8.2 Стратегии управления выводом.

Стратегия вывода характеризует метод поиска решений, определяет порядок применения и срабатывания правил и, как следствие, эффективность поиска решений.

При разработке стратегии управления выводом важно ответить два вопроса:

1. Как получить начальное решение или выбрать начальные условия для поиска решения? От этого зависит метод осуществления поиска — в прямом или об­ратном направлении.

2. Какими методами можно повысить эффективность алгоритма поиска решения? Эти ме­тоды определяются выбранной стратегией перебора вариантов при поиске решения.

В данном случае могут быть применены следующие методы:

• метод поиска в глубину (backtracking);

• метод поиска в ширину;

• сведение задачи к подзадачам;

• эвристические методы и др.

Покажем на графе, как изменяется метод поиска в глубину/в ширину в зависимости от прямого/обратного вывода.

1) При обратном порядке вывода вначале выдвигается некоторая гипотеза, а затем машина вывода возвращается назад, переходя к фактам, пытаясь найти те, которые подтверждают гипотезу. Если она оказалась правильной, то выбирается следующая гипотеза, детализирующая первую и яв­ляющаяся по отношению к ней подцелью. Затем процесс повторяется. Обратный вывод приме­няется в тех случаях, когда цели известны и их сравнительно немного.

2) В системах с прямым выводом по известным фактам отыскивается заключение, которое из этих фактов следует.

Пример 8.1

Имеется фрагмент базы знаний из двух правил:

П1. Если «отдых — летом» и «человек — активный», то «ехать в горы».

П2. Если «любит солнце», то «отдых летом».

Предположим, в систему поступили факты:

1 - «человек активный»;

2 - «любит солнце».

I. Рассмотрим работу машины вывода при прямом выводе.

1-й проход.

Шаг 1. Последовательный просмотр БЗ: правило П1 не работает (не хватает данных «отдых — летом»).

Шаг 2. Правило П2 срабатывает, в базу поступает факт «отдых — летом».

2-й проход.

Шаг 3. Правило П1 срабатывает, активируется цель «ехать в горы», которая и выступает как совет, который дает ЭС.

II. Рассмотрим теперь алгоритм обратного вывода, требующий подтверждения выбранной гипотезы.

1-й проход.

Шаг 1. Гипотеза — «ехать в горы»: правило П1 не срабатывает, но факт «отдых — летом» стано­вится новой целью, после чего ищется правило, где данная цель выступает в качестве условия.

Шаг 2. Цель «отдых — летом»: правило П2 срабатывает и подтверждает текущую цель, активируя ее.

2-й проход.

Шаг 3. Возвращение к П1, которое срабатывает, подтверждая выдвинутую гипотезу.

Работа машины вывода останавливается.

Тема 9. Представление нечетких знаний в ис.

Для количественного описания знаний предметной области использование традиционного математического аппарата (теория множеств, булева алгебра и др.) оказалось не вполне адекватным, т.к. многие объекты и понятия характеризуются такими отношениями, для которых трудно определить численную характеристику. Эти отношения обычно размыты и не могут быть однознач­но интерпретированы, однако содержат важную информацию (например, «сильный», «красивый», «высокий», «кислый» т.п.).

Кроме того, при принятии решений некоторые высказывания не могут быть интерпретиро­ваны как полностью истинные или ложные. Су­ществуют знания, достоверность которых выражается некоторой вероятностью.

Для решения таких проблем в начале 70-х американский ма­тематик Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики (fuzzy logic). Это направление получило широкое рас­пространение в задачах искусственного интеллекта, распознавания образов, классификации реальных объектов.

Вычисления на основе нечеткой логики получили название мягкие вычисления (soft computing).

Одно из главных понятий в нечеткой логике — понятие лингвисти­ческой переменной.

Лингвистическая переменная (ЛП) — это переменная, значение которой определяется набором словесных характеристик некоторого свойства, образующих нечеткое множество (fuzzy set).

Например, ЛП «рост» задается множеством:

«рост» = {карликовый, низкий, средний, высокий, очень высокий}.

Нечеткое множество, характеризующее ЛП, определяется на некото­ром базовом наборе значений или базовой числовой шкале, имеющей размер­ность. При этом значение ЛП определяется как нечеткое множество.

Нечеткое множество в свою очередь определяется через некоторую базовую шкалу В и функцию принадлежности (x), хВ.

Допускается и такое математическое описание:

,

где х_i - значение базовой шкалы.

Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству. Это отличает ее от вероятности.

Например, для двух экспертов определение нечеткого множества «Высокая» для ЛП «Цена ПК» в условных единицах может существенно отличаться в зависимости от социального и финансового положения.

1 эксперт = {50/1 + 25/0.8 + 10/0.6 + 5/0.4}

2 эксперт = (25/1 + 10/0.7 + 5/0.5}