Механизм вывода решений и рекомендаций в ИИС.
Механизм вывода реализует общую встраиваемую схему поиска решений. Стратегии управления обеспечивают разнообразное управление в рамках принятой для данной системы схемы механизма вывода. То есть, стратегия управления определяет последовательность и содержание действий при реализации механизма вывода. Она может составлять часть метауровня знаний, т.к. является знанием, которое рассуждает о другом знании, содержащимся в системе.
Наиболее часто реализуемый вариант структуры взаимодействия решающих компонентов систем искусственного интеллекта включает БЗ, рабочую область и управляющую структуру.
Механизм вывода в ИИС в некоторой степени является отражением структуры базы знаний и работает следующим образом. После получения управления от планировщика активизируется верхний уровень базы знаний. Метаправила определяют тип запроса к базе знаний и формируют цель поиска. Затем определяется пакет правил в базе правил, который должен быть активизирован. Т. е. выбор осуществляется метаправилами. После этого управление получает пакет правил, который является традиционной продукционной системой.
Механизм вывода в пакете правил состоит из трех этапов: сопоставления правил, разрешения конфликтов (выбора правила) и выполнения правила. Сопоставление заключается в сравнении антецедентов правил с текущим состоянием модели мира системы. Точнее говоря, происходит сравнение с фреймами-экземплярами элементарных образцов из левой части правил. В результате выполнения этого этапа образуется конфликтное множество, состоящее из правил, левые части которых сопоставились с фреймами-экземплярами из ММС.
|
|
На этапах разрешения конфликтов и выбора конфликтное множество усекается до одного правила на основе системы приоритетов, которая определяет стратегию вывода. На этапе выполнения правила происходит выполнение правила, заключающееся в осуществлении действий из правой части правила, выбранного на этапе разрешения конфликтов. После этого происходит переход к новому этапу сопоставления и процедура будет циклически продолжаться либо до достижения цели (сформированной метаправилами), либо до тех пор, пока в конфликтном множестве не останется ни одного правила. После выполнения одного из этих условий управление возвращается на верхний уровень базы знаний. На этом уровне метаправила определяют, достигнута ли цель. Если не достигнута, то определяется новый пакет правил, выполнение которого может привести к достижению цели. Если же такого пакета нет или цель достигнута, то происходит передача управления планировщику.
|
|
Механизм логического вывода в ИИС может быть запущен по двум причинам. В первом случае причиной является поступление запроса от пользователя на выдачу рекомендаций по действиям в сложившейся производственной ситуации. Во втором случав причиной служит появление информации об объектах из РБД ИСУП. В этом случае механизм вывода запускается по инициативе ИИС, осуществляющей режим слежения за ходом производственного процесса и при необходимости дающей пользователю рекомендацию или сообщение. Т. о. повышается оперативность и качество принимаемых решений.
Прогнозирование ситуаций и состояния объекта при диспетчерском управлении производством
Прогнозирование, в общем случае, это процесс выявления общих закономерностей развития, установления тенденций этого развития, вероятностных, количественных и качественных сдвигов, определения наиболее эффективных направлений воздействия на систему.
Прогноз - это вероятное научно обусловленное утверждение о будущем развивающейся системы; суждение о состоянии какого-либо объекта, процесса или явления к определенному моменту времени в будущем. Он не является директивой, но дает набор альтернатив, область рациональных решений.
|
|
Любой прогноз по ряду причин имеет вероятностный характер. В каждом прогнозируемом процессе или явлении всегда присутствуют и в различной мере проявляются три составляющие: детерминированная, поддающаяся точному расчету на любой период времени; вероятностная, случайная, статистическая точность предсказаний которой зависит от установления вероятности закономерности процесса развития; неопределенная, принципиально не поддающаяся предсказанию с позиций современного уровня знаний. Однако здесь необходимо отметить, что в настоящее время реализуются методы и средства учета неопределенной составляющей. Например, имитационное моделирование, которое и возникло как средство исследований на компьютере протекания процессов во времени с вводом в нужный момент случайных воздействий. Кроме того, неопределенность, не связанную со стохастикой, а привносимую другими факторами (в частности, при моделировании и прогнозировании трудноформализуемой информации или действий человека при управлении процессом) возможно учитывать и моделировать, опираясь на экспертную информацию и используя такое эффективное и мощное средство, как аппарат теории нечетких множеств.
|
|
В настоящее время имеется большое количество методов прогнозирования, начиная от общенаучных, свойственных для всех наук, и кончая частными, применимыми только для решения конкретной задачи. Каждый из методов имеет свои особенности в зависимости от цели его использования и уровня проводимых исследований.
В большом многообразии методов прогнозирования можно выделить следующие их группы: экстрансляционные методы, адаптивные методы, статистические методы, методы экспертных оценок, методы математического моделирования [60].
Экстраполяционные методы основаны на выявлении тенденций прогнозируемой системы и их экстраполяции в будущее. Эти методы основываются на предположении о неизменности факторов, определяющих развитие изучаемого объекта, и заключается в распространении закономерностей развития объекта в прошлом на будущее. Они во многом сходны с методами прогнозирования по регрессионным моделям, однако имеют и свои специфические особенности, связанные с методами предварительной обработки прогнозируемого временного ряда приведения его к виду, удобному для прогнозирования, или так называемого сглаживания временного ряда. После сглаживания временного ряда подбирают апроксимирующую функцию и определяют ее параметры. Основными методами определения параметров являются метод средних и метод наименьших квадратов. К группе экстрансляционных методов относятся также экстраполяция и интерполяция с использованием полиномов.
Адаптивные методы прогнозирования основаны на том, что процесс реализации их заключается в вычислении последовательных во времени значений прогнозируемого показателя с учетом степени влияния предыдущих уровней. К ним относятся методы скользящих средних и экспоненциального сглаживания, обеспечивающие постоянную корректировку экстраполяционной формулы в соответствии с новыми данными о фактическом значении прогнозируемого параметра; метод гармонических весов; метод авторегрессионных преобразований.
Инструментом прогноза при адаптивном методе является модель. Первоначальная оценка параметров этой модели базируется на исходном временном ряде, который применяется и для последующей корректировки полученных параметров.
К статистическим методам можно отнести все виды регрессивного, корреляционного и факторного анализа, метод Байеса. Отметим, что некоторые исходные предпосылки использования статистических методов, а именно стохастическая независимость отдельных наблюдений (т.е. независимость значения данного наблюдения от значений предыдущего и последующего наблюдений) и линейность уравнений кривой относительно своих параметров объективно не всегда выполнимы. Это делает невозможным применение данных методов для прогнозирования развитых сложных систем, имеющих большое число сильно взаимосвязанных и взаимовлияющих элементов.
Что касается метода на основе байесовского подхода, то он основывается на допущении, что для любого события или утверждения имеется (пусть очень незначительная) априорная вероятность того, что оно истинно. Это дает возможность производить вычисления. То есть если есть априорная вероятность некоторой гипотезы, то должна иметься некоторая совокупность данных, подтверждающих наше предположение. Если бы этих данных не было, то эта априорная вероятность оставалась бы всегда неизменной. Однако при наличии связанных с событием данных и сведений можно модифицировать априорную вероятность для получения уже апостериорной вероятности той же гипотезы с учетом новых текущих данных. Иными словами, байесовский подход позволяет вычислять относительное правдоподобие конкурирующих гипотез исходя из влияния сопутствующих свидетельств.
При применении байесовского метода к краткосрочному прогнозированию, основываются на гипотезе о том, что исследуемый временной ряд генерируется не одной, а несколькими простейшими вероятностными моделями поочередно, т.е. речь идет о построении модели со множеством состояний. Причем переключение с одного состояния на другое является вероятностным процессом и соответствует то появлению увеличенных случайных возмущений, то ступенчатым изменениям уровня ряда, то скачкам в динамике их роста. При таком подходе события, имеющие случайный характер, получают ясное отражение в модели, а последовательно поступающие данные используются для подсчета апостериорных вероятностей и анализа ситуаций. Методы экспертных оценок применяются при прогнозировании качественных скачков в поведении системы, при использовании описательной информации или в случаях, когда применение количественных методов прогнозирования затруднено или невозможно. Эти методы основываются на получении прогнозов путем обработки мнений (оценок) экспертов. Существуют следующие основные методы экспертных оценок: методы ранжирования, прямого нормирования, последовательных предпочтений, прямых попарных сравнений, метод Дельфи, метод "мозгового штурма", метод аналогий, построение сценариев.
При использовании методов экспертных оценок для получения прогнозов опираются на знания, интуицию и опыт квалифицированных специалистов.
Но более эффективное использование знаний и опыта специалистов-экспертов возможно в рамках интеллектуальных (или экспертных систем). Необходимо отметить, что помимо рассмотренных в предыдущих главах интеллектуальных возможностей ЭС, одной из наиболее существенных является прогнозирование. Однако до настоящего времени прогнозирование в рамках ЭС и ответ на вопрос "ЧТО, ЕСЛИ" осуществлялось на основе эвристик в БЗ с так называемыми коэффициентами уверенности их реализуемости и проявления. Существуют знания, достоверность которых, скажем, 0,8. Такую ненадежность в технике и теории управления представляют вероятностью, подчиняющейся законам Байеса. Коэффициенты уверенности идут от вероятностей, но между ними есть и отличия.
При применении методов на базе байесовской логики возникают трудности с получением большого числа данных, необходимых для определения условных вероятностей. На практике делается предположение о независимости наблюдений, что, видимо, влияет на строгость статистической модели.
Одним из методов, применимых как для прогнозирования, так и для решения различных технико-экономических и управленческих задач, является имитационное динамическое моделирование [64]. Основы этого метода были разработаны Дж. Форрестером. Имитационное динамическое моделирование применяется преимущественно для долгосрочных и глобальных прогнозов, т.к. для своей реализации требует достаточно много машинного времени, что неприемлемо при оперативном прогнозировании. Этот метод в силу особенности подхода позволяет прогнозировать как количественные так и качественные факторы, что выгодно отличает его от других методов (за исключением методов ИИ, где также возможна работа с качественной информацией).
Имитационные динамические модели используют специфический аппарат, позволяющий отразить причинно-следственные связи между элементами системы и динамику изменения каждого элемента.
Рассмотренным методам и моделям прогнозирования присущ, помимо прочих названных, недостаток, который делает их использование при оперативно-диспетчерском управлении и мониторинге производства проблематичным. Этот недостаток связан с необходимостью значительных временных затрат на получение прогноза.
Для того, чтобы реализовать прогнозирующие функции в системах принятия и поддержи решений при оперативном управлении, v нами предлагается подход к прогнозированию, совмещающий достоинства имитационного подхода и интеллектуальных систем, и позволяющий получать оперативные прогнозы по производственным и критическим ситуациям в приемлемое время. Оперативный прогноз получают на имитационной прогнозирующей модели, структурно включенной в ИИС диспетчерского управления и планирования.
Дата добавления: 2018-10-26; просмотров: 272; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!