Дидактический материал для подготовки к модулю №2 по дисциплине «Системы искусственного интеллекта»

Продукционные системыстроятся на выражениях вида ЕСЛИ-ТО, которыми можно описать практически все употребительные силлогизмы.

Продукционные модели (ПМ), впервые предложенные Постом, применяются в системах ИИ с 1972г. и являются на сегодняшний день наиболее популярными моделями знаний, используемыми в экспертных системах.

ПМ представляют собой набор правил вида «условия - действие», где условиями являются утверждения о содержимом базы данных (БД), а действия отражают процедуры, которые изменяют содержимое БД.

В продукционных системах принято различать три основные компоненты:

а). БД (как правило, структурированная);

б). Множество продукционных правил, каждое из которых состоит из двух частей:

- условий (антецедент); в этой части каждого правила указаны условия, от наличия которых зависит выполнение определенных действий;

- действий (консеквент); данная часть правил содержит описание действий, которые должны быть выполнены над содержимым БД при наличии соответствующих условий.

в). Интерпретатор, который по наличию условий определяет, какие продукции могут быть активированы в текущий момент, выбирает одно из них и выполняет действие над содержимым БД, соответствующее выбранному правилу.

    В качестве примера использования ПМ в качестве программы управления ИР рассмотрим фрагмент роботизированного участка сборки самолетных конструкций, включающий ИР – сборщик, в функции которого входит оценка характера поверхностей пары СЧ (СЧ1 и СЧ2) для их последующего сопряжения. СЧ подаются попарно в рабочую зону ИР по конвейеру Тр1. В состав рассматриваемого фрагмента также входят конвейер Тр2 для подачи СЧ на соединение и накопитель НкД, в который помещаются СЧ, подлежащие доводке. Схема фрагмента РУ показана на рисунке 1.

Рисунок 1. Схема фрагмента РУ конвейерной сборки самолетных конструкций.

Предполагается, что движение конвейеров Тр1 и Тр2 пошаговое, и синхронизировано с движениями манипулятора ИР. В результате оценки с помощью датчиков сопрягаемых поверхностей СЧ, СУ ИР формирует управляющее воздействие (угол поворота манипулятора). Так, если в результате оценки допуск не превышает пороговой величины s , задаваемый угол поворота манипулятора даст возможность перенести и установить текущую пару СЧ на Тр2, в противном случае угол поворота будет достаточен для помещения этой пары в НкД.

Набор ПМ, описывающих алгоритм управления рассматриваемым фрагментом РУ, будет включать следующие правила:

Правило 1. ЕСЛИ СЧ1 И S1 s И СЧ2 И S2 s ТО угол поворота манипулятора m=α;

Правило 2. ЕСЛИ СЧ1 И S1 s И СЧ2 И S2 s ТО угол поворота манипулятора m=α;

Правило 3. ЕСЛИ СЧ1 И S1 s И СЧ2 И S2 s ТО угол поворота манипулятора m=α;

Правило 4. ЕСЛИ СЧ1 И S1 s И СЧ2 И S2 s ТО угол поворота манипулятора m=β.

Модульность продукционной системы обеспечивает автоматическое изменение значений отдельных продукций, не вдаваясь при этом в смысл остальных. Главной особенностью продукционных систем, делающих их пригодными для создания моделей мира отдельных ИР – сборщиков самолетных конструкций, является сравнительная простота, наглядность и однородность как самих правил, так и результатов вывода на знаниях. С другой стороны, указанная особенность дает возможность решать сравнительно простые, однотипные задачи (например, определение степени совпадения сопрягаемых частей при сборке). При решении же таких проблем, как координация функционирования коллектива ИР в составе РТС по сборке самолетных конструкций, имеет место резкое падение эффективности решения, поскольку данная проблема состоит из нескольких разнородных задач. Недостатком продукционных систем как средства построения моделей мира ИР – сборщиков является и необходимость периодического администрирования БЗ продукционного типа с целью выявления и устранения неполноты и противоречивости знаний. Указанный недостаток продукционных систем может быть до известной степени компенсирован путем реализации интеллектуальной системы в рамках одной из мультиагентных платформ. Многоагентные системы могут быть использованы для коллективного управления большим количеством роботов, способных функционировать как по отдельности, так и единой командой.

Семантические сетидают наиболее наглядное представление системы знаний о предметной области. Каждое отдельное знание при этом рассматривается как некое отношение между сущностями и понятиями, иформально, так же, как и в продукционных системах, определенные заранее и уже существующие внутри системы знания можно наращивать независимо с сохранением их модульности. В то же время все знания, относящиеся к одинаковым сущностям и понятиям, могут быть изображены в виде отношений между различными узлами, описывающими эти сущности, и это дает основание говорить о легкости и наглядности понимания такого представления.

Под семантической сетью принято понимать ориентированный граф с помеченными вершинами и дугами, в котором вершины соответствуют конкретным объектам, а дуги, их соединяющие, отражают имеющиеся между ними отношения. Отношения, используемые в семантических сетях, можно разделить на следующие:

а). лингвистические, которые включают отношения типа «объект», «агент», «условие», «место», «инструмент», «цель», «время» и др.;

б). атрибутивные (форма, цвет, размер и т. д.);

в). характеристики действия, т. е. род, время, наклонение, залог соответствующего глагола;

г). логические, отражающие действия логических связок, составляющих базис формальной теории (дизъюнкция, конъюнкция, импликация, отрицание);

д). квантифицированные, т. е. использующие кванторы общности и существования;

е). теоретико-множественные, которые включают понятия «множество», «элемент множества», «подмножество» и др.

Любая семантическая сеть может быть отнесена к одному из двух типов – интенсиональному, либо экстенсиональному.

Если имеется конечное множество атрибутов  и конечное множество отношений , то под интенсионалом отношения понимают набор пар вида:

INT ,

В которых  означает домен , т.е. множество значений атрибута  соответствующего отношения .

    Под экстенсионалом отношения  понимают множество

    EXT ,

где  - факт отношения , задаваемый в виде совокупности пар вида «атрибут» - «значение».

    Рассмотрим пример представления знаний в форме семантической сети для СУ ИР, функционирующем на РУ конвейерной сборки самолетных конструкций, для высказывания «ИР – сборщик производит оценку поверхностей СЧ». На рисунке 2. Представлена интенсиональная, а на рисунке 4. – экстенсиональная семантическая сеть.

Рисунок 2. Интенсиональная семантическая сеть, отражающая фрагмент знаний в СУ ИР – сборщика.

Рисунок 3. Экстенсиональная семантическая сеть, отражающая фрагмент знаний в СУ ИР – сборщика.

На основе семантических сетей в принципе всегда возможно организовать вывод на знаниях (ВНЗ), однако поскольку семантические сети являются собирательным названием всех систем представления знаний, использующих сети, определить для них полное множество алгоритмов, гарантирующих непротиворечивость процесса ВНЗ не представлятся возможным. Следствием этого является отсутствие единого формализма для описания рассматриваемых систем знаний и существенное влияние субъективности на процесс синтеза интеллектуальных систем отдельных ИР – сборщиков и РТС в целом.

    В практике разработки производственных систем с элементами ИИ находят применение различные модели представления знаний, в основе которых лежит концепция сематических сетей. В частности, здесь широко используется представление знаний в форме сетей Петри [ ].

    В общем случае сеть Петри (СП) представляет собой двудольный ориентированный мультиграф.

Наиболее часто вершины типа «Позиция» интерпретируются как объекты, необходимые для совершения какого-либо действия, о наличии таких объектов свидетельствует маркер в позиции; позиции же типа «Переход» интерпретируются как действия. Динамика производственного процесса отражается перемещением маркеров по СП. На рисунке 4. представлены варианты одной и той же СП, отражающей действия ИР – сборщика по результату оценки поверхностей СЧ. При этом маркировка СП на рисунке 4а моделирует действие ИР при превышении допуска s поверхности СЧ1; на рисунке же 4б – действие ИР при нормальной величине допуска СЧ1 и СЧ2.

а)

б)

Рисунок 4. СП, моделирующая действия ИР – сборщика по результатам оценки поверхностей СЧ.

Главным недостатком аппарата СП как модели знаний в составе СУ ИР является изначально низкая мощность представления классических СП (Safety Petri Nets) при максимальной мощности разрешения. Под мощностью представления здесь понимается наличие средств отражения базовых (пространство, время и причинность) и производных от них категорий окружающего мира. Мощность разрешения свидетельствует в возможностях анализа СП как графовых структур на наличие в них активности, достижимости, покрываемости, а также тупиков и зацикливаний (dead locks).

Таким образом, повышение мощности представления СП путем так называемого расширения (временные, раскрашенные, стохастические СП) неизбежно ведет к снижению их мощности разрешения, а следовательно, и к ограничению возможностей по оценке качества знаний, содержащихся, например, в БЗ СУ ИР на предмет их полноты и непротиворечивости.

    Фреймовые структуры определяют, как и в продукционных системах, форму представления знаний и отличаются от других систем представления знаний тем, что дают возможность одновременно с представлением знаний создавать алгоритмы ВНЗ. Для профессионального когнитолога такая особенность фреймовых структур является неоспоримым преимуществом, в то время как для рядового потребителя, каким является специалист по сборке самолетных конструкций, это создает значительные трудности. С точки зрения программной инженерии фреймовая система является расширением традиционных систем процедурного типа, не случайно данный формализм изначально был предложен его создателем, М.Минским, как структура данных о стереотипных ситуациях, иерархически связанных между собой по определенному признаку. Таким образом, каждый фрейм как информационная структура описывает одну из единиц обработки, обладающую до некоторой степени независимостью, и может представлять средства, связывающие между собой эти структурные единицы. Вместе с тем то обстоятельство, что во фреймовой иерархии знания задаются, по существу, процедурами, усложняет по сравнению с другими методами приобретение знаний и обедняет возможности динамической адаптации интеллектуальной системы к изменениям внешней среды. Кроме того, сложность отношений между фреймами прямо пропорциональна сложности описываемой предметной области.

Опишем фреймовую структуру БЗ СУ ИР – сборщика самолетных конструкций, используя для этого нотации Бекуса – Наура:

<фрейм> ::= (<имя фрейма><тело фрейма>)

<имя фрейма> ::= ИР-сборщик

<тело фрейма> ::= {(слот)}

<слот> ::= <аспект>

<аспект> ::= (<имя аспекта><тело аспекта>)

<имя аспекта> ::= (<оценка поверхности СЧ1> | <оценка поверхности СЧ2>)

<тело аспекта> ::= (<для СЧ1  > | < для СЧ1 > > | < для СЧ2  > | < для СЧ2 >  >)

<для СЧ1 > > ::= <присоединенная процедура 1>

<для СЧ2 > > ::= <присоединенная процедура 1>

<для СЧ1 > ::= <присоединенная процедура 2>

<для СЧ2 > ::= <присоединенная процедура 2>

<присоединенная процедура 1> ::= <поворот манипулятора ИР на угол α>

<присоединенная процедура 2> ::= <поворот манипулятора ИР на угол β>

<поворот манипулятора ИР на угол α> ::= 30

<поворот манипулятора ИР на угол β> ::= 115.

Здесь  и  означают результаты оценки поверхностей СЧ1 и СЧ2 в паре СЧ, s – заданный допуск на качество поверхностей СЧ.

Главный недостаток фреймового представления моделей мира отдельных ИР – сборщиков и РТС в целом заложен в самой природе фреймов. Сам по себе каждый фрейм в иерархии отражает некую единую сущность, что затрудняет интерпретацию моделей мира ИР – сборщиков в виде соответствующих фреймов, а РТС – в виде фреймовой структуры, поскольку в этом случае неизбежно порождается наследование между отдельными фреймами, которое не имеет места в данной предметной области.

Таким образом, проведенный анализ возможностей применения продукционных систем, семантических сетей и фреймовых структур в качестве методической основы создания ИС РТС участка конвейерной сборки самолетных конструкций показал, что для каждого из рассмотренных формализмов характерно резкое усложнение процесса представления знаний при переходе от описания моделей мира отдельных ИР к синтезу единой модели мира РТС.

Логико-предикативные системы представления знаний также имеют указанный выше недостаток, однако если при использовании других стандартных средств на определенном этапе усложнение предметной области фактически лишает пользователя возможности управления знаниями (в том смысле, что не гарантируется достоверность получаемых результатов), логика предикатов дает возможность гарантировать достоверность результатов даже при понижении эффективности представления знаний. Следовательно, логика предикатов является единственной системой в классическом наборе средств представления знаний, применение которой позволяет адекватно описать крупномасштабную предметную область, шаг за шагом задавая исходную информацию.

В интеллектуальных системах, основанных на логике предикатов, знания представляются с помощью перевода утверждений об объектах предметной области в формулы логики предикатов и добавления их как аксиом в систему. Конкретизация описания предметной области достигается путем установления однозначного соответствия между символами, входящими в состав предикатной формулы, и элементами (а также функциями и отношениями), определяемыми в данной предметной области.

Выводом в системе представления знаний на предикатах являются формулы, выводимые из аксиом с помощью правил вывода. Для организации вывода на знаниях могут использоваться различные правила, в частности Modus ponens, Modus tollens, специализации, двойного отрицания и др. [ ].

Решение конкретной задачи в логико-предикативной системе знаний сопряжено с переводом начального состояния объекта принятия решений и соответствующих операторов действий в формулы исчисления предикатов с добавлением их к множеству аксиом рассматриваемой формальной теории. Целевое же состояние объекта при этом выражается формулой и рассматривается как теорема, которая должна быть выведена из множества аксиом с помощью механизма, использующего упомянутые выше правила вывода. Трасса ВНЗ представляет собой при таком подходе последовательность дедукций приводящих объект принятия решений из начального состояния в целевое.

К несомненным достоинствам систем представления знаний на основе исчисления предикатов относится то, что они к настоящему времени достаточно глубоко исследованы как формальная система, их синтаксис и механизм интерпретации хорошо определены. Существуют строгие правила преобразования предикатных формул, а следовательно и четко определены опрации над содержимым БЗ.

Основной недостаток рассматриваемой системы представления знаний состит в их ограниченной выразимости, поскольку существует большое количество фактов, которые трудно или даже невозможно выразить средствами исчисления предикатов.