Интеллектуальные информационные системы. Дубровин А.Д. - 28 стр.

решатель) должна решить данную задачу или доказать теорему. Если сформулированная
цель достигнута (теорема доказана), то последовательность примененных правил образует
цепочку действий, позволяющих решать любые задачи подобного типа. Мощность такой
системы определяется возможностями генератора целей и возможностями машины
доказательства теорем (универсального решателя).
     К сожалению, выразительность алгебры высказываний недостаточна для реализации
на компьютерной модели полных возможностей логического мышления человека, но зато
неоспорим следующий факт: все, что можно реализовать на ЭВМ, принципиально
реализуемо с помощью логики предикатов, и наоборот. Справедливости ради следует
сказать, что выразительность     логического подхода возросла с появление такого
сравнительно нового понятия, как нечеткая логика. Главным ее отличием от формальной
логики является возможность использования не только двух (ДА, НЕТ) значений
высказывания, но и промежуточных (НЕ ЗНАЮ, СКОРЕЕ - ДА, СКОРЕЕ – НЕТ, и пр.).
Такие значения в большей мере соответствуют категориям, используемым людьми в
жизненных ситуациях.
     Для логических методов характерна большая трудоемкость, поскольку поиск
доказательства может потребовать полного перебора всех возможных вариантов решений.
Поэтому данный подход требует эффективной реализации вычислительного процесса и
хорошо «работает» при сравнительно небольшом объеме базы знаний.
     Физический подход объединяет методы моделирования интеллектуальных
возможностей человека с помощью компьютера и различных физических устройств.
Одной из первых таких попыток был перцептрон Фрэнка Розенблатта. Структурной
единицей перцептрона (как и большинства других вариантов такого моделирования)
является компьютерная модель нейрона – нервной клетки. Позднее возникли модели,
которые получили известность под термином "искусственные нейронные сети" (ИНС).
Эти модели относятся к структурам, основанным на примерах. Они используют как
различные по физической реализации модели нервных клеток, так и различные топологии
связей между ними. Нейронные сети сначала применялись в задачах распознавания
образов и в задачах обучения, но в настоящее время есть коммерческие аппаратно –
программные продукты, представляющие собой законченные ИИС, работающие на
нейронно-сетевой технологии и применяемые в различных областях деятельности.
      Широкое распространение получило в последние годы эволюционное
моделирование. Принцип, лежащий в основе этого метода, заимствован у природы - у
живых организмов и систем. Во многих источниках он определяется как воспроизведение
процесса естественной эволюции с помощью специальных алгоритмов и программ.
      Эволюционное моделирование представляет собой итеративный процесс. Этот
процесс начинается с создания начального варианта модели ИИС для решения конкретной
интеллектуальной задачи и набора правил, по которым эта модель может изменяться.
Затем формулируется критерий правильного (или приемлемого) решения этой задачи.
Начальный вариант модели ИИС обычно не отвечает установленному критерию качества
решения задачи. С этого момента начинается пошаговое улучшение начального варианта
модели ИИС. Оно заключается в следующем. Описание начальной модели, правила
вычисления критерия оценки её качества и правила (стратегии) её эволюции вводятся в
компьютер, который «проигрывает» эволюцию начальной модели по каждой из
возможных стратегий её развития и отбирает наилучший по установленному критерию
результат эволюции в качестве новой начальной модели, которая вновь опробуется на
допустимых правилами стратегиях развития. Итерации продолжаются, пока эволюция
модели не приведет к требуемому уровню ее качества. Вообще говоря, эволюционные
модели физически не существуют, так как являются всего лишь эволюционными
обучающими алгоритмами. Модели, построенные на таких алгоритмах, имеют один


                                                                                   32