«VIII Всероссийская научная конференция с международным участием Математическое моделирование развивающейся экономики, экологии и технологий, посвященная 80-летию академика А.А. ...»
Классическим примером современного использования методов системного анализа в ИИ служит формальное представление онтологий с помощью графов и деревьев, реляционных и алгебраических систем, например, в виде ONT = C, R,, где C– множество понятий, R – множество отношений между понятиями, – множество операций над этими понятиями и/или отношениями.
Следует также отметить, что Г.С.Поспелов стал основоположником общей концепции развития ИИ как теории комплексного диалогового интерфейса «человек- компьютер» и одним из первых в нашей стране приступил к исследованию и разработке проблем распределенного искусственного интеллекта в планировании, проектировании и управлении [2]. Сегодня эти исследования продолжаются рядом отечественных и зарубежных научных школ в русле многоагентных систем [3].
В докладе обсуждаются принципы системного подхода в ИИ, сформулированные нами в [3,4]: 1) принцип многоуровневости интеллекта, предполагающий его изучение в иерархии взаимодействующих структур; 2) принцип многомерности интеллекта и дополнительности различных методов описания интеллектуальных процессов и систем (принцип Н.Бора применительно к исследованию и моделированию интеллекта); 3) принцип единства интеллекта и деятельности; 4) принцип выделения системных единиц интеллекта; 5)принцип приоритета процессов координации над субординацией. Особое внимание уделено принципу грануляции информации когнитивным агентом [5].
Список литературы
1. Поспелов Г.С. Системный анализ и искусственный интеллект// Proceedings of International Conference on Artificial Intelligence and Information-Control Systems of Robots (Smolenice, June 30July 4, 1980). P.1-24.
2. Поспелов Г.С., Ириков В.А., Курилов А.Е. Процедуры и алгоритмы формирования комплексных программ. – М.: Наука, 1985.
3. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям. – М.: Изд-во УРСС, 2002.
4. Тарасов В.Б. О системно-организационном подходе в искусственном интеллекте// Cборник научных трудов VI-й международной конференции «Знания-диалог-решение» (KDS-97, Ялта, 15-20 сентября 1997г.). Т.1. С.57-69.
5. Тарасов В.Б. Грануляция информации: основа мыслительных процессов и предпосылка создания интеллектуальных систем новых поколений// Подходы к моделированию мышления/ Под ред. В.Г.Редько. – М.: Изд-во УРСС, 2014.
ЭКОМОД-2014
МЕТОДОЛОГИЧЕСКИЕ ПРОБЛЕМЫ МАТЕМАТИЧЕСКОГО
МОДЕЛИРОВАНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ
РАЗВИТИЕМ СЛОЖНЫХ СИСТЕМ
Моделирование процессов управления сложными объектами и прогнозирование их развития сталкивается с трудностями связанными с тем, что признанные классическими методы формального моделирования не всегда эффективны при описании динамики развития таких объектов.
К способам повышения степени эффективности моделей сложных объектов и процессов можно отнести «мягкое моделирование».
Мягкие модели могут оказаться полезным инструментом для моделирования сложных объектов, поскольку на основе использования мягких моделей, можно, делать выводы для целого ряда жестких моделей, получаемых с помощью исходной мягкой модели путем вариации значений коэффициентов модели, что, может отражать изменение степени весомости параметров влияющих на оценку состояния объекта описания. В частности, при изменении коэффициентов модели экспоненциальный рост может меняться в определенных «точках перегиба» на более медленный.
Эвристические модели применяются в задачах прогнозирования и управления развитием объектов при невозможности строгой формализации их описания и основаны на использовании интуитивных представлений специалистов-экспертов.
Эвристические модели основаны, в частности, на использовании интуитивно «ясного»
критерия качества и правдоподобных рассуждениях о способах достижения его максимальных значений.
Для описания динамики состояний сложных объектов и перехода их в новые фазовые состояния полезными могут оказаться фрактальные модели в их сочетании с нечеткими и эвристическими моделями. В частности параметры модели развития: Zn+1 = К(t)Zpn + C(t) могут иметь не только сложную структуру и нечетких характер, но и обладать динамическими свойствами как в «мягких» моделях В.И.Арнольда.
Суть описания динамики развития состояний объекта управления в их подобии некоему исходному эталонному образу, т.е. в описании процесса самоподобия и определения зоны его устойчивости.
При моделировании состояний сложных объектов мы можем сталкиваться с ситуациями, в которых нарушаются законы классической формальной логики с законами исключенного третьего и противоречия. Следовательно, моделирование объектов сложной природы требует привлечения формальных методов моделирования основанных на разных типах логики.
Адекватность выбранного метода формального моделирования во многом определяется пониманием взаимосвязи между формальными системами с различным типом логики.
Можно показать, что при определенных условиях тип логического исчисления связан со структурой, на которой принимает значение оценка формул этого исчисления [1].
Список литературы
1. А.В.Титов. К проблеме математического моделирования задач управления и прогнозирования развитием сложных систем.// Управление развитием крупномасштабных систем. Труды шестой международной конференции. Том2. –М.: ИПУ РАН 2012, сс.298-307.
Новые информационные технологии: теория и практика
СЕМАНТИЧЕСКИЙ ПОДХОД К ИССЛЕДОВАНИЮ ЗАВИСИМОСТИ
ТИПА ЛОГИЧЕСКОГО ИСЧИСЛЕНИЯ ОТ СТРУКТУРЫ ОЦЕНКИ
Московский государственный университет путей сообщения (МИИТ) МГТУ им. Н.Э.Баумана Россия, 105118, г.Москва, 3-я ул. Соколиной горы 1-110 Тел: (495) 779-03-79, E-mail: a.v.titov@mail.ru Модели задач управления и прогнозирования динамики развития сложных систем, основанные на использовании классической логики с законами исключенного третьего и противоречия, в частности, булевой логики имеют ограниченную область использования. К попыткам преодоления этого ограничения и расширения области моделирования на объекты и системы высокой степени сложности можно отнести использование многозначной и нечеткой логики.
Однако как показано в [1], при использовании указанных логических исчислений нарушается принцип сохранения структуры в оценке как отображении (морфизме) алгебры логики на структуру значений оценки.
Например, в известном варианте многозначной пропозициональной логики в качестве значений истинности вместо двухэлементной булевой алгебры {0,1} рассматриваются значения истинности из множества чисел 0x1, на котором не сохраняется структура булевой алгебры. В результате при (A)=1/2 имеем (A A)=1/2, что плохо согласуется с интуицией.
Предлагается подход к разрешению возникшей «ситуации» на пути рассмотрения оценок как функторов сохраняющих дополнительную структуру.
В [2] показано, что в обобщенной форме силлогизмы логики Аристотеля могут быть выражены на языке импликативных решеток. В частности, фигура силлогизма A(M,P) A(S,M) A(S,P) на языке импликативных решеток принимает вид: (SM))(SM) SP.
В этом случае рассмотрение оценок со значением на импликативных решетках позволяет проводить классификацию логических исчислений в зависимости от вида решетки. В частности, оценка на импликативной решетке с псевдодополнением и псевдоразностью позволяет индуцировать H-B логическое исчисление [3]. В [1] показано, что аксиомы H-B логики могут быть получены из свойств псевдобулевой алгебры и свойств алгебры двойственной псевдобулевой, при условии, что операции, H-B логики A,,,,,,,0,1 интерпретируются на алгебре значений оценки A,,,,,,, 0,1 как псевдодополнение ( )и псевдоразность (),соответственно, а два вида отрицания и, как -дополнение: a= a0, и
-дополнение a= 1a.
В описанном подходе рассматривались отображения алгебры формул на алгебру значений оценки, являющиеся гомоморфизмами, что оправдано в случае, когда областью прибытия отображения является семейство подмножеств без дополнительной структуры. Обобщением этого подхода на случай алгебры оценок с дополнительной структурой может служить подход, основанный на использовании теоретико-категорного представлении.
Список литературы
1. А.В.Титов. Диалектика в развитии типов логических исчислений на основе структур значений оценки.-М.: URSS, 2014.
2. А.В.Титов. О зависимости типа логического исчисления от структуры оценки//Седьмые смирновские чтения по логике. Материалы международной научной конференции.-М.: МГУ им.
М.В. Ломоносова, 2011.- сс.34-35
3. В.Л. Васюков. «Категорная логика».:М. АНО Институт логики. 2005.-194 с.
ЭКОМОД-2014
НАУКОМЕТРИЯ НАПРАВЛЕНИЯ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»
В настоящее время наукометрия и библиометрия становятся «горячими точками», где пересекаются интересы специалистов, работающих в различных областях науки и техники, менеджеров, занятых управлением наукой, и государства, заинтересованного в эффективном использовании средств, отпускаемых на развитие новых научных направлений. При этом для оценки ситуации в той или иной области, как правило, используются статистические методы библиометрического и (реже) наукометрического анализа публикаций [1, 2], которые далеко не всегда адекватны задачам построения действительно информативных карт науки.
Вместе с тем, в рамках научного направления «Искусственный интеллект» [3] уже давно разрабатываются и используются достаточно мощные методы анализа данных, с одной стороны, и методы извлечения информации из текстов на естественных языках – с другой, которые могут быть с успехом использованы для наукометрии [4, 5]. Как представляется, совместное использование этих методов может дать значимые и семантически интерпретируемые результаты в области построения карт научнотехнических направлений.
Учитывая вышесказанное, в настоящем докладе обсуждаются вопросы построения карты научного направления «Искусственный интеллект» (ИИ), сформированной на основе анализа публикаций, представленных в российских научных журналах.
Список литературы
1. Shibata N., Kajikawa Yu., Takeda Y., Matsushima K.: Detecting emerging research fronts based on topological measures in citation networks of scientific publications, Technovation, Vol.
28, Issue 11, November 2008, pp. 758–775 (2008).
2. Erdi P., Makovi K., and et al. Prediction of emerging technologies based on analysis of the US patent citation network. Scientometrics, 2013, 95 (1), pp. 225-242 (2013).
3. Поспелов Г.С. Искусственный интеллект – основа новой информационной технологии. М., Наука, 1988.
4. Хорошевский В.Ф., Извлечение информации из текстов на конференциях серии ДИАЛОГ: взгляд соседа по лестничной клетке. // Труды международной конференции "Диалог 2010" М. Наука, 2010.
5. Efimenko I., Khoroshevsky V. New Technology Trends Watch: an Approach and Case Study. In: Proc. of AIMSA-2014.