Оценка пространства поиска решений.

На основе изучения проблемной области и характера получаемых знаний можно оце­нить пространство поиска решений. Эта оценка важна для выбо­ра способа представления и структуризации знаний, а также да лее для выбора метода поиска решений и построения процедур вывода. Размеры пространства поиска решений определяются многими факторами, и прежде всего - характером данных и зна­ний предметной области и спецификой решаемых задач. В наи­более простых случаях происходит некоторая идеализация проб­лемной области и принимается, что данные и знания достаточно детерминированы и надежны. В некоторых ПСИИ этих допущений достаточно для довольно успешного их функционирования. Все зависит от поставленных перед системой задач и сложности пред­метной области.

Достоинством интеллектуальных систем, основывающихся на надежных и опре­деленных знаниях и данных, является возможность реализации монотонных БЗ. При такой реализации БЗ новые знания и пра­вила включаются в нее без пересмотра и удаления некоторых хранящихся знаний. Кроме того, в таких системах используются данные и факты, неизменяющиеся во времени. Наиболее вероят­ным способом реализацииБЗ в этом случае являются организа­ция ее в виде списков выведенных заключений или использование декларативных форм представления.

Однако в реальной практике знания и данные редко бывают полностью детерминированными и надежными. С неопределенны­ми или неполными данными сталкиваются при решении различ­ных задач во многих производственных системах. Такого типа информация естественна, например, в задачах диагностики, уп­равления технологическими процессами и др.

Для структуризации, формализации и работы с неточными неопределенными знаниями и данными используются различные методы. Они в основном базируются на вероятностном подходе и подходе, основанном на теории нечетких множеств. При вероят­ностном подходе применяются, например, различные априорные и условные вероятностные оценки на основе правила Байеса. В нечетких подходах используются описания знаний на основе теории нечетких множеств.

При решении некоторых типов экономических и производственных задач требу­ются знания и рекомендации об изменяющихся во времени си­туациях. К таким задачам, например, относятся задачи диспетче­ризации, мониторинг фондового рынка. Для представления ситуационных знаний разработаны такие средства описания, как ситуационное исчисление и язык си­туационного управления. Ситуационное исчисление приме­няется для описания последовательности действий и их резуль­татов. Ситуации моделируются в совокупности с объектами проб­лемной области. Характерной особенностью здесь является диск­ретность состояний. Действия в ситуационном исчислении пред­ставлены функциями. Областью определения этих функций явля­ются ситуации.

При использовании языка ситуационного управления в конк­ретной проблемной области возникает проблема формирования лексики [48]. Создаются словари базовых понятий, отношений, действий, оценок, квантификаторов, модификаторов, имен и модальных операторов, которые должны отражать все стороны пред­метной области и стратегий управления, что необходимо для раз­работки адекватной системы ситуационного управления. Основны­ми являются три словаря: понятий, отношений и действий.

Выше коротко рассмотрены возможный характер знаний и их природа в основных типах экономических и производственных задач, а также пред­посылки к их структуризации и представлению в БЗ с использо­ванием существующих разнообразных средств описания знаний и данных. Таким образом, для выбора способа представления зна­ний, структуры БЗ, метода поиска решений необходимы сведения о полноте, определенности и объеме знаний, размерах пространства поиска решений, о требуемом характере работы проектируе­мой системы и др.

Выбор способа представления знаний.

Важным вопросом при создании БЗ является выбор способа представления знаний. Цель представления знаний — организация необходимой информации втакую форму, чтобы программа искусственного интеллекта име­ла легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций. Выше достаточно подробно были рассмотрены основные типы мо­делей представления знаний. Здесь кратко охарактеризуем неко­торые из них применительно к процессу разработки БЗ.

При использовании логики предикатов первого порядка БЗ может рассматриваться как совокупность логических формул, ко­торые обеспечивают частичное описание проблемной среды.

Семантические сети позволяют описывать свойства и отноше­ния объектов событий, понятий, ситуаций или действий с помощью направленного графа, состоящего из вершин и помеченных ребер. Как отмечалось выше, при использовании для представления се­мантической сети знания разделяются на экстенсиональные и ин­тенсиональные. Экстенсиональная сеть является основой БД, а интенсиональная — БЗ.

Фреймы, как и семантические сети, представляют собой декла-ративно-процедуральные структуры. Во многих фреймовых струк­турах возможна реализация наследственных отношений, при кото­рых объекты могут наследовать атрибуты более абстрактных объ­ектов [36]. Такая форма организации знаний позволяет экономить объем памяти.

Продукционные модели, вероятно, являются сейчас наиболее популярным способом представления знаний.

При организации знаний с использованием продукционных мо­делей в БЗ содержатся правила продукций, а в БД содержится информация, которая отображает текущее состояние решаемой задачи. Инициализацию необходимого правила осуществляет блок управления (в другой терминологии: интерпретатор).

Большие трудности возникают при создании моделей не пол­ностью определенных, нечетких знаний.

В последние годы активно ведутся работы по развитию мето­дов формализации нечетких знаний, которые находят применение при построении баз знаний в прикладных системах ИИ.