0,9 заключается в том, что мы только на 90% уверены в принадлежности этого автомобиля к быстрым именно из-за неопределенности самого понятия "быстрый автомобиль". Вполне резонно предположить, что существует некоторая уверенность в том, что "Порш" не принадлежит к быстрым. Например, он медленнее автомобиля, принимающего участие в гонках "Формула-1".

Аналог операции дизъюнкции в нечеткой логике определяется следующим образом: f(FЪG)(X)=max(fF(X), fG(X)).

Операторы обладают свойствами коммутативности, ассоциативности и взаимной дистрибутивности. Как к операторам в стандартной логике, к ним применим принцип композитивности, т.е. значения составных выражений вычисляются только по значениям выражений-компонентов. В этом операторы нечеткой логики составляют полную противоположность законам теории вероятностей, согласно которым при вычислении вероятностей конъюнкции и дизъюнкции величин нужно принимать во внимание условные вероятности [39].

Нечеткая логика имеет дело с ситуациями, когда и сформулированный вопрос, и знания, которыми мы располагаем, содержат нечетко очерченные понятия. Однако нечеткость формулировки понятий является не единственным источником неопределенности. Иногда мы просто не уверены в самих фактах. Если утверждается: "Возможно, Иван сейчас в Киеве", то говорить о нечеткости понятий Иван и Киев не приходится. Неопределенность заложена в самом факте, действительно ли Иван находится в Киеве.

Теория возможностей является одним из направлений в нечеткой логике, в котором рассматриваются точно сформулированные вопросы, базирующиеся на неточных знаниях.

На основе нечеткой логики часто строятся системы управления. Например, в модели зарядного устройства для батарей функции содержат не только стандартные операторы нечеткой логики, но и вспомогательные функции, которые поддерживают создание функций нечеткой логики [40].


1.2.5 Умные агенты

Агент – это аппаратная или программная сущность, способная действовать в интересах достижения целей, поставленных перед ним владельцем и/или пользователем [41].

Проблематика интеллектуальных агентов и мультиагентных систем имеет уже почти 40-летнюю историю и сформировалась на основе результатов, полученных в рамках работ по распределенному искусственному интеллекту, распределенному решению задач и параллельному искусственному интеллекту. Но, пожалуй, лишь в последнее десятилетие она выделилась в самостоятельную область исследований и приложений и все больше претендует на одну из ведущих ролей в рамках интеллектуальных информационных технологий. Спектр работ по данной тематике весьма широк, интегрирует достижения в области компьютерных сетей и открытых систем, искусственного интеллекта и информационных технологий и ряда других исследований, а результаты уже сегодня позволяют говорить о новом качестве получаемых решений.

В настоящее время множество исследовательских лабораторий, университетов, фирм и промышленных организаций работают в этой области, и список их постоянно расширяется. Он включает мало известные имена и небольшие коллективы, уже признанные исследовательские центры и организации, а также огромные транснациональные компании. Областями практического использования агентных технологий являются:

управление информационными потоками и сетями;

управление воздушным движением;

информационный поиск;

электронная коммерция;

обучение;

электронные библиотеки.

К построению агентно-ориентированных систем можно указать два подхода: реализация единственного автономного агента или разработка мультиагентной системы. Автономный агент взаимодействует только с пользователем и реализует весь спектр функциональных возможностей, необходимых в рамках агентно-ориентированной программы. В противовес этому мультиагентные системы являются программно-вычислительными комплексами, где взаимодействуют различные агенты для решения задач, которые трудны или недоступны в силу своей сложности для одного агента. Часто такие мультиагентные системы называют агентствами, в рамках которых агенты общаются, кооперируются и договариваются между собой для поиска решения поставленной перед ними задачи.

Агентные технологии обычно предполагают использование определенных типологий агентов и их моделей, архитектур мультиагентных систем и опираются на соответствующие агентные библиотеки и средства поддержки разработки разных типов мультиагентных систем.

Умные агенты применяются различными способами. Например, существует агент-фильтр, использующийся для фильтрации информации из сети Интернет. Параметры поиска Web-агента задаются в простом файле конфигурации. Затем агент автономно собирает новости через протокол NNTP и предоставляет их пользователю с помощью HTTP-протокола, действуя аналогично Web-серверу [42].


1.2.6 Алгоритм муравья

Алгоритмы муравья – это сравнительно новый метод, который может использоваться для поиска оптимальных путей по графу. Данные алгоритмы симулируют движение муравьев в окружающей среде и используют модель ферментов для коммуникации с другими агентами [43].

Хотя муравьи и слепы, они умеют перемещаться по сложной местности, находить пищу на большом расстоянии от муравейника и успешно возвращаться домой. Выделяя ферменты во время перемещения, муравьи изменяют окружающую среду, обеспечивают коммуникацию, а также отыскивают обратный путь в муравейник.

Самое удивительное в данном процессе – это то, что муравьи умеют находить самый оптимальный путь между муравейником и внешними точками. Чем больше муравьев используют один и тот же путь, тем выше концентрация ферментов на этом пути. Чем ближе внешняя точка к муравейнику, тем больше раз к ней перемещались муравьи. Что касается более удаленной точки, то ее муравьи достигают реже, поэтому по дороге к ней они применяют более сильные ферменты. Чем выше концентрация ферментов на пути, тем предпочтительнее он для муравьев по сравнению с другими доступными. Так муравьиная "логика" позволяет выбирать более короткий путь между конечными точками.

Алгоритмы муравья интересны, поскольку отражают ряд специфических свойств, присущих самим муравьям. Муравьи легко вступают в сотрудничество и работают вместе для достижения общей цели. Алгоритмы муравья работают так же, как муравьи. Это выражается в том, что смоделированные муравьи совместно решают проблему и помогают другим муравьям в дальнейшей оптимизации решения.

Рассмотрим пример [15]. Два муравья из муравейника должны добраться до пищи, которая находится за препятствием. Во время перемещения каждый муравей выделяет немного фермента, используя его в качестве маркера.

При прочих равных каждый муравей выберет свой путь. Пусть первый муравей выбирает путь, который в два раза длиннее, чем путь, выбранный вторым муравьем. Так как путь второго муравья в два раза короче пути первого муравья, то, когда второй муравей достигнет цели, первый муравей в этот момент пройдет только половину пути.

Когда муравей достигает пищи, он берет один из объектов и возвращается к муравейнику по тому же пути. Когда второй муравей вернется в муравейник с пищей, первый муравей еще только достиг пищи.

При перемещении каждого муравья на пути остается немного фермента. Для первого муравья за это время путь был покрыт ферментом только один раз. В то же самое время второй муравей покрыл путь ферментом дважды. Когда первый муравей вернется в муравейник, второй муравей уже успеет еще раз сходить к еде и вернуться. При этом концентрация фермента на пути второго муравья будет в два раза выше, чем на пути первого. Поэтому первый муравей в следующий раз выберет путь второго муравья, поскольку там концентрация фермента выше.

В этом и состоит базовая идея алгоритма муравья – оптимизация путем непрямой связи между автономными агентами.


1.3 Постановка задачи


Проведенный анализ современного состояния проблемы показывает, что:

в современных технологиях построения систем процесс построения моделей приходится осуществлять проектировщику вручную, основываясь на своем опыте и интуиции с помощью CASE-средств;

современные прикладные методы и технологии искусственного интеллекта ориентированы не столько на копирование поведения человека, сколько на достижение результатов, аналогичных человеческим результатам;

для автоматического построения моделей систем целесообразно применить алгоритм муравья.

Целью данной магистерской аттестационной работы является исследование возможности использования алгоритмов искусственного интеллекта в процессе построения UFO-моделей.

Достижение сформулированной цели связано с решением следующих задач:

адаптация алгоритма муравья к процессу построения UFO-модели из заданных компонентов;

использование Microsoft Excel в процессе построения UFO-модели из заданных компонентов;

применение полученных результатов в процессе UFO-моделирования.


2. Адаптация алгоритма муравья к задаче построения UFO-модели из заданных компонентов


2.1 Начальное размещение муравья


Пусть задана контекстная диаграмма системы, определяющая ее множество входов и выходов (рис. 2.1).


Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

Рисунок 2.1 – Контекстная диаграмма системы


Изначально муравей может находиться в одной из двух видов точек [44]:

в конце любой входной стрелки In (n) (n = 1, 2, …, N);

в начале любой выходной стрелки Out (m) (m = 1, 2, …, M).

Например, контекстная диаграмма системы может иметь два входа (In (1), In (2)) и три выхода (Out (1), Out (2), Out (3)), а муравей – находиться в конце входной стрелки In (1). Данная ситуация иллюстрируется рис. 2.2, на котором муравей условно изображен жирной точкой.


Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей

Рисунок 2.2 – Пример начального размещения муравья

2.2 Правила соединения UFO-компонентов


Пусть задана библиотека компонентов Использование алгоритмов искусственного интеллекта в процессе построения UFO-моделей, из которых необходимо собрать систему, заданную контекстной диаграммой, изображенной на рис. 2.1. Каждый компонент Использование алгоритмов искусственного интеллекта в процессе построения
    <div class=

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: