Реферат Предмет исследования искусственного интеллекта
Работа добавлена на сайт bukvasha.net: 2015-10-28Поможем написать учебную работу
Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
от 25%
Подписываем
договор
Федеральное агентство по образованию
ЧИТИНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
ЭНЕРГЕТИЧЕСКИЙ ИНСТИТУТ
Факультет экономики и информатики
Кафедра ИВТ и ПМ
Реферат
Выполнил: студент группы ВМК-08 Брылёв И.С.
Чита 2010
Содержание
Введение………………………………………………………………….…..3
1.Предмет исследования искусственного интеллекта……………………..4
2.Исторический обзор работ в области ИИ……………….………………10
3.Идентификация и классификация интеллектуальных систем.………..15
4.Интеллектуальные системы……………………………………...………20
5.Комбинирование робастного и адаптивного управления с
помощью интеллектуальных систем………………….…………………31
Заключение…………………………………..……………………………...39
Список литературы……………………………………………………..…..40
Приложение А………………………………………………………………41
Введение.
Анализ употребления термина “интеллектуальные системы управления” (ИСУ) показывает, что под ним, в общем случае, понимается предельный по сложности класс САУ, ориентированных на приобретение, обработку и использование некоторой дополнительной информации, понимаемой как “знание”. Ясно, что такие системы предназначены для работы в условиях неопределенности (невозможности точного математического описания) информации о свойствах и характеристиках системно-сложных объектов и среды их функционирования.
В условиях работы реальных систем с высоким уровнем неопределенности информации для построения СУ неизбежно применение новых информационных технологий, ориентированных на потоки контекстно-зависимой информации, то есть фактическая разработка новых принципов построения интеллектуального управления - теории ИСУ для систем высших уровней системной сложности.
1.Предмет исследования искусственного интеллекта.
В 1950 году британский математик Алан Тьюринг опубликовал в журнале «Mind» свою работу «Вычислительная машина и интеллект», в которой описал тест для проверки программы на интеллектуальность. Он предложил поместить исследователя и программу в разные комнаты и до тех пор, пока исследователь не определит, кто за стеной - человек или программа, считать поведение программы разумным. Это было одно из первых определений интеллектуальности, то есть А. Тьюринг предложил называть интеллектуальным такое поведение программы, которое будет моделировать разумное поведение человека.
С тех пор появилось много определений интеллектуальных систем (ИС) и искусственного интеллекта (ИИ). Сам термин ИИ (AI - Artificial Intelligence) был предложен в 1956 году на семинаре в Дартсмутском колледже (США). Приведем некоторые из этих определений. Д. Люгер в своей книге «Искусственный интеллект» определяет «ИИ как область компьютерных наук, занимающуюся исследованием и автоматизацией разумного поведения».
Так же встречается такое определение: «ИИ - это одно из направлений информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои, традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка».
Введем же определения, которые будем использовать в дальнейшем. Предметом информатики является обработка информации по известным законам. Предметом ИИ является изучение интеллектуальной деятельности человека, подчиняющейся заранее неизвестным законам. ИИ это все то, что не может быть обработано с помощью алгоритмических методов.
Системой будем называть множество элементов, находящихся в отношениях друг с другом и образующих причинно-следственную связь.
Адаптивная система - это система, которая сохраняет работоспособность при непредвиденных изменениях свойств управляемого объекта, целей управления или окружающей среды путем смены алгоритма функционирования, программы поведения или поиска оптимальных, в некоторых случаях просто эффективных, решений и состояний. Традиционно, по способу адаптации различают самонастраивающиеся, самообучающиеся и самоорганизующиеся системы.
Под алгоритмом будем понимать последовательность заданных действий, которые однозначно определены и выполнимы на современных ЭВМ за приемлемое время для решаемой задачи.
Под ИС будем понимать адаптивную систему, позволяющую строить программы целесообразной деятельности по решению поставленных перед ними задач на основании конкретной ситуации, складывающейся на данный момент в окружающей их среде.
Необходимо сделать два важных дополнения к данному определению.
К сфере решаемых ИС задач относятся задачи, обладающие, как правило, следующими особенностями:
- в них неизвестен алгоритм решения задач (такие задачи будем называть интеллектуальными задачами);
- в них используется помимо традиционных данных в числовом формате информация в виде изображений, рисунков, знаков, букв, слов, звуков;
- в них предполагается наличие выбора (не существует алгоритма - это значит, что нужно сделать выбор между многими вариантами в условиях неопределенности). Свобода действий является существенной составляющей интеллектуальных задач.
ИС должна уметь в наборе фактов распознать существенные, ИС способны из имеющихся фактов и знаний сделать выводы не только с использованием дедукции, но и с помощью аналогии, индукции и т. д. Кроме того, ИС должны быть способны к самооценке - обладать рефлексией, то есть средствами для оценки результатов собственной работы. С помощью подсистем объяснения ИС может ответить на вопрос, почему получен тот или иной результат. Наконец, ИС должна уметь обобщать, улавливая сходство между имеющимися фактами.
Можно ли считать шахматную программу интеллектуальной системой? Если шахматная программа при повторной игре делает одну и ту же ошибку - то нельзя. Обучаемость, адаптивность, накопление опыта и знаний - важнейшие свойства интеллекта. Если шахматная программа реализована на компьютере с бесконечно-высоким быстродействием и обыгрывает человека за счет просчета всех возможных вариантов игры по жестким алгоритмам - то такую программу мы также не назовем интеллектуальной. Но если шахматная программа осуществляет выбор и принятие решений в условиях неопределенности на основе эффективных методов принятия решений, корректируя свою игру от партии к партии в лучшую сторону, то такую программу можно считать достаточно интеллектуальной.
Следует определить также понятие знания - центрального понятия в ИС. Рассмотрим несколько определений.
1.Знания есть результат, полученный познанием окружающего мира и его объектов.
2.Знания - система суждений с принципиальной и единой организацией, основанная на объективной закономерности.
3.Знания - это формализованная информация, на которую ссылаются или которую используют в процессе логического вывода.
Рис.1.Процесс логического вывода в ИС.
4.Под знаниями будем понимать совокупность фактов и правил. Понятие правила, представляющего фрагмент знаний, имеет вид:
если <условие> то <действие>
Например, если X истинно и Y истинно, то Z истинно с достоверностью P.
Определения 1 и 2 являются достаточно общими философскими определениями. В ИC принято использовать определение 3 для определения знаний. Определение 4 есть частный случай определения 3.
Под статическими знаниями будем понимать знания, введенные в ИС на этапе проектирования. Под динамическими знаниями (опытом) будем понимать знания, полученные ИС в процессе функционирования или эксплуатации в реальном масштабе времени.
Знания можно разделить на факты и правила. Под фактами подразумеваются знания типа «A это A», они характерны для баз данных. Под правилами (продукциями) понимаются знания вида «ЕСЛИ-ТО». Кроме этих знаний существуют так называемые метазнания (знания о знаниях). Создание продукционных систем для представления знаний позволило разделить знания и управление в компьютерной программе, обеспечить модульность продукционных правил, т. е. отсутствие синтаксического взаимодействия между правилами. При создании моделей представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Выполнить это требование в равной степени для простых и сложных задач довольно сложно.
Рассмотрим подробнее систему управления ИС, структурная схема которой представлена на рис.2. На этом рисунке стрелками обозначено направление движения информации, двунаправленными стрелками обозначено взаимодействие типа «запрос-ответ» и «действие-подтверждение», весьма распространенное в информационных системах. Входом системы является Блок ввода информации, предназначенный для ввода числовых данных, текста, речи, распознавания изображений. Информация на вход системы может поступать (в зависимости от решаемой задачи) от пользователя, внешней среды, объекта управления. Далее входная информация поступает в Блок логического вывода, либо сразу в базу данных (БД) - совокупность таблиц, хранящих, как правило, символьную и числовую информацию об объектах предметной области.
Рис.2.Структурная схема интеллектуальной системы.
Блок логического вывода (БЛВ) и формирования управляющей информации обеспечивает нахождение решений для нечетко формализованных задач ИС, осуществляет планирование действий и формирование управляющей информации для пользователя или объекта управления на основе Базы Знаний (БЗ), БД, Базы Целей (БЦ) и Блока Алгоритмических Методов Решений (БАМР).
БЗ - совокупность знаний, например, система продукционных правил, о закономерностях предметной области.
БЦ - это множество локальных целей системы, представляющих собой совокупность знаний, активизированных в конкретный момент и в конкретной ситуации для достижения глобальной цели.
БАМР содержит программные модули решения задач предметной области по жестким алгоритмам.
Блок усвоения знаний (БУЗ) осуществляет анализ динамических знаний с целью их усвоения и сохранения в БЗ.
Блок объяснения решений (БОР) интерпретирует пользователю последовательность логического вывода, примененную для достижения текущего результата.
На выходе системы Блок вывода информации обеспечивает вывод данных, текста, речи, изображений и другие результаты логического вывода пользователю и/или Объекту Управления (ОУ).
Контур обратной связи позволяет реализовать свойства адаптивности и обучения ИС. На этапе проектирования эксперты и инженеры по знаниям наполняют базу знаний и базу целей, а программисты разрабатывают программы алгоритмических методов решений. База данных создается и пополняется, как правило, в процессе эксплуатации ИС.
Динамика работы ИС может быть описана следующим образом. При поступлении информации на внешнем языке системы на вход БВИ производится ее интерпретация во внутреннее представление для работы с символьной моделью системы. БЛВ выбирает из БЗ множество правил, активизированных поступившей входной информацией, и помещает эти правила в БЦ как текущие цели системы. Далее БЛВ по заданной стратегии выбирает правило из БЦ и пытается доопределить переменные модели внешнего мира и исполнительной системы с объектом управления. На основе этого активизируются новые правила БЗ, и начинается логический вывод в системе продукций (правил). Эта процедура заканчивается, как только решение будет найдено, либо когда будет исчерпана БЦ. Найденное решение из внутреннего представления интерпретируется Блоком Вывода информации во внешний язык подсистемы управления низшего уровня и объекта управления.
2.Исторический обзор работ в области ИИ.
Среди важнейших классов задач, которые ставились перед ИИ с момента его зарождения как научного направления (с середины 50-х годов ХХ века), следует выделить следующие трудно формализуемые задачи: доказательство теорем, управление роботами, распознавание изображений, машинный перевод и понимание текстов на естественном языке, игровые программы, машинное творчество (синтез музыки, стихотворений, текстов).
Доказательство теорем.
Изучение приемов доказательства теорем сыграло важную роль в развитии ИИ. Формализация дедуктивного процесса с использованием логики предикатов помогает глубже понять некоторые компоненты рассуждений. Многие неформальные задачи, например, медицинская диагностика, допускают формализацию как задачу на доказательство теорем. Поиск доказательства математической теоремы требует не только произвести дедукцию, исходя из гипотез, но также создать интуитивные догадки и гипотезы о том, какие промежуточные утверждения следует доказать для вывода доказательства основной теоремы.
В 1954 году А. Ньюэлл задумал создать программу для игры в шахматы. Дж. Шоу и Г. Саймон объединились в работе по проекту Ньюэлла и в 1956 году они создали язык программирования IPL-I (предшественник LISPа) для работы с символьной информацией. Их первыми программами стала программа LT (Logic Theorist) для доказательства теорем и исчисления высказываний (1956 год), а также программа NSS (Newell, Shaw, Simon) для игры в шахматы (1957 год). LT и NSS привели к созданию А. Ньюэллом, Дж. Шоу и Г. Саймоном программы GPS (General Problem Solver) в 1957-1972 годах Программа GPS моделировала используемые человеком общие стратегии решения задач и могла применяться для решения шахматных и логических задач, доказательства теорем, грамматического разбора предложений, математического интегрирования, головоломок и т. д. Процесс работы GPS воспроизводит методы решения задач, применяемые человеком: выдвигаются подцели, приближающие к решению, применяется эвристический метод (один, другой и т. д.), пока не будет получено решение. Попытки прекращаются, если получить решение не удается. Программа GPS могла решать только относительно простые задачи. Ее универсальность достигалась за счет эффективности. Специализированные «решатели задач» - STUDENT (Bobrov, 1964) и др. лучше проявляли себя при поиске решения в своих предметных областях. GPS оказалась первой программой (написана на языке IPL-V), в которой предусматривалось планирование стратегии решения задач.
Для решения трудно формализуемых задач и, в частности, для работы со знаниями были созданы языки программирования для задач ИИ: LISP (1958 год, J. MacCatthy), Пролог (1975-79 годы, D. Warren, F. Pereira), ИнтерLISP, FRL, KRL, SMALLTALK, OPS5, PLANNER, QA4, MACSYMA, REDUCE, РЕФАЛ, CLIPS. К числу наиболее популярных традиционных языков программирования для создания ИС следует также отнести С++ и Паскаль.
Распознавание изображений.
Рождение робототехники выдвинуло задачи машинного зрения и распознавания изображений в число первоочередных.
В традиционном распознавании образов появился хорошо разработанный математический аппарат, и для не очень сложных объектов оказалось возможным строить практически работающие системы классификации по признакам, по аналогии и т. д. В качестве признаков могут рассматриваться любые характеристики распознаваемых объектов. Признаки должны быть инвариантны к ориентации, размеру и вариациям формы объектов. Алфавит признаков придумывается разработчиком системы. Качество распознавания во многом зависит от того, насколько удачно придуман алфавит признаков. Распознавание состоит в априорном получении вектора признаков для выделенного на изображении отдельного распознаваемого объекта, и лишь затем в определении того, какому из эталонов этот вектор соответствует.
П. Уинстон в начале 80-х годов обратил внимание на необходимость реализации целенаправленного процесса машинного восприятия. Цель должна управлять работой всех процедур, в том числе и процедур нижнего уровня, т. е. процедур предварительной обработки и выделения признаков. Должна иметься возможность на любой стадии процесса в зависимости от получаемого результата возвращаться к его началу для уточнения результатов работы процедур предшествующих уровней. У П. Уинстона, так же как и у других исследователей, до решения практических задач дело не дошло, хотя в 80-е годы вычислительные мощности больших машин позволяли начать решение подобных задач. Таким образом, ранние традиционные системы распознавания, основывающиеся на последовательной организации процесса распознавания и классификации объектов, эффективно решать задачи восприятия сложной зрительной информации не могли.
Экспертные системы.
Методы ИИ нашли применение при создании автоматических консультирующих систем. До 1968 года исследователи в области ИИ работали на основе общего подхода - упрощения комбинаторики, базирующегося на уменьшении перебора альтернатив исходя из здравого смысла, применения числовых функций оценивания.
В начале 70-х годов произошел качественный скачок и пришло понимание, что необходимы глубокие знания в соответствующей области и выделение знаний из данных, получаемых от эксперта. Появляются экспертные системы (ЭС), или системы, основанные на знаниях.
ЭС DENDRAL (середина 60-х годов, Стэнфордский университет) расшифровывала данные масс-спектрографического анализа.
ЭС MYCIN (середина 70-х годов, Стэнфордский университет) ставила диагноз при инфекционных заболеваниях крови.
ЭС PROSPECTOR (1974-1983 годы, Стэнфордский университет) обнаруживала полезные ископаемые.
ЭС SOPHIE обучала диагностированию неисправностей в электрических цепях.
ЭС XCON помогала конфигурировать оборудование для систем VAX фирмы DEС.
ЭС JUDITH помогает специалистам по гражданским делам и вместе с юристом и с его слов усваивает фактические и юридические предпосылки дела, а затем предлагает рассмотреть различные варианты подходов к разрешению дела.
ЭС LRS оказывает помощь в подборе и анализе информации о судебных решениях и правовых актах в области кредитно-денежного законодательства, связанного с использованием векселей и чеков.
ЭС «Ущерб» на основе российского трудового законодательства обеспечивает юридический анализ ситуации привлечения рабочих и служащих к материальной ответственности при нанесении предприятию материального ущерба действием или бездействием.
Список созданных ЭС можно перечислять очень долго. Были разработаны и внедрены тысячи реально работающих экспертных систем.
Разработка инструментальных средств для создания ЭС ведется постоянно. Появляются экспертные системы оболочки, совершенствуются технологии создания ЭС. Язык Пролог (1975-79 годы) становится одним из основных инструментов создания ЭС. Язык CLIPS (C Language Integrated Production System) начал разрабатываться в космическом центре Джонсона NASA в 1984 году. Язык CLIPS свободен от недостатков предыдущих инструментальных средств для создания ЭС, основанных на языке LISP. Появляется инструментарий EXSYS, ставший в начале 90-х годов одним из лидеров по созданию ЭС. В начале ХХI века появляется теория интеллектуальных агентов и экспертных систем на их основе. Веб-ориентированный инструментарий JESS (Java Expert System Shell), использующий язык представления знаний CLIPS, приобрел достаточную известность в настоящее время. Среди отечественных инструментальных средств следует отметить веб-ориентированную версию комплекса АТ-ТЕХНОЛОГИЯ, разработанного на кафедре Кибернетики МИФИ. В этом комплексе вся прикладная логика как комплекса в целом, так и разработанных в нем веб-интегрированных ЭС, сосредоточена на стороне сервера.
Практика внедрения ЭС показала, что нет чудодейственных рецептов - нужна кропотливая работа по вводу в ЭВМ опыта и знаний специалистов всех областей науки.
3.Идентификация и классификация интеллектуальных систем. Интеллектуальные системы всегда обладают качествами высокоорганизованной материи, связанной с обработкой знаний, способностью понимания, рассуждения и познания, которые сегодня наиболее развиты у человека.
Вместе с тем с использованием вычислительной техники были начаты работы по искусственному интеллекту и фактически начались исследования по двум направлениям. Первое направление исследований связано с моделированием деятельности мозга или созданием технического разума, а второе – с использованием вычислительной техники и программирования для создания технологии обработки, хранения и создания знаний, т.е. создание новой информационной технологии. Понятно, что искусственный интеллект по своему носителю и средствам обработки знаний существенно отличается от человеческого и других видов интеллекта, но между различными классами интеллектов и соответственно интеллектуальных систем имеются общие свойства и элементы.
В работах профессора А. В. Чечкина были исследованы следующие основные свойства интеллектуальных систем:
· уменье различать семантику содержания в получаемой информации;
· наличие возможности получать семантическую информацию по различным каналам;
· иметь терминальные элементы, осуществляющие связь между предметной и информационной областью;
· уменье решать задачи управления, мониторинга, контролинга, выдачи рекомендации и других задач, которые с успехом решает человек.
Концепция функционирования интеллектуальных систем основывается на основе моделей поведения живых систем, изложенной в теории функциональных систем П. К. Анохина дальнейшим ее развитием Судаковым К. В., который ввел понятие системоквант, определенного как целенаправленная физиологическая подсистема живого существа, активируемая для удовлетворения некоторой его потребности и определяющая его поведенческие акты.
В настоящее время принято выделять пять основных классов интеллектуальных систем [19]:
· биологическая интеллектуальная система, в которой реализуется интеллект человека с его функциональном назначением (например, принятие стратегического решения президентом на разработку национальной программы в ситуационном центре или в интеллектуальном кабинете президента);
· организационная интеллектуальная система (например фирма с функциональным назначением и участием группы людей в принятии стратегических и оперативных решений);
· автоматизированная интеллектуальная система – человеко-машинная система с функциональным назначением и преобладанием машинного фактора;
· искусственная интеллектуальная система- техническая интеллектуальная система с ее функциональным назначением, выполняющая функции человека (например экспертная система, система ситуационного управления, расчетная логическая система по подготовки решения при планирование работы корпорации, фирмы, университете и т.п.);
· среда интеллектуальных систем – интеллектуальная система коллектива взаимодействующих между собой по единым правилам интеллектуальных систем (например, рынок, электронные торги, информационные сети и т.п.).
Отличием интеллектуальных систем от кибернетических систем, в которой реализуется постоянно действующий (всегда активный) алгоритм решения одного типа задач, состоит в том, что в ней есть оценивание, запоминание и учет собственного поведения. В зависимости от ситуации, используя память о своем поведении (рефлексию), интеллектуальная система активизирует сильно формализованную подсистему (системоквант) и тем самым осуществляет управление своим поведением в зависимости от сложившейся ситуации.
К искусственному интеллекту следует относить те информационные технологии, которые обеспечивают возможность обработки знаний и обеспечивают выполнение следующих операций:
§ внутренняя интерпретируемость, обеспечивающую идентификацию каждой информационной единицы;
§ структурированность, обеспечивающую возможность рекуррентной вложимости отдельных информационных единиц друг в друга;
§ установление функциональных, каузальных и других типов отношений между информационными единицами;
§ шкалируемость, реализующую возможность введения различных метрик для определения количественных, порядковых и иных отношений информационных единиц;
§ активность, реализующую способность инициировать действия при появлении новой информации;
§ реализация классифицирующих отношений, обобщающие закономерности, действующие в какой – либо области.
Интеллектуальная система – это целенаправленная система выбора доминирующей (очередной) задачи из допустимого для данной интеллектуальной системы класса, поиск решения такой задачи, закрепления опыта решения ее и, если необходимо, изменение допустимого класса задач.
В простейшем случае интеллектуальная система является двухуровневой. Первый уровень – это рабочая область, в которой находятся средства решения задачи. Рабочая область представляет сеть базовых элементов и содержит средства решения задач только с объектами внешней и внутренней предметной области. Базовыми элементами являются интеллектуальные датчики (подсистема сбора семантической информацию части объектов предметной области), интеллектуальные исполнители (подсистема изменения части объектов предметной области), локальные базы данных и знаний (основными понятиями баз знаний являются продукция, ультраоператор, информационная производная оператора и др.), модели объектов и отношений между ними. Базовые элементы образуют структурную организацию и поведенческие особенности интеллектуальной системы. Базовые элементы объединяются в ансамбли (операторные схемы), которые называют радикалами. Рабочая среда интеллектуальной системы образуется из радикалов. Активизация радикалов (их включение для работы и образование на их основе различных схем решения задач) в интеллектуальной системе осуществляется активизирующей подсистемой.
Рабочая область состоит из ультрасреды, где хранятся базы данных и преобразовываются в базы знаний семантической информации; терминальной среды, в которой реализуется сбор и использование семантической информации; опорной среды, в которой собраны модели, аналоги внешней предметной области, она предназначена для прогнозирования процессов вне системы и внутренней эмпирической деятельности.
Второй уровень- это административная область, реализующая постановку задачи, планирование ее решения, прогнозирование будущего результата, активизирование средства решения сформированной задачи, контролирование средств решения задачи, закрепления опыта решения задачи расширение рабочей области. Административная область является активной подсистемой, которая имеет главной функцией активизировать средства из рабочей области для решения задачи.
Интеллектуальная система является многоуровневой и иерархической системой, которая получается из простейших систем заменой некоторых ее базовых элементов интеллектуальными подсистемами. В настоящее время примером интеллектуальной системы может служить сеть Интернет, в которой реализуются профессиональные ориентированные локальные базы знаний и локальные базы данных. Экспертных систем, многочисленные модели разных прикладных областей. Сама сеть представляет собой рабочую подсистему, а пользователи системы выступают в роли в роли активизирующей подсистемы. В целом они могут рассматриваться как интеллектуальная система.
В процессе работы интеллектуальной системы наблюдаются, как правило, следующие взаимодействующие процессы:
· оценивание – оценивание соответствия внешней предметной области целевому назначению интеллектуальной системы и формирование цели;
· мотивация – потребность достижения возникшей цели и использование накопленного опыта и знаний для выбора и постановки очередной задачи интеллектуальной системы;
· самоорганизация – формирование процесса решения задачи и прогнозирование ожидаемого результата;
· активация – активирование средств решения задачи;
· адаптация – коррекция очередной попытки решения задачи и поиск новых методов ее решения.
· самообучение – формирование нового опыта решения задачи в результате использования накопленного опыта решения аналогичных и подобных задач;
· саморасширение – увеличение допустимого класса решаемых задач.
Завершая рассмотрение интеллектуальных систем можно отметить, что их применение обеспечивает успешное решение задач при априорной неполноте и нечеткости исходных данных, вариабельности и неточности характеристик исследуемого объекта, более эффективного принятия решений в различных ситуациях, связанных с конфликтами. В результате достигнутых успехов в исследованиях по искусственному интеллекту появляется возможность на основе использования новых интеллектуальных информационных технологий создавать более эффективные по сравнению с традиционными системами управления системы интеллектуального управления (ИСУ).
4.Интеллектуальные системы.
Новое поколение систем — интеллектуальные системы — вызвало к жизни другие принципы организации компонентов систем, появились иные понятия, термины, блоки, не встречавшиеся ранее в разработках и, следовательно, в научной литературе.
Интеллектуальные системы способны синтезировать цель, принимать решение к действию, обеспечивать действие для достижения цели, прогнозировать значения параметров результата действия и сопоставлять их с реальными, образуя обратную связь, корректировать цель или управление
На рисунке 3 приведена структурная схема ИС, где выделены два крупных блока системы: синтез цели и ее реализация.
В первом блоке на основе активного оценивания информации, полученной от системы датчиков, при наличии мотивации и знаний синтезируется цель и принимается решение к действию. Активное оценивание информации осуществляется под воздействием пусковых сигналов. Изменчивость окружающей среды и собственного состояния системы может приводить к потребности в чем-либо (мотивации), а при наличии знаний может быть синтезирована цель.
Под целью понимается идеальное, мысленное предвосхищение результата деятельности. Продолжая активно оценивать информацию об окружающей среде и собственном состоянии системы, в том числе объекта управления, при сопоставлении вариантов достижения цели можно принять решение к действию.
Далее, во втором блоке динамическая экспертная система (ДЭС) на основании текущих сведений об окружающей среде и собственном состоянии ИС при наличии цели и знаний осуществляет экспертную оценку, принимает решение об управлении, прогнозирует результаты действия и вырабатывает управление.
Представленное в кодированном виде управление преобразуется в физический сигнал и поступает на исполнительные устройства.
Объект управления, получая сигнал от исполнительных устройств, осуществляет то или иное действие, результаты которого, представленные в виде параметров, по цепи обратной связи 2 поступают в ДЭС, где сравниваются с прогнозированными. Одновременно параметры результата действия, интерпретированные в соответствии со свойствами цели и поступающие в блок I, могут использоваться для эмоциональной оценки достигнутого результата: например, цель достигнута, но результат не нравится. Если цель достигается по всем параметрам, то управление подкрепляется. В противном случае происходит коррекция управления. Когда же цель недостижима, то корректируется цель. Следует заметить, что при внезапных изменениях состояния окружающей среды, или объекта управления, или системы в целом возможен синтез новой цели и организация ее достижения. Структура ИС наряду с новыми элементами содержит традиционные элементы и связи, центральное место в ней занимает динамическая экспертная система.
Блок 1 – синтез цели Блок 2 – реализация цели
Рис.3.Структурная схема ИС.
Формально ИС описывается следующими шестью выражениями:
где Т — множество моментов времени;
X, S, M, C, R и Y — множества состояний системы, окружающей среды, мотивации, цели, прогнозируемого и реального результата;
А, В и D — матрицы параметров;
В этом описании сочетаются представления объектов системы в виде множества значений, либо множества высказываний, либо каких-то других форм.
Динамические свойства ИС могут быть описаны в пространстве состояний. Интеллектуальные операторы, реализующие восприятие, представление, формирование понятия, суждения и умозаключения в процессе познания, являются формальным средством обработки сведений и знаний, а также принятия решения. Все эти аспекты должны быть положены в основу построения ДЭС, функционирующих в реальном времени и реальном мире.
Динамическая экспертная система есть некоторое комплексное образование, способное оценивать состояние системы и среды, сопоставлять параметры желаемого и реального результатов действия, принимать решение и вырабатывать управление, способствующее достижению цели. Для этого ДЭС должна обладать запасом знаний и располагать методами решения задач. Знания, передаваемые экспертной системе, можно разделить на три категории:
1) концептуальное (на уровне понятий) знание — это знание, воплощенное в словах человеческой речи или, конкретнее, — в научно-технических терминах и, естественно, в стоящих за этими терминами классах и свойствах объектов окружающей среды. Сюда же входят связи, отношения и зависимости между понятиями и их свойствами, причем связи абстрактные, также выраженные словами и терминами. Концептуальное знание — это сфера, главным образом, фундаментальных наук, если учитывать, что понятие есть высший продукт высшего продукта материи — мозга;
2) фактуальное, предметное знание — это совокупность сведений о качественных и количественных характеристиках конкретных объектов. Именно с этой категорией знания связываются термины «информация» и «данные», хотя такое употребление этих терминов несколько принижает их значение. Любое знание несет информацию и может быть представлено в виде данных; фактуальное знание — это то, с чем всегда имели дело вычислительные машины и с чем они больше всего имеют дело до сих пор. Современную форму накопления данных принято называть базами данных. Конечно, для организации баз данных, для поиска в них нужной информации надо опираться на концептуальное знание;
3) алгоритмическое, процедурное знание — это то, что принято называть словами «умение», «технология» и др. В вычислительном деле алгоритмическое знание реализуется в виде алгоритмов, программ и подпрограмм, но не всяких, а таких, которые могут передаваться из рук в руки и использоваться без участия авторов. Такая реализация алгоритмического знания называется программным продуктом. Наиболее распространенные формы программного продукта — пакеты прикладных программ, программные системы и другие, ориентированные на конкретную область применения ДЭС. Организация и использование пакетов прикладных программ базируется на концептуальном знании.
Ясно, что концептуальное знание является более высокой, определяющей категорией знания, хотя, с точки зрения практики, другие категории могут казаться более важными.
Именно поэтому, вероятно, концептуальное знание редко воплощается в форме, доступной для обработки на вычислительных машинах. А если воплощается, то чаще всего неполно и односторонне. Носителем концептуального знания остается в большинстве случаев человек. Это тормозит автоматизацию многих процессов.
Представления концептуального знания, а точнее, системы, реализующие все три категории знания, но выделяющие концептуальное знание на первый план и работающие на основе его интенсивного использования, называются базами знаний.
Создание и широкое применение баз знаний в ИС — одна из актуальнейших задач. Концептуальную часть базы знаний будем называть моделью предметной области, алгоритмическую часть — программной системой, а фактуальную часть — базой данных.
Следующая функция ДЭС — решение задач. Задача может быть решена машиной только в том случае, если она формально поставлена — если для нее написана формальная спецификация. Последняя должна опираться на некоторую базу знаний. Модель предметной области описывает общую обстановку, в которой возникла задача, а спецификация — содержание задачи. В совокупности они позволяют установить, какие абстрактные связи и зависимости, в каких сочетаниях и в какой последовательности должны быть использованы для решения задачи.
Прикладные программы представляют собой конкретные средства, стоящие за этими зависимостями, а также содержат алгоритмы для решения возникающих при этом уравнений. Наконец, база данных поставляет все исходные данные или часть их для выполнения этих алгоритмов, недостающие данные должны содержаться в спецификации.
Этим трем частям баз знаний соответствуют три этапа решения задачи:
1) построение абстрактной программы решения (включая возникновение задачи, ее постановку и спецификацию);
2) перевод задачи на подходящий машинный язык;
3) трансляция и выполнение программы.
Построение абстрактной программы связано с представлением и обработкой концептуального знания в ИС и по определению является достоянием искусственного интеллекта.
Искусственный интеллект связывают с обработкой текстов, устных сообщений на естественном языке, с анализом и обработкой информации (распознавание всех видов изображений, доказательство теорем, логический вывод и т.д.).
Функциями ДЭС являются также оценка результатов решения задачи, формирование параметров будущего результата действия, принятие решения об управлении, выработка управления и сличение параметров желаемого и реального результатов. Здесь предусматривается моделирование процессов для оценки возможных последствий и корректности решения задачи.
Отметим, что в реальных случаях существует проблема описания исследуемых объектов. Такое описание неправомерно считать частью спецификации задачи, поскольку относительно одного объекта ставится, как правило, много задач, что, естественно, требуется учитывать при формировании базы знаний. Кроме того, может оказаться, что возникшую задачу не решить до конца автоматически, например, из-за неполноты спецификации или описания объекта.
Поэтому в ИС целесообразен на определенных стадиях интерактивный режим работы с ДЭС. Надо помнить, что модель предметной области описывает общую обстановку (знание), а спецификация — содержание задачи. Очень важными проблемами являются создание единой программной среды и синтез алгоритмов непосредственно по постановке задачи.
В зависимости от цели, которая стоит перед ИС, база знаний, алгоритмы решения задачи, принятия решения, выработки управления могут, естественно, иметь различное представление, зависящее, в свою очередь, от характера решения задач. Соответственно этому можно видеть три типа ДЭС. Структура ДЭС первого типа приведена на рисунке 4.
Рис.4.Структура ДЭС первого типа.
Здесь предполагается, что концептуальные и фактуальные знания точно отражают процессы и сведения, относящиеся к некоторой предметной области.
Тогда решение задачи, возникающей в этой области, будет получено на основе строгих математических методов, в соответствии с постановкой и спецификацией. Результаты исследования решения и прогноз используются для получения экспертной оценки и принятия решения о необходимости управления. Затем на основе подходящего алгоритма управления, имеющегося в базе знаний, формируется управляющее воздействие.
Эффективность и непротиворечивость этого воздействия, прежде чем оно поступит на объект управления, оценивается с помощью имитационной математической модели. Оценка должна выполняться быстрее реальных процессов в ИС.
Однако ДЭС, реализующие принятие решения, представляют собой сложные программные комплексы, предназначенные для автоматического принятия решения или для помощи лицам, принимающим решения, и при оперативном управлении сложными системами и процессами, как правило, работают в условиях жестких временных ограничений.
В отличие от ДЭС первого типа, предназначенных для поиска оптимального решения и базирующихся на строгих математических методах и моделях оптимизации, ДЭС второго типа в основном ориентированы на решение трудно формализуемых задач в отсутствие полной и достоверной информации. Здесь используются экспертные модели, построенные на основе знаний экспертов — специалистов в данной проблемной области, и эвристические методы поиска решения.
Одной из основных проблем при проектировании ДЭС второго типа является выбор формального аппарата для описания процессов принятия решений и построение на его основе модели принятия решений, адекватной проблемной области (семантически корректной). В качестве такого аппарата обычно используют продукционные системы. Однако основные исследования ведутся в контексте алгоритмической (детерминированной) трактовки продукционной системы с присущей ей последовательной схемой поиска решения.
Получающиеся в результате модели зачастую неадекватны реальным проблемным областям, характеризующимся недетерминизмом процесса поиска решения. Выход из такого положения — параллелизм при поиске.
Реально следует ориентироваться на объединение ДЭС первого и второго типа в расчетно-логическую ДЭС третьего типа, где база знаний сочетает описание в виде строгих математических формул с информацией экспертов, а также соответственно — математические методы поиска решения с нестрогими эвристическими методами, причем вес того или другого компонента определяется возможностью адекватного описания предметной области и способом отыскания решения.
Рис.5.Структура ДЭС второго типа.
При разработке ДЭС возникают следующие проблемы:
1.Определение состава базы знаний и ее формирование;
2.Разработка новых и использование известных теорий и методов для описания информационных процессов в ИС;
3.Разработка способов представления и организации использования знаний;
4.Разработка алгоритмов и программного обеспечения с распараллеливанием и использованием «гибкой логики»;
5.Отыскание подходящих вычислительных сред для реализации параллельных алгоритмов при формировании ДЭС.
Рис.6.Структура ДЭС третьего типа.
Наряду с изложенным важно отметить, что ДЭС должны обладать свойством адаптации к динамической проблемной области, способностью ввода новых элементов и связей в описание ситуаций, изменения правил и стратегии функционирования объектов в процессе принятия решения и выработки управления, работы с неполной, нечеткой и противоречивой информацией и т.д.
Динамические экспертные системы функционируют в составе ИС, имеющих обратные связи, и поэтому важно обеспечить устойчивую работу таких ИС.
С традиционных позиций можно считать, что длительность реакции ДЭС на входные воздействия, т.е. время, затрачиваемое на обработку входной информации и выработку управляющего воздействия, есть чистое запаздывание. На основе частотного анализа можно оценить изменение фазовых свойств системы и тем самым определить запас устойчивости. При необходимости можно произвести коррекцию системы посредством фильтров.
Однако с точки зрения классической теории управления ИС являются многообъектными многосвязными системами, анализ устойчивости которых обычными способами весьма затруднителен.
5.Комбинирование робастного и адаптивного управления с помощью интеллектуальных систем.
В настоящее время теория робастного управления (
Можно подойти к проблеме проектирования управления реальным сложным объектом, функционирующим в условиях неопределенности, другим образом: не пытаться использовать один тип управления — адаптивный или робастный. Очевидно, следует выбирать тот тип, который соответствует состоянию окружающей среды и системы, определенному по имеющейся в распоряжении системы информации. Если же в процессе функционирования системы можно организовать получение информации, целесообразно использовать ее в процессе управления.
Но реализация такого комбинированного управления до недавнего времени наталкивалась на непреодолимые трудности при определении алгоритма выбора типа управления. Достигнутые в разработке проблем искусственного интеллекта успехи делают возможным синтез такого алгоритма.
Действительно, поставим задачу: спроектировать систему, использующую адаптивное и робастное управление и осуществляющую выбор типа управления на основе методов искусственного интеллекта. Для этого рассмотрим особенности обоих типов и, учитывая их специфические качества, определим, как можно построить систему комбинированного управления.
Одним из основных понятий в теории робастного управления является понятие неопределенности. Неопределенность объекта отражает неточность модели объекта, причем как параметрическую, так и структурную.
Рассмотрим подробнее формы задания неопределенности в робастной теории управления с помощью простой системы — с одним входом и одним выходом.
Сигналы имеют следующую интерпретацию: r — задающий входной сигнал; u — входной сигнал (вход) объекта; d — внешнее возмущение; у — выходной сигнал (выход) объекта, измеряемый.
Рис.7.Система с одним выходом и одним входом.
В
где W – фиксированная передаточная функция (весовая функция);
Такое возмущение будем называть допустимым. Приведем некоторые варианты моделей неопределенности: (1+
Соответствующие предположения должны быть сделаны для величин
Выберем некую характеристику систем с обратной связью, например устойчивость. Регулятор С является робастным относительно этой характеристики, если ею обладает любой из множества объектов, задаваемых неопределенностью.
Таким образом, понятие робастности подразумевает наличие регулятора, множества объектов и фиксацию определенной характеристики системы. Коснемся лишь задачи минимальной чувствительности: построения такого регулятора С, который стабилизирует замкнутую систему и минимизирует влияние внешних возмущений на выход у, иначе говоря, минимизирует норму матрицы передаточных функций от внешних возмущений к выходу у.
Одной из особенностей решения этой, да и всего множества задач робастного управления является тот факт, что мы заранее в процессе проектирования регулятора закладываем ограничения на входные воздействия и неопределенность объекта в виде неравенств .
В процессе функционирования робастной системы информация о неопределенностях в системе не используется для управления. Естественно, это приводит к тому, что робастные системы консервативны и качество переходных процессов порой не удовлетворяет разработчиков этих систем.
Подобно робастной адаптивная система управления строится для объектов, информация о которых или о воздействиях на которые недоступна в начале функционирования системы. Чаще всего свойство адаптации достигается посредством формирования в явном или неявном виде математической модели объекта или входного воздействия.
Этим отличается как поисковое адаптивное управление, в основе которого поиск и удержание экстремума показателя качества управления, так и беспоисковое, в основе которого компенсация отклонения фактических изменений управляемых координат от желаемых изменений, соответствующих требуемому уровню показателя качества. Далее по уточненной модели происходит подстройка адаптивного регулятора.
Таким образом, основная особенность адаптивных систем управления – возможность получения информации в процессе функционирования и использования этой информации для управления.
Более того, в адаптивных системах всегда используется априорная информация о неопределенности в системе. Это принципиальное отличие адаптивного подхода от робастного. Рассмотрим простейшую адаптивную систему управления, обеспечивающую отслеживания входного сигнала в присутствии помехи на входе объекта.
Рис.8.Адаптивная система управления.
Формальное отличие от схемы на рисунке 7 — блок адаптации А, который на основании выходного сигнала объекта и сигнала, характеризующего заданное качество, вырабатывает сигнал подстройки коэффициентов адаптивного регулятора.
Имея в виду недостатки каждого из регуляторов, целесообразно попытаться использовать их достоинства, предложив комбинированную схему управления объектом. Адаптивная система при помощи блока адаптации вырабатывает некоторую информацию о состоянии внешней среды. В частности, в рассматриваемом случае можно получить информацию о внешнем возмущении d. Алгоритм управления Са соответствует текущему состоянию внешней среды, согласно заложенному в блоке адаптации критерию. Но адаптивная система требует, чтобы входной сигнал имел достаточно широкий частотный диапазон, и накладывает жесткие ограничения на значение и частотный спектр сигнала внешнего возмущения d. Поэтому адаптивные системы могут работать только в узких диапазонах входного сигнала и внешнего возмущения d. Вне этих диапазонов адаптивная система имеет низкое качество управления и может даже потерять устойчивость.
Рассмотренные выше свойства робастного и адаптивного управления приводят к заключению, что в процессе функционирования системы в одних случаях выгодно использовать робастное управление, в других — адаптивное, т.е. иметь возможность комбинировать управление в зависимости от состояния внешней среды.
Комбинированное управление. Основной вопрос при проектировании систем комбинированного управления заключается в том, каким образом, на основании каких знаний (информации) осуществлять выбор того или иного типа управления. Наиболее широкие возможности для этого представляют методы искусственного интеллекта. Их преимущество по сравнению с простыми переключающими алгоритмами состоит в использовании широкого спектра данных и знаний для формирования алгоритма выбора типа управления.
Если формально объединить схемы, приведенные на рисунках 7, 7, то получим схему комбинированного управления (рисунок 9).
Как видно из рисунка, сигнал управления должен переключаться с робастного регулятора на адаптивный и наоборот — по мере изменения окружающей среды в процессе функционирования системы. Используя методы теории интеллектуальных систем, можно обеспечить переход с одного типа управления на другой в зависимости от условий работы системы.
Рис.9.Схема комбинированного управления.
Рассмотрим сначала, какую информацию можно использовать для работы интеллектуального блока системы. Как известно, системы с одним входом и одним выходом хорошо описываются в частотной области. Поэтому естественно использовать частотные характеристики для организации процесса принятия решений при выборе типа управления. Как указывалось выше, частотная характеристика системы с робастным управлением соответствует наихудшему сочетанию параметров в области неопределенности. Поэтому робастное управление можно принять за одну из границ выбираемого управления. Другая граница определяется возможностями исследуемой системы (быстродействие привода, энерговооруженность и т.д.). Между этими двумя границами находится область, где разумно использовать адаптивное управление.
Рис.10.Схема комбинированного управления.
Так как адаптивный алгоритм чувствителен к начальному этапу функционирования системы, то на этом этапе целесообразно использовать робастное управление, которое достаточно нечувствительно к скорости изменения внешней помехи. Но его недостатком является большая длительность переходных процессов и большие допустимые значения выходной координаты при действии помехи. По истечении некоторого времени робастное управление имеет смысл переключить на адаптивное. Адаптивное управление позволяет более точно отследить входной сигнал при наличии информации о помехе. Адаптивное управление требовательно к богатству спектра входного сигнала, и, например, при медленно меняющихся сигналах возможны срывы процессов адаптации или сильное их замедление. В такой ситуации необходимо снова переходить на робастное управление, гарантирующее устойчивость работы системы.
Из вышеизложенного следует, что для функционирования системы необходимо иметь информацию о частотном спектре полезного сигнала помехи и об отношении сигнал/шум. Кроме того, требуется предварительная информация о частотном спектре, на котором работает адаптивная система, и о частных характеристиках объекта управления на границах области неопределенности. Из этой информации можно сформировать базу данных, в которую информация, индивидуальная для каждого класса объектов, заносится заранее. Информация о частотном спектре полезного сигнала, помех и об отношении сигнал/шум поступает в базу данных по мере функционирования системы и постоянно обновляется.
Содержимое базы данных может быть использовано в базе знаний, которая формируется в виде правил. В зависимости от конкретных свойств системы можно установить переключения двух типов управления. Требуемые правила формируются в одной из логических систем, подходящей для рассматриваемого случая. Имея базы данных и знаний, можно разработать механизм принятия решений, который будет обеспечивать правильный выбор типа управления в зависимости от условий функционирования системы.
Рис.11.Структурная схема системы с интеллектуальным блоком (ИБ).
Интеллектуальная часть системы работает дискретно, на заданных интервалах времени. На рисунке 11 приведена структурная схема системы с интеллектуальным блоком ИБ, обеспечивающим выбор типа управления.
На вход блока поступают сигнал r и измеряемый, выходной сигнал объекта у. В блоке предварительной обработки информации БПОИ по временным характеристикам сигналов r(t), y(t) определяются частотные характеристики входного сигнала r(w) и внешнего возмущения d(w), взаимное расположение спектров r(w) и d(w) и характерные значения отношения сигнал/шум r(w)/d(w). Вся эта информация поступает в базу данных БД. Блок принятия решения БПР, используя сформированную базу знаний БЗ и данные БД, вырабатывает решение, в соответствии с которым включается один из типов управления. На следующем интервале процесс повторяется с использованием новых данных.
Заключение.
Можно прогнозировать и дальнейшее развитие интеллектуальных систем управления. Это можно сделать исходя даже всего из двух достаточно очевидных соображений. Во-первых, интеллектуальные системы должны получить свою собственную “информационную машину” - машину, преодолевшую теоретические ограничения конечных автоматов и практическую нереализуемость машины Тьюринга. Здесь требуется научное и техническое решение, преодолевающее барьер “невычислимости”, отмеченный в отечественных исследованиях. Во-вторых, сам факт построения такой машины, практика общения с ней приведут к окончательному переосмыслению понятия и смысла информационной науки – информатики. Достаточно очевидный факт невозможности существования информационной машины такого рода иначе как в непрерывном режиме усвоения и реструктуризации информации приведет к пониманию интеллектуальной системы как системы существенно динамической.
Разрешится и вопрос о “математическом описании невычислимого”. Все, что до сих пор изобретено, все обобщенные функциональные преобразования годятся только для представления счетных совокупностей процессов, представленных потоками, хотя и бесконечными, но однородными, состоящими из бесконечно малых неразличимых сущностей. В случае открытых систем мы имеем дело с несчетным множеством потоков, каждый их которых может раскрыться в более чем счетную совокупность потоков, состоящих не из безликих бесконечно малых, но из бесконечного разнообразия структур. Разработка такого формального аппарата – дело будущего.
Список литературы.
1. А.А. Лобатый, С.В. Снисаренко, Н.А. Стасевич, методический комплекс по дисциплине «Современные методы синтеза систем управления», Минск, 2007.
2. http://ru.wikipedia.org
3. http://www.intuit.ru
4. А.И. Яковлев, «Интеллектуальные системы принятия решений и управления в условиях конфликта.», Москва, 2007.
5. В.С. Благовещенский, «Управление и измерения в больших и малых системах», Чита, 2007
Приложение А.
