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!

Поделиться с друзьями:

---

---

Мы поможем в написании ваших работ!