Программные продукты и системы

Опыт индивида, решающего проектную задачу (проектирующего агента), складывается из шести видов фактов:

F1= {f1i} - множество фактов, характеризующих i-ый вариант объекта проектирования (ОП),

F2= {f2i} - факты, характеризующие результаты оценивания некоторыми частными критериями степени эффективности нового варианта объекта проектирования,

F3= {f3i} - факты, характеризующие принадлежность нового варианта объекта проектирования к некоторому множеству аналогичных объектов (PON),

F4= {f4i} - факты, характеризующие эффективность средств проектирования (алгоритма решения),

F5= {f5i} - факты, устанавливающие существование причинно-следственной связи между рассмотренными проектными ситуациями {Si} и использованными средствами их преобразования {Di},

F6= {f6i} - факты, устанавливающие последовательность применения эвристик Di.

Совокупность F1-F6 образует полный опыт проектирующего агента (в частном случае – опыт САПР). Анализ ситуации показывает, что решение проблем, связанных с расширением знаний системы за счет накопленного ею опыта, можно найти в рамках концепции обучающихся программных средств [1].

Под обучением программных средств проектированию (или под самообучением САПР) будем понимать процесс формирования (приобретения) эмпирических знаний, выражающихся в фактах вида F1-F6, под руководством учителя или на основе анализа действий системы в ходе проектирования. Введение обучающихся компонент в САПР позволит следующее.

1. Перейти к трехэтапной схеме формирования БЗ.

2. Использовать жесткую схему структуризации (продукции и факты) только для теоретических знаний.

3. Вводить эмпирические знания из области проектирования путем генерации соответствующих примеров без предварительного построения продукций и обобщенного описания фактов [2].

4. Автоматически расширять БЗ по результатам работы системы проектирования.

5. Достичь адаптации САПР к изменениям объекта проектирования и других условий задачи.

Для реализации концепции самообучения знания системы организуются в фрагментарно-иерархическую структуру. БЗ САПР должна включать по меньшей мере 4 фрагмента: Frag(1) – знания об объектах проектирования (ОП), Frag(2) – знания о моделях действий инженера проектировщика, Frag(3) – знания о причинах обусловливающих активизацию определенной модели действий, Frag(4) – знания о последствиях активизации определенной модели действий. Каждый фрагмент Frag(i) может иметь многоуровневую структуру, отражающую естественную иерархию знаний о моделях.

Основными носителями знаний в С-САПР являются понятия, которые определяют группы объектов из области описаний моделей объектов проектирования или моделей действий. Свойства любого объекта интерпретируются некоторым множеством потенциальных отношений (Oti), каждое из которых может быть представлено соответствующим функциональным отображением fi на множестве допустимых значений Poi. Известно, что в этом случае понятие можно рассматривать как логическую функцию, устанавливающую некоторые отношения на множестве аргументов Poi. Исходя из фрагментарно-иерархической структуры знаний САПР, выделены логические функции, определяющие соответствующие типы поня- тий [2].

Методической основой процесса автоматического расширения знаний путем анализа собственных действий системы и результатов проектирования являются:

- метод характеристических аналогий для автоматического формирования понятий о классах состояний объектов проектирования на основе ограниченной информации об ОП на текущем шаге проектирования и ограничен- ном множестве первичных понятий из БЗ системы,

- метод прогноза и коррекции, который позволяет генерировать новые описания образов моделей действий при возникновении проектной ситуации Si, не предусмотренной разработчиками БЗ С-САПР,

- методика автоматической коррекции каузальных связей, обеспечивающая внесение необходимых изменений в структуру слоев БЗ при появлении новых видов носителей знаний, в том числе в описания Pred_Yi, определяющих конкретизированный экземпляр активизируемой модели действий.

В основу новых методов положены теория индуктивного логического вывода и эвристические стратегии поиска аналогий.

Отличительными особенностями метода характеристических аналогий являются:

- формирование гипотез функции-описания нового класса проектных ситуаций на основе анализа состояния единственного ОП и ограниченного множества близких описаний первичных понятий из БЗ системы проектирования,

- увеличение объема знаний системы за счет генерации новых носителей знаний, которое не вызывает значительного роста мощности БЗ.

Система быстро увеличивает свои потенциальные возможности по распознаванию новых объектов и классов, в тоже время количество функций PONi в БЗ возрастает существенно медленнее.

Метод прогноза и коррекции позволяет успешно преодолевать большинство тупиковых ситуаций проектирования и создавать обобщенные описания новых моделей действий, которые можно интерпретировать как планы применения функционально-семантических отношений или эвристических операторов при решении конкретного типа проектной задачи. Главные особенности метода:

- формирование новых выводов и обобщений путем поиска и выделения аналогов в соответствующих подмножествах Frag(1) БЗ,

- использование специальной функции прогноза для оценки перспективности активизации каждого аналога,

- использование операции склеивания и проекции на множестве понятий устойчивого порядка для формирования гипотез-альтернатив новых моделей действий.

Предлагаемая методика формирования каузальных отношений, которая позволяет вносить изменения в решающие правила, устанавливать новые ассоциативные связи между отдельными элементами различных фрагментов БЗ, корректировать и выделять новые слои знаний в БЗ С-САПР, обладает следующими отличительными особенностями.

· Пространство поиска новых ассоциаций ограничено множеством информационных объектов-аналогов, для выделения которого используются специальные правила; при отсутствии близких аналогов искомой причинно-следственной связи в БЗ гипотеза о новой каузальной связи формируется на основе структурного анализа носителей знаний.

· Для фальсификации создаваемых гипотез введены специальные функции близости, которые могут использоваться для регулирования процесса выделения множества аналогов. Степень достоверности гипотез тем выше, чем ближе значение оценки степени близости к своей верхней границе.

Разработанные методики, методы и алгоритмы расширяют область использования знаний в САПР, дополняя традиционные стратегии активизации знаний для решения задач проектирования новыми стратегиями самообучения.

Для реализации стратегии генерации новых эмпирических знаний по результатам функционирования проектирующих подсистем в состав САПР необходимо включить специальную подсистему самообучения. Ее ядром является компонента индуктивного логического вывода, которая позволяет генерировать на основе некоторого факта(ов) и выявленных обобщений новое обобщение, расширяющее знания С-САПР. Подсистема самообучения располагает также средствами поиска и построения аналогий и дедуктивной компонентой.

Назначение последней – обеспечивать выбор в БЗ такого общего утверждения, которому не противоречит некоторый частный факт, возникший в ходе проектирования.

Процесс функционирования подсистемы самообучения включает несколько необходимых этапов, отображающих особенности процесса обучения на собственном опыте:

- анализ частного факта, интерпретирующего состояние ОП или модели действий или иного информационного объекта предметной области,

- распознавание (поиск) общего утверждения, не противоречащего этому факту,

- генерация нового носителя знаний на основе автоматического обобщения информации или создания/выявления аналогий,

- контроль достоверности новых знаний,

- согласование новых знаний с существующей системой представлений, коррекция БЗ С-САПР.

С помощью компоненты структурного анализа данных проектирования в соответствии с принятыми в САПР моделями представления данных и знаний формируется описание некоторого частного факта fri.

Проблема распознавания общности на фоне сформированных знаний системы решается многократно:

- если fri = Si, возникает необходимость поиска в БЗ некоторой общности PON(Si), к которой принадлежит fri,

- если fri = PON(Si), определяются допустимые в этих условиях модели действий,

- если fri = Vji (любая i-ая вершина в j-ом фрагменте БЗ), возникает проблема распознавания причины/следствия в рамках попытки формирования нового каузального отношения.

Для каждого из выделенных случаев разработан алгоритм распознавания, учитывающий особенности функций-описаний fri и виды носителей знаний.

В список основных задач, решаемых в рамках подсистемы самообучения, входит также задача распознавания модели действий, активизация которой допустима и целесообразна при состоянии ОП вида PON(Si). В соответствии с принятой моделью представления знаний для С-САПР каждой модели действий с помощью определенной каузальной связи поставлена в соответствие специальная функция предусловий (K_Ot::Pred_Y ®M_D). В этом случае задача распознавания эффективной модели действий сводится к выделению таких Pred_Y, которые не противоречат функции PON(Si) и ближе всего соответствуют рассматриваемым состояниям объекта проектирования:

                                                 PONiºPred_Yi

PONiÇPred_Yi¹0 ®       í    PONiÌPred_Yi

                                                 PONiËPred_Yi

Случай PONiºPred_Yi тривиален и подтверждается простым вычислением истинностных значений функций PONi(S) и Pred_Yi(PONi). Если описания класса ОП и предусловий не являются эквивалентными, алгоритм распознавания оценивает ситуацию в зависимости от вида отношения, связывающего PONi и f(Poj) (где f(Poj) – конъюнктивно-дизъюнктивная функция произвольного вида) в единую форму Pred_Yi:

- если

($i) [Pred_Yi=PONr!f(Poj)] & [K_Ot::Pred_Yi®M_Di],

тогда генерируется оценка вида: <В условиях проектных ситуаций из класса PONr целесообразно активизировать модель действий M_Di>

- если

($i) [Pred_Yi = PONr & f(Poj)] & [f(Poj) = false) &                                                                              Si

 & [K_Ot::Pred_Yi®M_Di],

активизация модели действий M_Di может закончиться неудачей.

Необходимыми компонентами программного обеспечения подсистемы самообучения являются средства контроля достоверности и согласования новых знаний, порожденных системой в ходе проектирования, с существовавшей на рассматриваемом этапе информацией в БЗ С-САПР. Новые эмпирические знания (Zn_N), автоматически сформированные подсистемой самообучения, можно признать достоверными, если:

- существует по меньшей мере один частный случай в практике решения проектных задач, который не противоречит Zn_N,

- новые знания (Zn_N) не противоречат модели мира объектов проектирования, которой пользуется система (Zn_OO),

- правильность построений вида Zn_N подтверждает эксперт/учитель,

- активизация Zn_N приближает ОП к искомому облику.

Отсутствие противоречий между конкретной проектной ситуацией и сформированным обобщением Zn_N выявляется как при решении задач формирования начального объема знаний (в рамках алгоритма АФП частотного метода), так и в ходе коррекции описаний общностей (путем генерации и анализа псевдообучающих выборок).

Проверка непротиворечивости Zn_N всей системе знаний, которой пользуется С-САПР при решении проектных задач, является одной из основных задач для подсистемы самообучения. Алгоритм контроля должен охватывать все виды носителей знаний, которые может автоматически генерировать система.

Предположим, что Zn_N::PONi ! f1(Poj), тогда Zn_N Î Frag(2) ! Frag(3) ! Frag(4) ! (T_Di Î Frag(1)). Между новым понятием из области определения состояний ОП и перечисленными фрагментами БЗ возможны два рода противоречий.

Для выявления противоречий первого рода средства контроля предусматривают выделение в соответствующем фрагменте БЗ носителей знаний (множество PA), включающих в свои характеристики те же признаки (Poj), что и функция, описывающая Zn_N:

($j) PojÎ(PONiÇPONk), PONkÎFrag(4)®PAÈPONk

или

[($j) PojÎ (f1(Poj)Çf(Poj)), f(Poj)ÎFrag(2) ! Frag(3) ! ! T_Di] ®PAÈf(Poj)

Если истинностные значения PONi (или f1(Poj) и носителей знаний из PA одинаковы, новые знания Zn_N не противоречат принятой модели.

Противоречие второго рода возникает, если для интерпретации одного и того же частного случая из практики проектирования система может использовать более одной общности. Для Zn_N::PONi ! f1(Poj) эта задача совпадает с проблемой пересечения и поглощения объемов понятий.

При разработке алгоритма контроля пересечений необходимо учитывать особенности метода, использованного для генерации нового понятия.

Пусть PONi создано методом характеристических аналогий в ходе анализа рабочего опыта системы, тогда из допущений метода следует:

- SiÎPONi & SiÎPONj, PONjÎZn_OO

- так как все конъюнкции, входившие в PONj (PONj – аналог общности из БЗ для формирования PONi), не нарушаются при построении PONi, то все объекты из объема PONj будут распознаваться и с помощью PONi. Тогда PONjÌPONi.

Из полученных следствий очевидно, что понятия, созданные методом характеристических аналогий не пересекаются.

Применение частотного метода АФП [2] позволяет генерировать описания общностей, объемы которых могут пересекаться. Для выявления этого факта осуществляется контрольное распознавание объектов специальной выборки LK понятиями из БЗ С-САПР:

                                                                       m

LK = {liÎLj¦ liÇPONr¹0, PONrÎZn_ОО, ÈLj = L} (1)

                                                                       j

где: Lj - j-ая обучающая выборка (ОВ), m - число ОВ.

В (1) входят такие примеры из использованных для формирования начального объема знаний, которые имеют признаки входящие в понятия из БЗ. Если m мало, можно вместо LK использовать для распознавания все множество примеров L. Пересечение объема понятия PONj c понятиями из БЗ отсутствует, если:

("i) ("r) ($j) {liÎV(PONj) & liÏV(PONr), PONj,PONrÎZn_OO } ® ("r) V(PONj)ÇPONr = 0 (2)

При не выполнении условия (2) PONj пересекается по меньшей мере с одним понятием из БЗ системы. Если в БЗ имеются понятия, созданные с помощью метода характеристических аналогий, алгоритм контроля осуществляет:

1) выделение всех близких к PONj описаний (ANP), используя правило выявления аналогов;

2) формирование множества псевдообучающих выборок LP:

LPi = { Lj = & Pij « PijÎPONki & ($r) PrÎPONDi}, в которые входят описания примеров не использовавшихся ранее при активизации частотного метода; каждое описание включает все признаки из строгой общности (PONkj) понятия из ANP и по одной альтернативной характеристике из PONDi;

3) контрольное распознавание объектов из LP с использованием условия (2).

Полученные теоретические результаты апробированы при разработке ППП <Построитель Понятий в области РЭА> и учебной системы ИПРИСА, поддерживающей три режима работы: учебного проектирования, обу- чения и контроля знаний студента, а так же самообучения системы и настройки на предметную область. Система применяется для автоматизированного проектирования систем контроля и управления химическими объектами и для обучения студентов.

Список литературы

1. Искусственный интеллект: В 3-х кн.–Кн.2.Модели и методы: Справочник /Под ред. Д.А.Поспелова. –М.: Радио и связь,1990.-304 с.

2.Филатова Н.Н. Технология формирования базы знаний интеллектуальной САПР // Тез. докл. Междун. конф.: Математические методы в химии и химической технологии.-Тверь,1995 -ч.4. -С.69-70.