Сидорук Андрій Васильович

Сучасні інформаційні технології,обчислювальна техніка та програмування

Сидорук Андрій Васильович

Чернівецький національний університет імені Ю. Федьковича

ІНТЕЛЕКТУАЛЬНІ СИСТЕМИ НА ОСНОВІ НЕЧІТКИХ ДИНАМІЧНИХ ВЗАЄМОДІЮЧИХ ПРОЦЕСІВ

Ефективні рішення в інтелектуальних системах (ІС) різних предметних областей вимагає оперативного обліку багатьох часто суперечливих факторів. До них в першу чергу варто віднести: істотно нечіткий характер взаємодіючих динамічних процесів та великого простору їхніх станів; складна паралельно-послідовна взаємодія процесів в умовах невизначеності; значна складність реалізованих завдань; значна вага людського фактору, що багато в чому визначає якість і рівень сучасних рішень. Тобто основну увагу ІС приділяють розв’язку неформалізованих або важкоформалізованих задач.

Важливою складовою ІС є Computational Intelligence (CI), що включає, на думку L.A.Zadeh і його школи основні напрямки: штучні нейронні мережі; нечіткі (фаззі) системи; генетичні алгоритми; нейро-фаззі, фаззі-нейро системи; нейро-фаззі гібридні системи; мульти-агентні системи.

Але до них не входять задачі, для котрих відома процедура розв’язування. Тобто основну увагу ІС приділяють розв’язку неформалізованих або важкоформалізованих задач. До складних завдань відносять такі задачі, котрі відповідають одній чи кільком наступним умовам: розв’язок таких задач не може бути зведений до числових розрахунків; алгоритмічне рішення таких задач невідоме, чи його не можна використати за обмеженістю комп’ютерних ресурсів; цілі, для котрих розв’язуються ці задачі, не можуть бути виражені в термінах точно визначеної цільової функції. Важко формалізованим задачам притаманні наступні особливості: неповнота, неточність, суперечливість та помилковість вихідних даних і знань як про предметну область, так і про розв’язувану задачу; велика розмірність простору можливих рішень, що робить неможливим пошук розв’язку задачі шляхом повного перебору всіх наявних варіантів; динамічна зміна вихідних даних в процесі розв’язування задачі.

При розробці ІС намагаються досягти одну чи кілька цілей. Серед них поширеними є усунення дефітциту експертів. Наступною метою при розробці ІС також є розв’язок важкоформалізованих задач в реальному масштабі часу. Наприклад в середовищі ворожому для людини, у відкритому космосі чи в зоні радіоактивного зараження. В цьому випадку ІС можуть бути частиною системи керування роботом, що діє автономно.

Головне поняття нечітких систем – нечітка підмножина. У класичній математиці ми знайомі з тим, що ми викликористовуємо чіткі множини. Нечітка логіка – надсножина стандартної (булевої) логіки, що була розширена до поняття часткової істини – значення істинності між "повністю правдивий" та "повністю помилковий". Це було представлено доктором Лотфи Заде з UC/Berkeley в 1960-их як спосіб моделювання невизначенності природної мови. Заде говорить, що не треба оцінювати нечітку теорію як одиночну теорія. Ми повинні розцінити процес "нечіткості" як методологію. Щоб узагальнити будь-яку специфічну теорію із чіткої (дискретної) до безперервної (нечіткої) форми (див. "принцип розширення" в [5]). У такий спосіб дослідники також представили "нечітке обчислення", "нечіткі диференційно-різницеві рівняння", і так далі. Можливість використання нечітких множин, щоб зробити комп’ютери більш інтелектуальними. Нечіткі контролери – найбільш важливі додатки нечіткої теорії. Вони працюють досить відмінно ніж стандартні контролери; експертне знання використається замість диференційно-різницевих рівнянь, щоб описати систему. Це знання може бути виражене в дуже природному способі використати лінгвістичні змінні, які описані розмитими множинами. На основі вищесказаного будуються інтелектуальні системи, використовуючи, в своїй основі , нечіткі динамічні взаємодіючі процеси.

Властивість приймати правильні рішення в обстановці неповної та нечіткої інформації є очевидною для людського інтелекту. Побудова моделей наближених роздумів людини та використання їх в комп’ютерних системах майбутніх поколінь являє собою сьогодні одну з найважливіших проблем науки [1]. В точних науках дослідник оперує точними, часто ідеалізованими поняттями, що в практичних додатках іноді спотворює і навіть знецінює результати класичної математики. Необхідність прийняття рішень в умовах обмежених ресурсів, невизначеності, неточності, нечіткості в ряді практичних додатків у більшості випадків приводить до незастосовності точних класичних підходів. Теорія нечітких множин – це крок на шляху до зближення точності класичної математики й неточності реального світу, до зближення, породженого людським прагненням, що не припиняється, до кращого розуміння процесів мислення й пізнання [2].

Для багатьох процесів що існують в умовах істотної невизначеності, нечіткості, донедавна пропонувалися детерміновані або, принаймні імовірнісні підходи, керування, що часто доповнюють адаптивними контурами. Тобто підходи реалізовані на основі детермінованих чи стохастичних моделей. Дослідженню таких об'єктів приділялася велика увага, були отримані важливі для теорії й практики результати, наприклад [3], по актуальних питаннях сучасної теорії оптимального керування й побудові систем. Таким чином, інколи, навіть в умовах істотно нечітких процесів, пропонувалися підходи й математичні апарати, які частково враховували специфіку процесів і об’єкта в цілому, що знижувало ефективність систем і приводило навіть до їхньої принципової непридатності для функціонування в реальних умовах при високому професіоналізмі розроблювачів.

Назріла необхідність розробки нових підходів і інтелектуальних обчислювальних технологій обробки інформації. Значне просування в даному напрямку зроблено професором Каліфорнійського університету (Берклі) Лотфі А. Заде (Lotfi A. Zadeh). Його робота “Fuzzy Sets”, що з’явилась в 1965 р. в журналі Information and Control, №8, заклала основи моделювання інтелектуальної діяльності людини і стала початковим етапом до розвитку нової математичної теорії. L.A.Zadeh заснував теорію, на нечітких множинах про процеси і явища [4]. Також слід відмітити внесок таких вчених, як: R.R.Yager, M.Sugeno, Е.Н.Mamdani, A.Kaufmann, H.P.Lipp, W.Pedrycz, А.Н.Борисовый, Д.А.Поспєлов, И.Б.Сироджа, та інших. Останнім часом опубліковано багато робіт, що створюють теоретичну, методологічну й практичну базу ефективного використання й розвитку теорії нечітких множин, систем обчислювального інтелекту і їхніх додатків.

Можна відмітити ряд обставин що призводять до необхідності робіт з вивчення й використання моделей і рішень на основі нечітких процесів. Обставини згідно [1] наступні: не всі цілі керування об’єктом можуть бути представлені у вигляді кількісних співвідношень; між деякими параметрами, що впливають на процес керування, не вдається або дуже складно встановити точні кількісні залежності; керування є багатокроковим або багато етапним, а зміст кожного кроку й етапу не завжди може бути заздалегідь однозначно визначено; існуючі описи й подання занадто громіздкі і їхнє практичне використання неможливе; об’єкт і процеси розвиваються у часі, що вимагає змін законів керування, а їхній зміст неточно чи нечітко представлено; мета змісту об’єкта не завжди чітко й кількісно виражена.

Невизначеність, випадковість включають у загальному випадку наступні складові:

  1. події або стан середовища, обумовлені випадковістю. Ці процеси можуть бути представлені апаратом теорії стохастичних процесів і теорії ймовірностей;
  2. явища, що не піддаються аналізу й виміру з наскільки завгодно великою точністю. Ці процеси можуть бути представлені на основі принципу невизначеності, що застосовано у квантовій механіці.

Нечіткість включає наступні складові:

  1. нечіткість як наслідок суб'єктивності або індивідуальності людини. Ці процеси можуть бути представлені апаратом теорії нечітких множин та її практичних додатків;
  2. нечіткість або невизначеність у процесах мислення або розумового висновку: нечіткий або неточний висновок. Ці процеси можуть бути представлені апаратом теорії нечіткого або наближеного міркування й висновку;
  3. неясність внаслідок складності чи різноманіття висновків. Ці процеси можуть бути представлені на основі підходів моделювання пізнання.

Процеси, невизначені внаслідок структурної складності чи різноманіття інформації, можуть бути представлені на основі нечіткого структурного моделювання. Деякі характеристики об’єктів недоступні для кількісних оцінок і можуть бути представлені лінгвістично.

Використання нечіткого керування прийнятне: для дуже комплексних процесів, коли немає простої математичної моделі; для дуже нелінійних процесів; якщо обробки (лінгвістично сформульованого) експертного знання повинна виконатися. Використання нечіткого керування немає змісту якщо: стандартна теорія керування дає задовільний результат; легко розв’язна й адекватна математична модель уже існує; завдання не розв’язне.

Необхідно розглядати стан нечітких динамічних взаємодіючих процесів, як наслідок нечіткості або неясності породжених індивідуальністю людини в процесах мислення або розумового висновку. Акцентувати увагу на нечіткість процесів в умовах наперед визначених рамок та розширення аналітичних можливостей за рахунок комплексного підходу внутрішньої реалізації.

Визначимо деякі вимоги до нечітких моделей. Унікальною особливістю таких моделей є те, що вони повинні забезпечувати гнучку стратегію обробки різнорідних динамічних взаємодіючих процесів, які представляють дані й знання в істотно нечіткому просторі станів об’єктів аналізу. Динамічні взаємодіючі процеси описуються як числовими, так і лінгвістичними змінними.

У зв’язку із цим можна стверджувати, що нечіткі моделі орієнтовані на моделювання конструкцій, для яких характерно [5]:

  1. функціонування на рівні лінгвістичних термів (нечітких множин);
  2. характеристики системи можуть бути зображені в тому ж лінгвістичному форматі;
  3. конструкції представляють і обробляють невизначеність.

Згідно [5] деяка система може бути представлена рядом нечітких моделей залежно від ступеня деталізації нечітких множин, які використовуються для створення спеціалізованої моделі із середовищем моделювання. Ступінь деталізації лінгвістичних уявлень (міток) становить об’єкт досліджень;

Перетворення цієї зовнішньої форми інформації у внутрішній формат, що використається в нечіткій моделі, реалізованої через різні процедури відповідності, є актуальним завданням. Часто ці процедури залежать від можливості придбання даних і знань, а також потреб користувача. Такі перетворення звичайно здійснюються за допомогою функций приналежності й процедур дефаззіфікації [4]. Щодо класифікації інтелектуальних систем, то існують різні підходи. У літературі [1, 3, 4] пропонується опис і деякий аналіз існуючих нечітких моделей. Підсумуємо деякі істотні класи нечітких моделей, серед яких варто виділити моделі на основі: табличних подань; нечітких реляційних рівнянь; нечітких граматик; правил продукцій; систем, що грунтуються на знаннях; локальних моделей регресії; систем машинного навчання; штучних нейронних мереж і нечітких нейронних мереж; нечітких мереж Петрі.

Література:

  1. Згуровский М.3., Мельник B.C. Нелинейный анализ и управление бесконечномерными системами. – К.: Наукова думка, 1999. – 368 с.
  2. Zadeh L.А. в предисловии к книге A. Kaufmann "Introduction a la theorie des sous-ensembles flous" 1972. – 343с.
  3. Сейдж Э.П., Уайт Ч.С., ІІІ. Оптимальное управление системами: Пер. с англ. / Под ред. Б.Р. Левина. - М.: Радио и связь, 1982. – 392 с.
  4. Tsoukalas L.H., Uhrig R.E. Fuzzy and Neural Approaches in Engineering. - New York: John Wiley&Sons.Inc, 1997. – 587 p.
  5. Кофман А. Введение в теорию нечетких множеств: Пер. с франц. - М.: Радио и связь, 1982. – 432 с.

Стаття створена 26.02.2010 (оригінал). Опублікована 30.09.2018

Назад

TerminalCoin

2018-10-29 09:10:05