Интеллектуальные информационные системы. Дубровин А.Д. - 72 стр.

применимости только одного из правила, имеющихся в памяти системы, к решению поставленной задачи. Этот
анализ состоит из следующей последовательности процедур:
         - сопоставление фактов (отобранных из БЗ в соответствии с признаками ситуации, указанной в вопросе)
с антецедентом анализируемого правила;
         - если сопоставление показало полное соответствие отобранных фактов структуре и содержанию
антецедента анализируемого правила, то это правило применяется и полученное с его помощью решение
запоминается.
            Затем берется следующее правило, и цикл анализа повторяется до тех пор, пока не будут проверена
вся БЗ. Если применимых правил окажется несколько, то встает проблема выбора – какое из них применить?
Рассмотрим эту проблему чуть позже и продолжим рассмотрение процесса.
            Если поиск в БЗ не дал желаемого результата (не было найдено готовое правило, решающее сразу всю
задачу), то это означает, что антецеденты всех имеющихся правил состоят из меньшего числа фактов, чем
указано в запросе. В этом случае процесс будет более сложным, поскольку внутри каждого цикла задача должна
будет решаться по частям, в виде последовательности шагов. На каждом шаге будет происходить «генерация»
промежуточных результатов, каждый из которых получен своим правилом. От шага к шагу число
промежуточных решений будет уменьшаться, образуя сходящийся веер, и цикл закончится решением задачи. Это
означает, что решение получено применением альтернативных последовательностей (цепочек) правил. Если при
решении задачи применением одного правила альтернатив было столько, сколько правил было признано
применимыми, то при решении задачи по шагам, их будет намного больше. И опять возникает ситуация, которую
в некоторых источниках называют конфликтом альтернатив. На самом деле - это проблема выбора наилучшего
способа решения задачи, поставленной в запросе к системе.
            Дело в том, что и при одношаговом решении задачи, и при решении ее по шагам каждый из
альтернативных вариантов должен быть оценен одним и тем же критерием. Это главный принцип любой оценки.
В ИИС такого рода проблемы решаются алгоритмически, если сформулирован критерий предпочтения (выбор
правила, дающего наиболее быстрое или наиболее «качественное» решение, или выбор цепочки, содержащей
меньшее число правил, или выбор цепочки, которая не содержит правил, антецеденты которых слишком
«длинны»).
           Для разрешения таких конфликтов в системе управления логическим выводом должны быть
реализованы специальные оптимизирующие алгоритмы, позволяющие выбрать из возникших альтернатив
наилучшую по выбранному критерию. В примере мы рассмотрели случай, когда декларативные знания,
которыми обладает система, достаточны для ответа на любой запрос. Конфликты или неоднозначности,
возникающие при этом, имеют причиной недостаток или несовершенство процедурной компоненты базы знаний
системы.
           На практике часто возникают ситуации, связанные с неполнотой декларативных знаний системы,
и ситуации, в которых недостает и декларативных, и процедурных знаний.
           Рассмотрим пример. Системе, в числе множества других, известен факт - «кот Мурзик черного цвета»
- и правило - «если предмет имеет черный цвет, то он не виден в темноте». В этом правиле антецедентом
является высказывание «предмет имеет черный цвет». Задается вопрос: «виден ли в темноте кот В.И. Иванова?».
Ясно, что знаний для ответа на вопрос недостаточно. Правда, в отношении кота с именем «Мурзик» правило
может оказаться применимым, но не известно, тот ли это Мурзик. Для решения задачи системе нужно провести
анализ БЗ и выяснить, какого цвета кот В.И.Иванова. А вдруг окажется, что их два и оба – черные, или того хуже
– окажется, что такой информацией система не располагает вовсе? Несмотря на несерьезность рассматриваемого
примера, такого рода ситуации являются наиболее трудно разрешимыми. Особенно, если речь идет о
динамической системе, в которой время реакции на запрос является одним из показателей качества
функционирования.
           Продукционные модели ПЗ применяются более, чем в 80% экспертных систем, поскольку они
наглядны, легко обновляемы, просты в формализации. К недостаткам продукционных моделей ПЗ следует
отнести низкую эффективность обработки знаний, описываемых привычными для восприятия человеком
ассоциативными связями.
            Для разработки продукционных моделей ПЗ, реализуемых на ЭВМ, используются алгоритмические
языки PROLOG, CLIPS, OPSS, EXSYS, GURU, Кара и др., а также инструментальные системы KEE, ARTS, PIES
и др.




                                                                                                          76