Методология построения гибридных информационных интеллектуальных систем поддержки принятия решений на основе параметрических логик в слабо структурированных предметных областях

• Автор: Титова, Нина Владимировна
• Шифр специальности: 01.01.09
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Москва
• Количество страниц: 133 с. : ил.

ГЛАВА 1: Методология создания систем поддержки принятия решений для слабо структурированных ситуаций и основные концепции создания гибридных

информационных интеллектуальных систем

1Л Методологические проблемы создания систем поддержки принятия решений для слабо структурированных ситуаций

1.2 Использование нечетких множеств в СППР для слабо формализованных ситуаций

1.2Л. Формализация качественных знаний

1.2.2. Алгебраические свойства операций с нечеткими подмножествами на базе Т-норм

1.3 Обзор средств и методов построения систем искусственного интеллекта

1.3.1. Формальные модели представления знаний в интеллектуальных системах

1.4 Обзор существующих моделей гибридных информационных интеллектуальных систем (ГИИС)

1.4.1. Классификация ГИИС

ГЛАВА 2: Методы и алгоритмы построения и анализа нечеткой когнитивной модели слабо структурированной ситуации; методы и алгоритмы построения и анализа нечеткой иерархической модели слабо структурированной ситуации
2.1 Методология нечеткого когнитивного моделирования слабо структурированной ситуации
2.1.1. Понятие нечеткой когнитивной карты
2.1.2. Прямая задача когнитивного процесса
2.1.3. Обратная задача когнитивного процесса
1.2 Нечеткая иерархическая модель слабо структурированной предметной области50
2.2.1. Основные этапы определения коэффициентов важности объектов в иерархических системах
2.2.2. Методы определения коэффициентов важности альтернатив
2.2.3. Упорядочение объектов в иерархических системах на основе нечетких отношений с интенсивностью предпочтений
ГЛАВА 3: Методология построения гибридной модели слабо структурированной ситуации на основе интеграции нечеткой когнитивной модели и нечеткой иерархической модели представления слабо структурированной ситуации
3.1 Согласование шкал факторов когнитивной модели и модели иерархии
3.2 Описание процесса построения интегрированной модели
ГЛАВА 4: Описание программного комплекса интегрированной системы поддержки принятия решений в слабо структурированной ситуации
4.1. Основные задачи, решаемые программным комплексом
4.2 Работа с программным комплексом
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

Первые исследования в искусственном интеллекте были направлены на попытки моделирования и представления ситуации некоторым одним методом искусственного интеллекта, т.е. осуществлялось выделение из понятия "интеллект" какого-либо свойства и развития соответствующих формальных моделей. "Грандиозные притязания ИИ 80-х годов, основанного на базах правил, кажется, потерпели неудачу, в том числе и потому, что практики отказываются понимать или признавать ограничения их автономного метода ... нет единственного, окончательного метода, который объяснит или решит сложные задачи ...вместо этого имеется некоторое количество инструментальных средств и моделей, используемых при различных обстоятельствах" [15]. Поэтому была сформулирована новая парадигма ИИ: "Исследования по ИИ должны переместиться из их традиционного фокуса на индивидуальных схемах. Многосторонность, в которой мы нуждаемся, может быть найдена только в универсальных архитектурах, использующих и управляющих преимуществами различных представлений одновременно. Тогда каждый может быть использован, чтобы преодолеть несовершенства других" [26]. Это позволяет считать интеграцию и децентрализацию знаний наиболее важными тенденциями ИИ в ближайшем будущем в целях решения задач СППР. Различные аспекты проблемы обоснования решений в системах рассматриваются как с помощью количественной оценки факторов в рамках моделей исследования операций, так и с помощью качественного анализа взаимовлияния системообразующих факторов исследуемой предметной области в рамках теории принятия решений. Важным инструментом обоснования рекомендаций является моделирование, однако его использование предполагает не только наличие хорошо развитой методологии исследований, но и весьма сложного комплекса моделей развития ситуации в исследуемой предметной области, анализа конфликтов, принятия решений и т.д. С другой стороны, основой решения подобных проблем является анализ ряда трудно формализуемых задач с использованием экспертной информации. По этой причине для решения указанных проблем предлагается использовать подход, базирующийся на объединении различных моделей представления знаний в теории принятия решений. Использование нечеткой логики на базе параметрических Т-норм позволяет адаптировать систему на логику эксперта и оптимизировать процесс обработки экспертной информации. Для решения указанных задач, предлагается использовать подход, базирующийся на объединении различных моделей представления знаний на основе параметрических Т-норм. Работа направлена на интеграцию различных атрибутов интеллекта в целях компенсации недостатков и

объединения преимуществ разнородных моделей для разработки объектов с синергетическим эффектом, используемых для решения неоднородных задач в СППР, генерирующих и оценивающих альтернативы, прогнозирующих последствия
предполагаемых решений, выбирающих лучший вариант, и согласовывающих групповые решения. Огромный вклад в теорию и практику СППР внесли Г.С.Поспелов, О.И.Ларичев,
Н.Н.Моисеев, А.А.Самарский, В.Н.Бурков, Э.А.Трахтенгерц, Д.А. Поспелов и другие. Необходимо отметить также, что огромный вклад в разработку методов анализа экспертной информации внесли Г.С. Поспелов, С.П. Макеев, И.Ф. Шахнов, Т. Саати, С.А. Орловский, Л. Негойце, Д. Ралеску, А.Н. Аверкин и др.
На множестве моделей может быть построена синергетическая структура, использующая различные модели, для решения сложной задачи, т.е. интегрированная или гибридная информационная интеллектуальная система (ГИИС). В ГИИС осуществляется интеграция фундаментальных аналитических знаний со знаниями и технологиями искусственного интеллекта, такими как экспертные системы, генетические алгоритмы, искусственные нейронные сети, аппарат нечеткой логики, многоагентные системы и др. Тем самым обеспечивается многоаспектность исследования и принятия решений. Однако, на данный момент, отсутствуют концептуальные модели и формализм интегрированных систем, также существует нехватка методов разработки гибридных систем. В представленной работе разрабатываются принципы и методология разработки подобных систем в слабо формализуемых предметных областях, а также исследуется возможность объединения моделей представления знаний в теории принятия решений.
Целью диссертационной работы является разработка методологии и принципов построения концепции интегрированной модели представления знаний в системах поддержки принятия решений, а также разработка алгоритмов анализа и выбора наилучшего решения для трудно формализуемых задач с использованием экспертной информации. Для достижения поставленной цели были проанализированы и разработаны:
• Математические методы построения интегрированной модели представления знаний в слабо структурированных предметных областях на основе нечеткого когнитивного и иерархического моделирования;
• методы и алгоритмы анализа нечеткой иерархической модели ситуации и математическая постановка задачи определения коэффициентов важности объектов методом решающих матриц при нечетких исходных данных;

2. Вычисляется вектор суммарных приращений Р1, = (р£рЕ„), гдер1, = sign(p,max-Pi max ’) таx(Pi max +, Pi max ), Pi max + = maX (Pi* (t+j)) - МаКСИМЭЛЬНОе ПОЛОЖИТеЛЬНОе
1 <,j<.n
приращение, a A max' = max (рм (t+i)) - максимальное отрицательное приращение,
l^j определенные на п шагах вычисления прогноза развития ситуации.
3. Вычисляется вектор когнитивных консонансов суммарных приращений
, Z Z 1 L Pimax Pi тах
С = (с ь •••, С „) по формуле: с ук=— г~
Pi max "^|-P/max )
Тогда искомое состояние ситуации jf(t+n), соответствующее суммарному приращению на п шагах, определится из соотношения Xs(t+n) =X(t) 1Р1.
2.1.3. Обратная задача когнитивного процесса
Обратная задача - это задача нахождения управляющих воздействий, которые дают требуемое приращение значений факторов ситуации. Решение этой задачи позволяет выработать рекомендации по принятию мер, позволяющих изменить текущую ситуацию в требуемом направлении.
В формулировке обратной задачи - в отличие от прямой задачи - моменты времени не участвуют. Это объясняется тем, что неважно, в какой момент требуемое приращение будет достигнуто. При поиске решения просматриваются пути распространения влияний, имеющие различную длину. Наличие таких путей, т.е. причинно-следственных связей между различными факторами (вместе с их весами), определяет отношение между факторами ситуации, задаваемое матрицей H^=|w,y|„w . Частным случаем такого отношения является использовавшаяся при решении прямой задачи матрица смежности W когнитивной карты, которая задает пути длины 1, т.е. непосредственные влияния. Для решений обратной задачи будем использовать другой важный частный случай отношения W* - транзитивное замыкание W = I w'чI матрицы смежности W: w’y = max(Wjj , (wjj)2,
...,(гг,у)и),где элемент (Vij)k матрицы , к = 1, 2, ..., п определяется из соотношения: (Wj/= max (w,i *(wij)k A).
Теперь сформулируем точную постановку обратной задачи:
Заданы причинно-следственные связи между факторами в виде матрицы транзитивного
замыкания W и целевой вектор требуемых приращений значений факторов ситуации
G=(gi, g2, gn). Задача заключается в нахождении множества векторов входных
воздействий Q ={IJ}, таких, что для всех Ue£2 выполняется неравенство U°W Решения обратной задачи находятся путем решения матричного уравнения U°W=G