Содержание к диссертации
Введение
ГЛАВА 1. РАЗРАБОТКА МОДЕЛИ ОПИСАНИЯ ОБРАЗОВ И СИТУАЦИЙ : ПРОБЛЕМНОЙ СРЕДЫ В ПРОЦЕССЕ МОДЕЛИРОВАНИЯ ЦЕЛЕСООБРАЗНОГО ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ 9
1.1. Постановка задачи 9
1.2. Разработка модели описания образов проблемной среды 12
1.3. Разработка модели описания ситуаций проблемной среды 25
ГЛАВА 2. МОДЕЛИРОВАНИЕ ПРОЦЕССА САМООБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ В СРЕДАХ ПЕРВОГО УРОВНЯ СЛОЖНОСТИ 36
2.1. Организация процесса самообучения на нечетких семантических сетях в средах первого уровня сложности 36
2.2. Организация процесса самообучения интеллектуальных систем с активной логикой поведения на нечетких семантических сетях 43
2.3. Организация процесса самообучения интеллектуальных систем с
активно-пассивной логикой поведения на нечетких семантических сетях46
ГЛАВА 3. МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ НА ОСНОВЕ АЛГОРИТМОВ САМООБУЧЕНИЯ В СРЕДАХ ВТОРОГО УРОВНЯ СЛОЖНОСТИ. 51
3.1. Описание 'и анализ алгоритма самообучения интеллектуальных систем при наличии в среде причинно-следственных связей 51
3.2.Описание и анализ алгоритмов самообучения при появлении в среде
тормозных сигналов 57
3.3. Описание-и анализ алгоритмов самообучения при наличии в среде суммарных сигналов 64
3.4. Разработка процедур выбора алгоритмов целесообразного поведения
интеллектуальной системы 73
ГЛАВА 4. РАЗРАБОТКА КОМПЛЕКСА МОДЕЛИРОВАНИЯ ПОВЕДЕНИЯ ИНТЕЛЛЕКТУАЛЬНОГО РОБОТА 78
4.1. Моделирование алгоритмов самообучения интеллектуального робота в среде первого уровня сложности 79
4.2. Моделирование алгоритмов самообучения интеллектуального робота в
средах второго' уровня сложности 94
ЗАКЛЮЧЕНИЕ ; 124
СПИСОК ЛИТЕРАТУРЫ '. 126
Приложения ....х 135
Приложение 1 136
Приложение 2.... 140
Приложение 3... 154
Приложение 4 178
Приложение 5... 181
- Разработка модели описания образов проблемной среды
- Организация процесса самообучения на нечетких семантических сетях в средах первого уровня сложности
- Описание 'и анализ алгоритма самообучения интеллектуальных систем при наличии в среде причинно-следственных связей
- Моделирование алгоритмов самообучения интеллектуального робота в среде первого уровня сложности
Введение к работе
Актуальность темы. Создание и совершенствование принципов управления сложными объектами, разработка эффективных систем принятия решений и построение экспертных систем на основе современных достижений искусственного интеллекта является одним из важнейших направлений развития производства и ускорения научно-технического прогресса.
Актуальность рассматриваемой проблемы подтверждается и бурным развитием исследований в области искусственного интеллекта, а также интенсивным их внедрением в различные сферы человеческой деятельности. Существенный вклад в развитие интеллектуальных систем (ИС) внесли: Аверкин А.Н., Берштейн Л.С., Вагин В.Н., Ефимов Е.И., Журавлев Ю.Н., Зарипов А.Х., Клыков Ю.И., Литвицева Л.В., Левин Д.Д., Любарский Ю.А., Мелихов А.Н., Нариньяни А.С., Поспелов Д.А., Попов Э.В., Тимофеев А.В., Фин В.К., Цаленко М.Ш., Чернухин Ю.В., Яхно Т.М. и многие другие.
Однако несмотря на достигнутые успехи, проблема создания эффективных интеллектуальных систем (ИС) на сегодняшний день остается открытой. Особую актуальность приобретают исследования, связанные с созданием систем, способных принимать решения и целенаправленно функционировать в априорно неописанных проблемных средах (ПС). Это обусловлено тем, что априорное описание закономерностей реальной среды вряд ли возможно с той полнотой, которая необходима для эффективного планирования целенаправленного поведения в реальных условиях.
Цель работы и задачи работы. Целью работы является разработка алгоритмов самообучения и построение программного комплекса для моделирования процессов целесообразного поведения интеллектуальных систем, способных автономно функционировать в недоопределенных проблемных средах (ПС), когда модель среды представляется в виде нечеткой семантической сети (НСС).
Поставленная цель формулирует следующие основные задачи диссертационного исследования:
- построить эффективную информационную модель проблемной среды для представления знаний безотносительно к конкретной предметной области, позволяющую организовать самообучение и принятие решений в сложных динамических проблемных средах на основе имитации целесообразного поведения на НСС;
- разработать методику несмещенной оценки и равенства нечетко выраженных отношений между объектами модели в ПС;
- синтезировать и исследовать процедуры самообучения, позволяющие организовывать целесообразное поведение интеллектуальной системы в априорно неописанных проблемных средах;
- разработать и исследовать процедуры целенаправленного поведения с привлечением механизмов адаптации, обобщения и применения накопленного опыта в сложных проблемных средах;
- разработать пакет программ для моделирования целесообразного поведения ИС, позволяющий определить эффективность использования алгоритмов в различных условиях ПС.
Методы исследования. В процессе решения поставленных задач использованы теория искусственного интеллекта, принципы ситуационного управления, теория четких и расплывчатых множеств, теория графов, математическая логика, теория алгоритмов, теория вероятностей и математического моделирования.
Научная новизна. Для решения поставленных задач разработаны алгоритмы самообучения ИС, наделяющие их способностями изучать различные закономерности ПС и на этой основе организовать целесообразное поведение в априорно неописанных средах.
К основным результатам составляющих новизну проведенного исследования, можно отнести следующее:
-
Предложена оригинальная модель ПС в виде нечеткой семантической сети, отличающаяся от известных наличием вершин, определяющих независимые от ИС события, что позволяет моделировать динамические проблемные среды, и обеспечивать имитацию самообучения ИС в недоопределенных динамических средах.
-
Разработана методика сравнения нечетко представленных отношений в модели ПС, отличающаяся от известных тем, что она позволяет выполнять несмещенную оценку равенства нечетко выраженных показателей и тем самым повысить достоверность сравнения.
-
Синтезированы и исследованы алгоритмы самообучения, позволяющие формировать программы целесообразного поведения в различных проблемных средах, отличающиеся от известных, имитацией отработки пробующих действий на НСС, что дает возможность исключить влияние ИС на ПС в процессе изучения закономерностей среды;
-
Разработаны и исследованы процедуры выбора алгоритмов целесообразного поведения ИС в соответствии с характером закономерностей ПС, установленных в процессе моделирования целесообразного поведения.
-
Разработан пакет программ, позволяющий моделировать целесообразное поведение интеллектуального робота в ПС, и на этой основе определить эффективность применения алгоритмов самообучения в различных условиях проблемной среды.
Практическая ценность работы заключается в возможности использования разработанных алгоритмов целесообразного поведения для самообучения интеллектуальных систем в реальных труднодоступных для человека проблемных средах.
Важной особенностью предложенных информационных моделей представления знаний и алгоритмов целесообразного поведения является их достаточно высокая универсальность, позволяющая использовать эти методы и процедуры для построения решающих систем интеллектуальных роботов; в системах ситуационного управления сложными объектами; для организации планирования движения различных автоматических транспортных средств и т.д.
Реализация результатов работы.
Полученные результаты использованы в учебном процессе при чтении лекций по дисциплине «Интеллектуальные системы» и при проведении курсового и дипломного проектирования.
Апробация работы. Работа в целом и ее отдельные результаты докладывались и обсуждались на Всероссийской научно-технической конференции “Современные информационные технологии в управлении”, 2003г., на III Республиканской научно-практической конференции ДНЦ РАН, 2004г., на научно-технических конференциях Дагестанского Государственного технического университета с 2003 по 2005г.
Публикации. По теме диссертации опубликовано 10 печатных работ, из них 7 статей общим объемом 2.5 п.л.
Структура и объем диссертационной работы. Диссертация состоит из введения, 4 разделов и заключения, изложенных на 140 страницах, содержит 43 рисунка, 41 таблицу, 93 наименования библиографии. Имеется приложение на 65 стр., куда вынесены листинг моделирующей программы, а также акты о внедрении результатов диссертационной работы.
Разработка модели описания образов проблемной среды
Для систематизированного представления предметных знаний все образы ПС по семантическому признаку можно разделить на пять основных списков [15]: ;;
Q = {(li\} h =tnr множество объектов;
Р = {рм},1А = 1,и4 - множество составных частей объектов;
J = {j]5},i.=\n5 - множество свойств или возможностей объектов;
I = {Іі6},ій = \,пй - множество признаков объектов и их составных частей;
И = {hn}J7 = \,щ - множество имен объектов и их составных частей.
Определение 1.1. Объектами называются образы и понятия ПС, имеющие законченный, самостоятельный семантический смысл и содержание (например, автомобиль, станок, дерево решений).
Определение 1.2. Частями объектов называются образы ПС, которые являются составными элементами, определяющими структуру объекта (например, двигатель автомобиля).
В самом о щем случае одно и то же понятие может определять как категорию объекта, так и категорию части объекта, например, понятие "ручка" определяет категорию объекта, если речь идет о пишущей ручке, а не о ручке чемодана и т.д. Иными словами, просматривается многозначность в толковании понятий. Обойти указанную трудность можно, если при представлении объектных знаний ИС многозначные понятия, фактически определяющие составные части сложных объектов, согласно их смысловому содержанию представлять в виде составных понятий (например, дверная ручка).
Определение 1.3, Под свойствами и умениями объектов и их составных частей следует понимать соответственно их функциональное назначение и действия, которые они оказывают друг на друга.
Функциональное назначение объектов определяется типом инструмента, в качестве которого они могут быть использованы в процессе поведения и каким образом осуществляется применение этого инструмента.
Определение 1.4, Признаками частей объектов, а, следовательно, и признаками самих объектов называются образы С (характеристики), которые описывают их форму, химический состав, цвет, геометрические размеры и т.п. і
Определение 1,5, Именами и названиями объектов и их составных частей называются абстрактные биективно соответствующие им понятия, выраженные на формальном языке ИС (возможно естественном).
Определяя на элементах множества объектов Q родовидовыми отношениями, его можно представить как объединение трех подмножеств Q = Q,uQ2uQ3, где Q] = {giS} = Ї Г - множество объектов, определяемых понятием " вид" (например, токарный станок № 3);
{22={Чя},Ц=1,п9 -множество объектов, определяемых понятием "род" (например, птицы);
Qi = {Оле} ю — U«io " множество объектов, определяемых понятием
"класс" (например, животные).
При этом понятие "вид" определяется рядом конкретных индивидуумов, рассматриваемых как идентичные объекты или объекты, различающиеся между собой по несущественным характеристикам.
Согласно определениям 1.1-1.5 каждый объект qneQ описывается при помощи соответствующего множества характеристик Хл, состоящего из трех подмножеств Рл .!лиіІ], т.е. X!l=PnvJdiuLl[.
Следовательно, объект qn по характерным только для него элементам этих подмножеств определяет понятие одного вида. Некоторое множество видов по характерной только для него совокупности описывающих его элементы подмножеств Р(],7(.,м1л объединяется в . список и определяет понятие одного рода. Некоторое множество родов по характерному только для него пересечению описывающих его элементы подмножеств объединяется в список и определяет понятие одного класса.
Организация процесса самообучения на нечетких семантических сетях в средах первого уровня сложности
В средах первого уровня сложности ИС формируются программы целесообразного поведения (ПЦП) в виде простой цепи без различного рода разветвлений. Для этой цели могут быть использованы различные алгоритмы самообучения, выбор которых зависит от динамики протекающих в ПС процессов, К таким алгоритмам можно отнести процедуры с активно-пассивной логикой поведения, с активной логикой поведения; процедуры, связанные с организацией поисково-исследовательской деятельности, т.е. с закреплением ; формируемых программ поведения по новизне воспринимаемых сигналов, или по степени близости получаемых результатов процессе самообучения к достижению цели.
Рассмотрим ПС как множество взаимосвязанных между собой объектов и происходящих независимо от ИС событий О - {q,}, і = 1, п. В каждый
конкретный момент времени t среду можно охарактеризовать текущей ситуацией sTet:eS, определяемой текущими состояниями находящихся в ней объектов и характером отношений между объектами. Часть ситуаций S -множество S = {sj},i = l,n будем называть стандартными (безусловными).
Эти ситуации определяют различные цели и подцели поведения ИС и вызывают у нее при восприятии соответствующие стандартные реакции (СР), связанные с достижением заданной цели siTeK. Под априорно неописанной будем понимать ПС, если:
Заранее не известны закономерности преобразования ситуаций среды, происходящие . в результате отрабатываемых системой действий;
Априорно не задано, каким образом влияют события qi є Q на
изменение ситуаций ПС. Рассмотрим ИС, обладающую зрением и способного изменять ситуации ПС в результате отработки различных действий ЬпеВ. В самом
общем случае, в условиях полной неопределенности, функционирование ИС может базироваться на алгоритмах самообучения (АС) или адаптации, в основе которых заложены метод проб и ошибок и эвристические процедуры, позволяющие сокращать количество отрабатываемых действий в процессе адаптации. Таким образом, задача ИС, способного целесообразно функционировать в условиях неопределенности, сводится к разработке АС, позволяющих формировать программы целесообразного поведения (ПЦП) на основе изучения .различных закономерностей преобразования ситуации ПС.
При этом модель поведения ИС формируется в процедурной форме представления в виде множества следующего содержания: где каждый одношаговый акт поведения, например, s] &blA sllmeK, означает, что при восприятии ИС ситуации s] отработанное им действие 6), преобразует ее в ситуацию si+h.eK.
Таким образом, в самом общем случае, алгоритмы целесообразного поведения ИС могут быть сгруппированы в следующую иерархическую систему, приведенную на рис. 2.1.
Первый уровень этой системы (нижний) определяет различные безусловные программы поведения, отрабатываемые в ответ на восприятие ИС безусловных-.сигналов с, є С2, второй - ПЦП, выработанные при помощи
АС в априорно неописаных условиях ПС, третий - АС, предназначенные для изучения закономерностей преобразования ситуаций ПС и формирования ыа этой основе различных ПЦП, четвертый - процедуры выбора формы и алгоритма функционирования ИС, адекватного сложившимся в ПС условиям и приводящего к достижению заданной цели.
Описание 'и анализ алгоритма самообучения интеллектуальных систем при наличии в среде причинно-следственных связей
Отметим, что цри выполнении в ПС независимых от ИС событий, связанных с появлением в ней соответствующих им сигналов среду следует отнести к классу динамических сред. Иными словами, в такой ПС происходят независимые от интеллектуальной системы преобразования допустимых ситуаций, влияющих на процесс ее адаптации к изменяющимся условиям среды."Следовательно, в процессе самообучения ИС при наличии в ПС причинно-следственных связей, обусловленных выполнением в ней различных по своему содержанию событий, необходимо исключить возможность закрепления в вырабатываемых ПЦП случайных элементарных актов поведения SjTeK&bj-»SU№ формирующихся в результате неверного определения причин изменения ситуаций среды [41].
Для этой цели при разработке алгоритма самообучения необходимо использовать механизмы действия многократного совпадения двух условных сигналов во времени. Приведем один из возможных принципов реализации этого механизма. Введем параметр S, принимающий значения из интервала [ОД] и определяющий степень уверенности ИС в истинности отдельного элементарного акта поведения.; Считаем, что если параметр S для соответствующего элементарного акта поведения в процессе многократной его реализации принимает значение, равное единице, то данное правило отражает закономерное преобразование ПС. В противном случае, при =0 принимается решение о том, что элементарный акт поведения носит случайный характер. Для программы целесообразного поведения, состоящей из к2 решающих правил, значение степени уверенности ИС 5 для эффективного применения этой программы поведения может определяться согласно выражению 5 = mm 5„,,w = l,.,, где „-степень уверенности в истинности w элементарного акта поведения, входящего в структуру искомой ПЦП.
Если у ИС. имеется несколько альтернативных ПЦП 1,єЬ, приводящих к достижению определенного стандартного сигнала, то предпочтение отдается наращиванию и выполнению программы целесообразного поведения с большим значением параметра S , При наличии двух ПЦП с одинаковыми значениями параметра S используется программа, имеющая меньшую сложность реализации.
Для реализации рассмотренного механизма многократного совпадения двух сигналов во времени, необходимо выбрать количество къ повторных совпадений условных сигналов, при котором принимается решение об истинности формируемого элементарного акта поведения. Значение к} можно определить эвристическим путем, опираясь на накопленный опыт поведения или на основе результата опроса экспертов. Зная к2 можно вычислить шаг приращения ASпараметра 8W, как А8 = \/к . Отсюда, удачная отработка действия элементарного акта поведения поощряется увеличением параметра 8 на-.Д т.е. A8 = 8W+A8, в противном случае следует штраф и AS = 8V-A8.
Используя описанный механизм, ИС, наблюдая за происходящими в ПС событиями, принимает следующее решение: если после восприятия условного сигнала siTCK через интервал времени / появляется сигнал я(+іяад_ и данное совпадение проявляется многократно, т.е. для него 8 = 1,то сигнал S;ieK рассматривается как предвестник, появления условного сигнала, на который система реагирует определенным образом. Далее, если сигнал siT№ появляется часто, например, периодически по истечении интервала времени t2, то изменений в характере поведения ИС не происходит. Система ожидает самопроизвольного появления требуемого условного , сигнала sl+imeii и реагирует на него определенным образом согласно ПЦП, в которой закреплен этот сигнал,
В противном случае ИС принимает решение о необходимости достижения одного. из условных сигналов siTCK или sl+[llia. при помощи отрабатываемых, им действий Ъ-}еВ. Цепочки действий, приводящие к появлению условных сигналов siTHt и si+lmeK в среде, ИС формирует на основании алгоритма самообучения 2.2 вырабатывая соответствующие ПЦП.
Моделирование алгоритмов самообучения интеллектуального робота в среде первого уровня сложности
. Результаты моделирования алгоритмов интеллектуального робота при активной логике поведения
Рассмотрим структуру конкретной НСС. Допустим ПС характеризуется следующей текущей ситуацией. Заготовка лежит на стеллаже. Стеллаж расположен на расстоянии ai - 1 м от ИС и а2 - 5м от станка. Подставка находится на расстоянии а3 = 0,2 м от станка и а4 = 5м от ИС. Опишем построение нечеткой модели решения задачи ИР: взять заготовку со стеллажа, положить на подставку и стать рядом со станком. Сначала выделим все данные, необходимые для ввода (SiTeK), данные, необходимые для блока действий (Ь В) и (sucl) - результирующая ситуация для ИР.
Блок ввода включает в себя НСС, описывающую sTeK, действия, с помощью которых робот подойдет к подставке с заготовкой, взятой со стеллажа, описаны во множестве В, и результирующая ситуация, когда робот с заготовкой подойдет к станку. Исходная НСС описана Аналитически граф описывается следующим образом: {ИР (((( 0.4/близко заготовка ) & 0.4/близко стеллаж ) & 1/далеко стаыок ) & 1 /далеко подставка )} & {станок ((«0,2/рядом подставка & 1/далеко стеллаж )} & {подставка (( 0.2/рядом станок ) & 1/далеко заготовка )} где &- конъюнкция, обозначающая одновременность происходящего события; " совсем рядом", "рядом", "близко", "недалеко", "далеко" - термы лингвистической переменной "расстояние". При аналитическом описании НСС выражение, заключенное в фигурные скобки называется отдельным фрагментом сети, а имена объектов, с которых начинаются фрагменты, определяются как ключевые понятия фрагментов. Фрагменты НСС, необходимые для описания ПС достаточного для принятия решений, можно определить эвристическим путем. Например, первый базовый фрагмент строится относительно ключевой вершины сети, помеченной понятием "ИР". Следующие необходимые фрагменты формируются относительно объектов, входящих в структуру заданного на текущий момент времени целевого условия, но над которыми ИС непосредственных действий не выполняет. Третий вид фрагментов строится в процессе функционирования относительно объектов, используемых ИР в качестве вспомогательных инструментов.
