Разработка методов и средств динамического выбора алгоритмов планирования действий интеллектуальных агентов

• Автор: Добрецов, Сергей Вячеславович
• Шифр специальности: 05.13.11, 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Санкт-Петербург
• Количество страниц: 175 с. : ил.

Содержание
ВВЕДЕНИЕ
1. ВЫБОР ПРИНЦИПОВ ОРГАНИЗАЦИИ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ ОПТИМИЗАЦИИ ПЛАНИРОВАНИЯ ДЕЙСТВИЙ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ

1.1. Назначение и функции интеллектуальных агентов

1.2. Описание знаний интеллектуальных агентов

1.3. Задача планирования действий интеллектуального агента

1.3.1. Среда функционирования интеллектуальных агентов и ее основные

характеристики

1.3.2. Постановка задачи планирования интеллектуальных агентов

1.3.3. История исследований и текущее состояние

1.4. Анализ перспектив развития и выбор принципов организации экспертных систем для оптимизации планирования действий интеллектуальных агентов
1.4.1. Особенности разработки и применения экспертных систем
1.4.2. Использование искусственных нейронных сетей в экспертных системах
1.5. Постановка задачи диссертационной работы
2. ФОРМИРОВАНИЕ КЛАССА ПЕРСПЕКТИВНЫХ СТРАТЕГИЙ
i« ПЛАНИРОВАНИЯ ДЕЙСТВИЙ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ
2.1. Представление алгоритмов нелинейного планирования в пространстве
состояний
2.2. Обобщенный алгоритм нелинейного планирования в пространстве
состояний
2.2.1. Конструктор решений
2.2.2. Уточнение частичного плана
2.2.3. Проверка состоятельности модифицированного плана
2.2.4. Оптимизация уточненного тана
2.3. Анализ особенностей реализаций нелинейных систем планирования и их
представление через обобщенный алгоритм планирования
2.3.1. Алгоритм NONLIN
2.3.2. Алгоритм TWEAK
2.3.3. Алгоритм SNLP
2.3.4. Алгоритм UA
2.3.5. Формирование базиса класса нелинейных систем тонирования
2.4. Выводы
3. АНАЛИЗ КРИТЕРИЕВ ОПТИМИЗАЦИИ ПЛАНИРОВАНИЯ ДЕЙСТВИЙ.
3.1. Анализ известных подходов к оптимизации планирования действий
3.2. Анализ показателей производительности алгоритмов планирования
3.2.1. Универсальные показатели производительности
3.2.2. Оценка специфических особенностей алгоритмов тонирования
3.3. Параметризация предметной области
3.4. Характеристики задачи планирования

3.5. Экспериментальный анализ производительности сравниваемых
алгоритмов
(%■' 3.6. Выбор алгоритма планирования с позиций теории исследования
ОПЕРАЦИЙ
3.7. Формирование критериев эффективности алгоритма
3.8. Концепция системы выбора оптимального алгоритма
3.9. Выводы
4. АПРИОРНЫЙ ВЫБОР ОПТИМАЛЬНОГО АЛГОРИТМА РЕШЕНИЯ ЗАДАЧИ ПЛАНИРОВАНИЯ
4.1. Анализ задачи априорного выбора
4.2. Критерий отбора доступной информации
4.3. Оценка значения критерия эффективности
4.4. Построение канонических регрессионных моделей
4.5. Применение средств анализа данных на основе искусственных
нейронных сетей
4.6. Использование регрессионных моделей для выбора оптимального
алгоритма
4.7. Выводы
5. ЭКСПЕРТНАЯ СИСТЕМА ВЫБОРА ОПТИМАЛЬНОГО АЛГОРИТМА ПЛАНИРОВАНИЯ И ЕЕ ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ
5.1. Примененимосгь выбора оптимального алгоритма в прикладных
системах
5.2. Анализ требований к системе выбора оптимального алгоритма
планирования
' 5.3. Особенности практической реализации
5.4. Использование системы выбора алгоритма планирования для
управления комплексной вычислительной средой
5.4.1. Задача управления комплексной вычислительной средой
5.4.2. Моделирование предметной области
5.4.3. Архитектура системы управления вычислительной средой
5.4.4. Оценка эффективности
5.5. Выводы
ЗАКЛЮЧЕНИЕ
ПРИЛОЖЕНИЕ 1. АКТ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ В КОРПОРАЦИИ XEROX
ПРИЛОЖЕНИЕ 2. АКТ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ В КОРПОРАЦИИ EDS
ПРИЛОЖЕНИЕ 3. АКТ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ ДИССЕРТАЦИИ В САНКТ-ПЕТЕРБУРГСКОМ ГОСУДАРСТВЕННОМ ПОЛИТЕХНИЧЕСКОМ УНИВЕРСИТЕТЕ
СПИСОК ЛИТЕРАТУРЫ

Введение
Решение значительного числа научных и технических задач не может быть выполнено за один или несколько очевидных шагов. Причиной этого может быть, например, большое число разнообразных условий и ограничений, неполная информация о предметной области, множество используемых параметров. Одним из наиболее распространенных способов решения таких сложных задач является построение плана - упорядоченного набора несложных действий, последовательное выполнение которых обеспечивает достижение поставленной цели.
Автоматизация такого рода деятельности относится к области исследования и разработки интеллектуальных систем. В настоящее время понятие интеллектуальной системы широко используется, причем зачастую в различных смыслах, в научных, технических и маркетинговых целях, в частности, в ряде случаев интеллектуальные системы отождествляются с экспертными системами искусственного интеллекта (понимаемыми, правда, в достаточно широком смысле). В данной работе под интеллектуальной системой щ понимается техническая система, реализованная на основе концепций
искусственного интеллекта, и, следовательно, обладающая способностью воспроизведения отдельных функций творческой деятельности человека. К подобным функциям в первую очередь относятся сбор, представление и использование знаний, анализ информации и принятие решений, а также планирование деятельности. Интересной особенностью является тот факт, что с одной стороны системы планирования сами по себе являются разновидностью интеллектуальных систем, а с другой стороны они являются одним из основных факторов, определяющих функциональность других интеллектуальных систем. Поэтому вопросы, связанные с изучением проблемы построения планов как важной составляющей теории решения задач, занимают одно из ведущих мест в исследованиях по тематике искусственного интеллекта.
Следует отметить, что в последние годы интерес к исследованиям в области планирования действий значительно возрос. Это объясняется, с одной стороны, экспоненциальным ростом мощности вычислительных систем и одновременным падением стоимости самого оборудования, что обеспечивает его широкую доступность, а с другой стороны, расширением области применения научных результатов путем решения качественно новых задач. Наиболее ярко (Ь подобная ситуация проявляется в тех сферах, где применяются информационные
технологии, развитие которых стимулирует появление таких классов задач, как

Под ошибкой обучения информационной модели понимается норма невязки модельной функции F' и системной функции У на обучающем множестве параметров Х*сХ:
Еь ~ IIР'— Ух* (1.2)
Под ошибкой обобщения информационной модели понимается ошибка, допускаемая моделью О на данных, не использовавшихся при обучении:
Еа=\Р'-У\х/х. (1.3)
Очевидно, что в общем случае ошибка обобщения является неизвестной, однако, как правило, представляется возможным построить некоторые ее оценки.
Идея нейросетевой модели вычислений основывается на использовании большого количества простых вычислительных элементов (нейронов), соединенных между собой некоторыми связями, обладающими свойством усиливать или ослаблять выходные сигналы нейронов. Формально искусственный нейрон и искусственная нейронная сеть определяются следующим образом:
• Искусственным (формальным) нейроном называется объект (исполнитель),
обладающий следующими свойствами:
1. Исполнитель имеет несколько входов (каналов получения внешней информации) и один выход (канал передачи собственной информации внешнему миру). Каждый канал прохождения информации может работать в собственном формате передачи или получении данных: булевом или аналоговом. Количество входов т и типы всех каналов являются внутренними характеристиками формального нейрона.
2. Каждому входу (входному каналу с номером /, 0 3. Полученный на входные каналы сигнал X = (х,, х2,...,хп) называется входным сигналом и преобразуется в сигнал внутреннего возбуждения г формального нейрона по следующему закону:
г = УУТХ = х,м’/+Х2М’2 + ... +хтут (1.4)