Методы принятия решений и управления в неструктурированных задачах на основе самоорганизующихся мультиагентных рекурсивных когнитивных архитектур

• Автор: Нагоев, Залимхан Вячеславович
• Шифр специальности: 05.13.01
• Научная степень: Докторская
• Год защиты: 2014
• Место защиты: Таганрог
• Количество страниц: 266 с. : 38 ил.

Оглавление
Введение
Глава 1. Анализ основных моделей и методов принятия решений и управления в неструктурированных задачах реального мира
1.1. Неструктурированные задачи реального мира
1.1.1. Частично наблюдаемая динамическая непрерывная эпизодическая стохастическая среда
1.1.2. Неопределенность и нелинейность
1.1.3. Неявная структура неструктурированных задач
1.2. Автономные интеллектуальные системы принятия решений
1.2.1. Системы «классического» искусственного интеллекта
1.2.2. «Мягкие» формализмы
1.3. Интеллектуальное принятие решений на основе когнитивных архитектур и моделирования рассуждений
1.3.1. Адаптивное поведение
1.4. Принятие решений на основе моделирования процессов самоорганизации
1.4.1. Мультиагентные системы принятия решений
1.4.2. Моделирование коммуникации и проблема обоснования символов
1.4.3. Моделирование семантики на основе мультиагентных моделей искусственной жизни
1.4.5. Автоматные модели мультиагентного принятия решений
1.4.6. Принятие решений как движение к аттракторам мультиагентной системы
1.4.7. Обмен энергией и информацией в самоорганизующихся МАС и решение задач на основе контрактных обязательств
1.5. Универсальные решатели на основе саморазвивающихся мультиагентных когнитивных архитектур
1.6. Коллективное решение неструктурированных задач открытыми социогехническими системами
1.7. Выводы
Глава 2. Теоретические основы разработки автономных самоорганизующихся интеллектуальных систем принятия решений и управления в неструктурированных задачах реального мира
2.1. Системный анализ неструктурированных проблем реального мира
2.1.1. Сущность и формы представления неструктурированных задач
2.1.2. Процессы избирательного отражения действительности на основе нейроморфологических моделей семантики неструктурированных задач
2.1.3. Интеллектуальный агент как основная метафора проектирования систем автономного принятия решений в неструктурированных задачах реального мира
2.2. Системный анализ автономного интеллекта
2.2.1. Наблюдатель и системогенез интеллекта
2.3. Вычислительная абстракция интеллекта
2.3.1. Субоптимальный поиск решений на основе целенаправленного адаптивного поведения
2.4. Оценки времени выполнения поиска субоптимального пути в дереве решений и вычислительные эвристики интеллекта
2.4.1. Эвристика применения знаний
2.4.2. Системная сущность и эвристика онтонейроморфогенеза
2.4.3. Группа эвристик инварианта интеллектуальной
когнитивной архитектуры

2.4.4. Мультиагентные рекурсивные когнитивные архитектуры и эвристика
коллективного интеллекта для решения неструктурированных задач
2.4.5. Эвристика мультиагентных экзистенциальных отображений
2.4.6. «Социальная» эвристика
2.4.7. Эвристика семантизации символов
2.5. Выводы
Глава 3. Модели и методы интеллектуального принятия решений на основе самоорганизации мультиагентных рекурсивных когнитивных архитектур
3.1. Субъективная модель реальной среды, построенная наблюдателем
3.2. Рекурсивная модель агента и наблюдателя
3.2.1. Математическая модель рекурсивного агента
3.2.2. Модель наблюдателя-постановщика неструктурированных задач
3.3. Общая постановка задачи автономного интеллектуального принятия решений рекурсивным агентом в реальной среде
3.3.1. Теорема «о цели жизни» интеллектуального агента
3.3.2. Решение задачи как возврат агента в гомеостатическую норму
3.3.3. Мультиагентные экзистенциальные функции как основа моделирования процесса принятия решений в МуРКА
3.3.4. Задача интеллектуального принятия решений как поиск субоптимальных путей в пространстве состояний рациона
3.4. Методы принятия решений на основе самоорганизации интеллектонов
3.4.1. Моделирование рассуждений на основе заключения контрактов на обмен энергией и информацией
3.4.2. Представление функций одной переменной с помощью МАЭФ
3.4.3. Формализация интеллектуальной самоорганизующейся мультиагентной рекурсивной когнитивной архитектуры

критиков [130], основным аргументом которых является постулат о необходимости моделирования сознания как такового с соблюдением принципов его структурного единства. Баар указывает на состав когнитивных функций, которые необходимо реализовать, для того, чтобы считать задачу моделирования сознания решенной. Это - определение контекста ситуаций, адаптация и обучение, редактирование и управление, принятие решений и формирование аналогий, концептуализация собственного «Я» и прогнозирование и многое, многое другое [116].
Александер с помощью нейронного сканирования у обезьян показал, что когнитивные процессы, связанные с ориентировочным рефлексом, на нейроморфологическом уровне представляют собой не статические состояния, а активные процессы. На этом основании автор заключает, что для моделирования соответствующих когнитивных функций должны быть разработаны процессы обработки информации, извлекаемой на основе сенсорики, и используемой для формирования предсказаний о состояниях в будущем [110].
В работах Клиреманса и Хменеса [123] способность к обучению определяется как развитая форма процессов адаптации, которая критическим образом зависит от особенностей чувственного восприятия и позволяет агентам осуществлять гибкий контроль своих действий в сложных непредсказуемых средах.
Искусственное сознание рассматривает проблему моделирования субъективного опыта как одну из центральных. Здесь на помощь исследователям приходит методология интеллектуальных агентов, позволяющая на основе механизма онтологий создавать структуры, связанные с субъективными свойствами агента. Франклин [140] наделяет автономного агента, способного реализовать некоторые из когнитивных способностей, указанных Барнсом, т. н. функциональным сознанием.
Хайконен [153, 154] предлагает проводить строгое различие между
когнитивной функцией и когнитивной архитектурой и предлагает строить модели сознания на основе искусственных нейронов.
Следует отметить также работы Такено [228] по моделированию самосознания у автономных роботов. По утверждению автора им были