Software & Systems

Одной из основных проблем в разработке интеллектуальных систем проектирования (ИнСАПР) является формирование и расширение знаний системы. Чрезвычайная трудоемкость этого процесса сдерживает широкое распространение даже самого разработанного в теоретическом плане класса - экспертных САПР.

Анализ ситуации показывыает, что решение указанных проблем можно найти в рамках концепции обучающихся программных средств (ОПС). Так как в ЭСАПР может входить компонента <обучения>, решающая задачи обучения пользователя системы проектирования, то во избежание процесса пересечения понятий будем в дальнейшем определять ОПС в САПР как, средства реализации компоненты <само-обучения>. Введение этой компоненты в структуру ИнСАПР позволит по-новому определить ее гносеологическую сущность и место во внешнем мире.

Действительно, что представляла собой традиционная САПР? Это по определению [1] -программный продукт, предназначенный для формирования и изготовления проектной документации. Подобный взгляд на САПР приводит к ее отождествлению с некоторым статическим, неизменяющимся объектом. Введение компоненты самообучения делает систему проектирования динамичной, открытой и развивающейся во времени. Это уже не законченный программный продукт, а сложный интеллектуальный комплекс, который проходит в своем развитии несколько этапов.

Первый этап связан с настройкой системы на предметную область и должен включать выделение аксиоматического пространства, формирование и ввод в БЗ множества базовых понятий, образующих внутренний язык системы, создание функционального базиса для описания информационных объектов предметной области САПР.

Второй этап связан с обучением системы проектирования субъективным знаниям эксперта, он завершается созданием начального объема БЗ, достаточным для активизации знаний в рабочем режиме проектирования.

Третий этап охватывает весь период рабочего функционирования САПР. Его отличительной особенностью является параллельное существование двух процессов: детерминистско-определенного процесса генерации нового технического решения и стохастически-вероятностного процесса формирования новых структур знаний, интерпретирующих собственный рабочий опыт САПР.

Выделение собственного опыта системы как дополнительного динамического источника знаний позволит перейти к созданию новой "сквозной" технологии непрерывного формирования знаний САПР, охватывающей весь период жизнедеятельности системы.

Опыт как субъективная, личностная категория, определяет мнение эксперта, участвующего в разработке структур для БЗ системы проектирования. При формировании этой составляющей знаний САПР возникают проблемы извлечения (осознания) знаний, их структурирования и формализации. Для извлечения знаний из этой компоненты опыта разработаны специальные методологии и инструментальные средства [2], которые позволяют упростить задачу структурирования информационного пространства предметной области и облегчить выделение объектно-функционального базиса САПР.

Отдавая должное этим разработкам, следует, однако, отметить, что их эффективность падает по мере перехода от задачи формирования множества концептов к вводу агрегированных структур знаний. Действительно, при работе со строго ограниченной предметной областью (конструкторское проектирование РЭА, схемотехническое проектирование САУ и т.п.) возлагать на эксперта задачу формирования иерархии обобщений из области описаний объектов проектирования (ОП) не целесообразно, так как это снижает интерес к работе с ИнСАПР и может привести к неоправданному усложнению структур модели представления знаний (последнее связано с неявным стремлением каждого специалиста использовать свои собственные структуры представления знаний). В то же время совершенно естественно предложить эксперту описать серии однородных с его точки зрения ОП или проектных ситуаций, не указывая точно, в каких свойствах проявляется общность. Подобную задачу человек решает обычно очень легко, построение же обобщенных описаний для БЗ становится в этом случае прерогативой системы. Разумеется такой подход, дифференцирующий усилия специалиста и системы при извлечении субъективных знаний из опыта эксперта, оправдан в том случае, когда создаваемые обобщения используются при активизации знаний системы с целью поиска проектного решения, а не в ходе диагностической экспертизы ТЗ и прочего.

Развитие предлагаемого подхода в рамках общей проблемы извлечения знаний путем обучения приводит к созданию концептуальных основ новой технологии формирования БЗ Ин-САПР.

В предлагаемой технологии традиционные методы и средства инженерии знаний используются только на первом этапе формирования БЗ. Для реализации второго и третьего этапов используются специальные индуктивные схемы обобщения фактов (примеров рассматриваемой предметной области). При таком подходе основу технологии составляют:

•  методика формирования обучающих вы борок для представительного описания типов информационных объектов на фоне конкрети зированных примеров;

•  методы и алгоритмы индуктивного анализа фактов (примеров) и генерации обобщенных описаний;

•  методика фальсификации гипотез и организации таких структур знаний САПР, кото рые позволяют:

-получить представление информационного объекта, адекватное соответствующему реальному объекту мира проектирования,

-генерировать новые знания из мира проектирования на основе собственного опыта системы,

-   создавать эффективные средства решения,

-   получать искомые проектные решения пу тем активизации знаний системы.

Для реализации концепции самообучения знания системы организуются в фрагментарно-иерархическую структуру. БЗ САПР должна включать по меньшей мере 4 фрагмента: Frag(l) - 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 и классы 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 Pi0 (характеристик). Известно, что в этом случае понятие можно рассматривать как логическую функцию, устанавливающую некоторые отношения на множестве аргументов

Pi<>[3].

Ядро технологии формирования начального объема знаний САПР составляют четыре новых метода автоматической генерации понятий (АГП), использующие обучающие выборки и не опирающиеся на БЗ системы. Эти методы могут работать при минимальном объеме знаний САПР.

Для автоматической генерации и включения новых знаний в Frag(l) используется так называемый частотный метод АФП. Формирование Frag(2) (то есть тех видов моделей действий, которые устанавливают порядок фунциональных преобразований) осуществляется) рамках метода автоматической генерации упорядоченных пар. Методы аналогий и распознавания каузальных отношений ориентированных на построение Frag(3) и Frag(4).

В основе процесса автоматического формирования понятий лежит частотный анализ подмножества L пространства признаков предметной области, ограниченного объемом обучающей выборки (примеров описаний ОП). С этой целью на множестве описаний ОП (S) в ис следуемой части пространства признаков L на ходят оценки одной из следующих характеристик:

1) частоты присутствия многомерного признака Pi в исследуемом множестве объектов (на описании L):

fi(Pi) = nPi*NP',                                   (1)

где: fi(Pi) - частота признака Pi в L,

nPi - число объектов, содержащих характеристику R,

NP - мощность множества S;

2) частота присутствия бинарного признака Pi0 в описании объектов в L:

fi(Pi) = mPj^NP-',                                (2)

где: fi(Pj°) - частота признака Р|° на множестве объектов,

mPj° - число объектов в L, содержащих Pj° в своем описании;

3) частота присутствия значения Zj много мерного признака Pi в описании объектов в L:

fi(Zj) = mZj*NP',                                 (3)

где: fi(Zj) - частота значения Zj признака Pi,

mZj - число- объектов в L, содержащих в своем описании характеристику Pi, имеющую значение Zj;

4) частота присутствия бинарного признака в неусеченном пространстве описаний ОП:

f2(Pjo) = mPj<'*(NPj<')-',                           (4)

где: f2(Pj°) - частота признака Pj° в L,

NPj° - число бинарных признаков (с учетом пересечений) в множестве L.

Si={PjO}->SieL,                                  (5)

S = <и&, (Vi) & e L, NPj° = I SI.                 (6)

i

Частотные характеристики признаков fi(Pi) и fi определены в области [1/NP,1], a fг - в области [1/NP, NP/NP0].

Анализ fi(Pi) позволяет выделить область существования гипотез устойчивой общности (области обобщения):

G_U = { Р, е L| fi(Pi) = 1 Pi e n Sj}, (7)

j

на которой и следует осуществлять формирование функции PONi(Pj°) или PONi(Py).

Если L = V+, то есть обучаемому предъявлена для анализа выборка, покрывающая весь класс объектов (весь объем строящегося понятия), то G_U имеет статические границы и не меняется в ходе дальнейшего анализа.

Если L с V+, то при вводе нового объекта lm е V+, lm e L возможно уточнение границы G_U, сужение его объема:

((lm = Pi & Р2 & ...& Pi-i) &(Pme V+))->G_Ui = =G_U\P,.

Расширение объема G_U без изменения L невозможно.

Анализ G_U с помощью характеристики fi(Pj°) (или fi(Zj'), если признаки многомерные) позволяет выделить подобласть существования строгой общности S_U с G_U:

S_U = { P.j e Z(P.) I (Pi e G_U & fi(Zj) = !)<->

Р,

(8)

PijenZPi&(oZPi)cL}. i  i

Очевидно, для характеристик, вошедших в S_U, выполняются условия правила 1-установления общности между объектами, и, следовательно, существует в качестве PONi функция вида:

PONi = РО№(2),                                     (9)

а) если SJJ = {Р,°}, то РО№(2) = & Р.°, (10)

j

б) если S_U = {Pij}, то РО№(2) = & Pi". (11)

i

Подмножество, образующееся после исключения строгой общности из G_U: G_In = G_U \ S_U, содержит различные значения ограниченного набора признаков, общих для всех объектов из ОВ.

Из G_U и fi следует, что существует по меньшей мере одно разбиение для G_In no Pt:

г               m

(Эг) G_In = <и Gt, Gt = и Ptj,                (12)

t=l              j

(Vt) Gt = {Ptj e G_In| t=const,j=l,...,m}, (13)

где m - мощность множества значений признака Pt (для данной ОВ).

На каждом из полученных разбиений выполняются условия правила различия и fi(Pt)=l, следовательно, эти характеристики можно рассматривать как различные проявления одной и той же общности (Pt).

Формализованное описание проявления индивидуальности в рамках ограничений типа (правило, устанавливающее различия между объектами) ищется в классе дизъюнкций:

(Vt) PON4D(t) = Pti ! Pt2!... Ptm.                        (14)

В соответствии с найденным РО№(2) множество функций (14) задает описание гипотетического класса объектов (ScV+) в виде:

PONi = РО№(2) & PON.D ,

PON4D = PON4D(1) & PON4D(2)...&PON4D(r) (16) или PON4D = &(v Py).         (17)

ij

Если множество G_In пустое, то системность в проявлении индивидуальных черт ОП нарушается. Тогда:

PON = РО№(2) & POND ,                   (18)

PON,D = v Pij,                                         (19)

j

причем Pij e (L \ G_U).                       (20)

Для регулирования размера PONiD (длины дизъюнкции) можно ввести процедуру предварительной фильтрации элементов множества (L\G_U) по величине fi(Pij) или fi(Pj°). В множество, на фоне которого существует PONiD, включаются только те Pij, для которых fi(Pij)>8 (8 - граничное значение частотной характеристики признака). В этом случае в (18) будут использоваться только те индивидуальные свойства, которые достаточно часто (не меньше fi) встречаются в ОП данного класса. При слабом проявлении общности:

G_U = { Pij <-> fi(P.) = 1, fi(Py) < 1 }. (21)

Множество S_U пустое, и для всех объектов на G_U выполняются условия правила 1. На основании (14) описанию этого класса объектов проектирования соответствует функция PON = PON4D, которая формируется по (18).

Если область существования гипотез устойчивой общности G_U пустая, описание класса можно создать на основе сравнительной оценки функций f2(Pj°). Характер изменения h позволяет выделить из исходной обучающей выборки (L) область фона общности:

F_DcL, F_D = { Pj° e L| f2(Pj°) £ 6}. (22)

Если 8 много больше предельной нижней границы f2(Pj°), то на фоне F_O существует функция PON = PON3D или PON = PONiD.

В состав такого описания должно входить не менее 8Р% признаков (Pj°) из описания каждого ОП из L. Если 8 соизмерима с min(f2), то PON = РО№°.

Рассмотренные методы и технологические приемы, связанные с формированием необходимых обучающих выборок, фальсификацией гипотез и организацией управления процессом взаимодействия основных компонент С-САПР при решении задач формирования начального объема знаний апробированы при разработке ППП <Построитель Понятий>, который позволяет генерировать обобщения на примерах принципиальных электрических схем или устройств управления; строит новые общности для БЗ и распознает незнакомые системе схемные решения в ходе экзамена. Кроме того, описанные методы и приемы нашли применение при разработке САПР принципиальных электрических схем систем управления объектами химической технологии.

Список литературы

1.   Справочник по САПР / А.П. Будя, А.Е. Кононюк а др. - Киев: Техника, 1988. - 262 с.

2. Гаврилова Т.А., Червинская К..Р. Извлечение и структурирование знаний для экспертных систем. - М.: Ра дио и связь, 1992. - 176 с.

3. Гладун В.П. Процессы формирования новых знаний. - София: СД "Педагог 6", 1994. - 192 с.