Методология когнитивного моделирования сложных плохо определенных ситуаций
Сущность когнитивного моделирования. Использование структурно-функциональной декомпозиции, особенности описания когнитивной карты. Специфика методов извлечения знаний эксперта о силе влияния признаков. Подсистема объяснения прогноза развития ситуации.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | статья |
| Язык | русский |
| Дата добавления | 16.01.2018 |
| Размер файла | 60,3 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
Методология когнитивного моделирования сложных плохо определенных ситуаций
А.А. Кулинич
Методология когнитивного моделирования, предназначенная для анализа и принятия решений в плохо определенных ситуациях, была предложена Аксельродом [1]. Она основана на моделировании субъективных представлений экспертов о ситуации и включает: методологию структуризации ситуации; модель представления знаний эксперта, в виде знакового орграфа (когнитивной карты) (F, W), где F - множество факторов ситуации, W - множество причинно-следственных отношений между факторами ситуации; методы анализа ситуации.
В настоящее время методология когнитивного моделирования развивается в направлении совершенствования аппарата анализа и моделирования ситуации. Здесь предложены модели прогноза развития ситуации [2,3]; методы решения обратных задач [4,5]. Однако существующая методология структуризации ситуации и модель представления знаний эксперта не позволяет анализировать сложные ситуации. Создание больших моделей, включающих десятки или сотни факторов требует разработки иной модели представления знаний о ситуации, методологии структуризации плохо определенных сложных ситуаций, методов объяснения и интерпретации результатов моделирования и поддержки генерации решений.
Предлагаемая в этой работе модель представления знаний является расширением существующей в когнитивном моделировании модели в виде знакового орграфа и основывается на модели представления знаний в виде поля знаний, используемой в инженерии знаний для создания интеллектуальных систем [6]. Поле знаний определяется тройкой (X, Y, M), где X - входные данные задач, решаемых интеллектуальной системой; Y - выходные данные - результат решения задач; М - операциональная модель, на основании которой происходит преобразование X в Y. Операциональная модель М = (Кd, Кf) включает понятийную систему Кd, отражающую понятийную структуру ситуации, и функциональную систему Кf, моделирующую законы и закономерности проблемной области, определяющие динамику развития ситуации.
Предлагаемая методология структуризации сложной ситуации заключается в описании ситуации в двух аспектах: структурном и функциональном. Для описания ситуации в структурном аспекте используется структурно-функциональная декомпозиция, позволяющая выделить составные части наблюдаемой ситуации в виде иерархии «Часть-Целое», D, , где D={di} - множество элементов ситуации - это целое и его составные части, - отношение «Часть-Целое» на множестве D, i=1,…, n.
Для описания ситуации в функциональном аспекте определяются основные характеристики (в дальнейшем - признаки) всех элементов ситуации Fi={fij}, j=1,…, m. Далее на множестве признаков Fi каждого элемента di экспертным путем определяется когнитивная карта (Fi, Wi), отражающая представления эксперта о законах функционирования этого элемента, где Fi - множество вершин, Wi - матрица смежности орграфа, отражающего функциональную структуру элемента ситуации di. Когнитивные карты отдельных элементов объединяются в общую когнитивную карту (F,W), где F=Fi - множество признаков, описывающих ситуацию в целом, а W - матрица смежности, включающая матрицы смежности Wi отдельных элементов di и описывающая их взаимодействие.
Предлагается когнитивную карту сложной ситуации (F,W) описывать в функциональной системе поля знаний Кf, а результаты структурно-функциональной декомпозиции D, - в понятийной системе Кd.
Для описания когнитивной карты в функциональной структуре поля знаний разрабатываются: 1) шкалы признаков; 2) методы извлечения предпочтений эксперта для настройки силы влияния признаков ситуации; 3) методы решения прямой и обратной задачи.
Шкалы. Для разработки шкал используется метод, предложенный Торгерсоном [7]. Он основан на задании опорных точек - максимального и минимального значения признака - и получении новых значений шкалы методом деления отрезка пополам с интерпретацией средней точки в предметной области. В результате выполнения этой процедуры получаем линейно упорядоченное множество лингвистических значений j-го признака i-го понятия, - Zij={zijk}, k - номер лингвистического значения, элементы которого отображается на отрезок числовой оси [0,1]. Для каждого лингвистического значения zijkZij на числовой оси определена точка xijk[0,1] и ее окрестности xijk, имеющие ту же лингвистическую интерпретацию zijk. Таким образом, для каждого признака каждого понятия определена числовая шкала Xij , каждая точка которой xijXij имеет лингвистическую интерпретацию zijkZij .
Для уменьшения ошибок при определении силы влияния признаков разработаны методы извлечения знаний эксперта о силе влияния признаков. Это методы косвенного определения силы влияния, позволяющие определить силу влияния признаков из ответа эксперта на вопрос: «К какому изменению признака-следствия может привести заданное изменение признака причины?». Разработаны три метода косвенного определения силы влияния: прямого оценивания (четкое и нечеткое); парного сравнения; задание функциональной зависимости.
Метод получения прогноза. При получении прогноза развития ситуации считается заданным: множество факторов F={Fi}; шкалы факторов Xij; начальное состояние ситуации X(t)=(x011, …, x0nm); матрица смежности W=|wij sl|, где индексы i,s - номер понятия, j,l - номер признака понятия с номером i или s; начальный вектор приращений факторов P(t)=(p11,…, pnm).
Необходимо найти вектора приращения признаков P(t), …, P(t+n) и состояния ситуации X(t), …, X(t+n) в последовательные дискретные моменты времени t, …, t+n.
Для качественно заданных ситуаций (значения переменных и элементы матрицы смежности - это лингвистические значения) в работах [2,3] разработаны алгоритмы получения прогнозов развития ситуаций, основанные на использовании операции max-product (умножение и взятие максимума). Эти алгоритмы работают для положительно определенных матриц, в то время как в нашем случае элементы матрицы смежности и векторов приращений могут принимать отрицательные и положительные значения. Используется правило преобразования матрицы смежности W=|wij sl|nn с положительными и отрицательными элементами к положительно определенной двойной матрице W`=|w`ij sl|2n2n [8].
Вектор приращений P`(t+1)=(p1j+, p1j-, …, pnm+, pnm-) для положительно определенной матрицы W` определяется с помощью следующего уравнения:
P`(t+1)= P`(t)W`,
где для вычисления элемента вектора P`(t+1) используется правило:
p`ij(t+1)=(p`sl(t) w`ij sl)
Элементы векторов приращений значений признаков, полученные в последовательные моменты времени P`(t+1), … , P`(t+n) после транспонирования представляются в виде блочной матрицы Pt = |P`(t+1)T, … , P`(t+n)T|. Матрица Pt называется матрицей приращений и используется при работе алгоритмов объяснения прогнозов развития ситуации.
Представление значения приращения признака в виде пары - положительного pij+ и отрицательного pij- приращения позволяет моделировать когнитивный консонанс в представлениях субъекта о значении признака. Термин «когнитивный консонанс» был предложен психологом Л. Фестингером [9] для определения несоответствия элементов знаний друг другу. Степень когнитивного консонанса cij(t), где t - номер шага (такта) моделирования определяется из соотношения:
cij(t) =, 0 cij(t) 1. (1)
Консонанс признака характеризует уверенность субъекта в приращении значения pij(t) признака fij. При cij(t)1, т.е. pij+(t)>>pij-(t) или pij_(t)>>pij+(t) уверенность субъекта в значении признака pij(t) максимальна, а при cij(t) 0, т.е. pij+(t) pij-(t) минимальна.
Для определения состояния ситуации в последовательные моменты времени X(t),…, X(t+n) удвоенный вектор приращений значения признака преобразуется в вектор приращений размерности n с учетом когнитивного консонанса значения признака. В преобразованном векторе приращений P(t+1) элемент вектора pij(t+1) P(t+1), представляется парой:
pijk(t+1), cij(t+1), (2)
где pij(t+1)= sign(pij+(t+1) - pij-(t+1)) max(pij+(t+1), pij-(t+1)) - значение приращения признака, cij(t+1) - консонанс значения признака.
Знак приращения pij(t+1) положителен, если pij+(t+1)>pij_(t+1) и отрицателен, если pij+(t+1)<pij_(t+1). В этом случае, состояние ситуации в последовательные моменты времени будем определять парой
X(t+1), C(t+1),
где X(t+1)=X(t)+P(t+1) - вектор состояния ситуации (элемент этого вектора xij(t+1)= xij(t)+ pij(t+1)), когнитивный консонанс значения cij(t+1)C(t+1).
Динамика изменения состояния ситуации представляется блочной матрицей Xt = |X(t+1)T, …, X(t+n)T|, которая используется в компьютерной системе для визуализации результатов моделирования.
Метод решения обратной задачи. Решение обратной задачи позволяет выработать рекомендации по принятию мер, позволяющих перевести ситуацию из текущего состояния в целевое состояние. При решении обратной задачи считается заданной матрица транзитивного замыкания удвоенной матрицы смежности W` = |w`ij sl| и целевой вектор G=(g1, …, gn) приращений значений признаков ситуации.
Задача заключается в нахождении множества входных воздействий ={U}, таких, что для всех U выполняется равенство U= G. Алгоритмы, позволяющие получить множество решений обратной задачи ={Umax, Umin}, где Umin= {U1 , U2 , …, Uq} множество минимальных решений; Umax одно максимальное решение разработаны в работах [4,5].
Решения Umax и Umin представляются в виде двойных векторов, в которых элемент с индексом 2j характеризуют положительное pij+, а с индексом 2j-1 - отрицательное pij- значение приращение признака fij. В этом случае управляющее воздействие U, подаваемое на признак fij характеризуется величиной приращения pij и консонансом cij, т.е. U=(p11, c11, …, pnm, cnm). Величина приращения pij определяется с помощью соотношения (2), а когнитивный консонанс cij с помощью соотношения (1).
Ситуация в функциональной системе поля знаний определяется четверкой: F, X, X(0), W, где F - множество признаков ситуации, X={Xij} - множество шкал признаков, X(0) - состояние ситуации в начальный момент времени, W - матрица смежности.
Модель понятийной системы поля знаний. Понятийная система предназначена для представления структурно-функциональной декомпозиции ситуации D, и используется для поддержки процессов интерпретации прогнозов развития ситуации и решений обратной задачи.
В понятийной системе поля знаний элементы ситуации представляются как конкретные понятия diD и определяются тройкой: di, F(di), V(di), где, di - имя понятия; F(di) - содержание понятия - вектор значений признаков Fi={fij}, F(di)=(x11, …, xnm); V(di) - объем понятия - это элемент ситуации, описанный в модели. Понятие di представляется как точка с координатами значений признаков понятий (x11, …, xnm) в пространстве, полученном декартовым произведением шкал всех признаков этого понятия, SS(di)=Xij.
Пространство SS(di) в психологии называют семантическим пространством, и интерпретируют как модель семантической памяти человека.
В предлагаемой модели понятийной системы каждое понятие diD представляется в своем семантическом пространстве SS(di), т.е. определено множество семантических пространств SS(D) ={SS(d1), …, SS(dn)} и отношение («Часть-Целое») между ними. Отношение между семантическими пространствами SS(di) SS(dq), означает, что любые два понятия di SS(di) и dq SS(dq) связаны отношением , т.е. di dq.
Формально все точки семантического пространства с координатами, отличными от координат понятия di, могут быть новыми понятиями, отличными от понятия di. Т.е., при представлении элемента ситуации понятием di в семантическом пространстве SS(di), в этом же семантическом пространстве будут представлены понятия, в которые понятие di может быть преобразовано путем изменения значений его признаков. Однако не все точки семантического пространства SS(di) обозначают существующий в реальности объект, т.е. имеют интерпретацию в предметной области.
Для облегчения поиска точек семантического пространства, имеющих интерпретацию в предметной области, предлагается структурировать семантическое пространство каждого понятия di в виде понятийного кластера Di, представляющего собой частично упорядоченное множество понятий, связанные отношением «Класс-Подкласс» [10].
Понятие di1 является обобщенным понятием (классом) для понятия di2, если выполняются два условия: 1) содержание F(di1) понятия di1 является подмножеством содержания F(di2) понятия di2, т.е. (F(di1)F(di2)); 2) объем V(di2) необобщенного понятия di2 является подмножеством объема V(di1) понятия di1, т.е. (V(di1)V(di2)).
Для определения в семантическом пространстве SS(di) понятийного кластера определяется базовое понятие diB, определяющее класс объектов, к которому принадлежит элемент ситуации di. Для этого для каждого признака понятия di, имеющего значение xij, экспертным путем определяется интервал значений XijB=[xijb, xijc], xijXijB, j, определяющий границы этого класса объектов. Подпространство Т(diB)=XijB, семантического пространства SS(di), называется областью толерантности базового понятия, а XijB, - интервалами толерантности признака fij. Базовое понятие определяется тройкой (diB, F(diB), V(diB)), где diB - имя, F(diB) - содержание базового понятия - это вектор интервалов толерантности признаков (X11B,…, XnmB), V(diB) - объем базового понятия - это множество объектов, значения признаков которых принадлежат области толерантности базового понятия T(diB).
Обобщение базового понятия может быть выполнено путем удаления любого его признака или любого сочетания признаков. Т.е. возможно H=2m-1 обобщений базового понятия, содержащего m признаков. Обобщенные понятия характеризуется тройкой: (diBh, F(diBh), V(diBh)): diBh - имя, F(diBh) - содержание и V(diBh) объем обобщенного понятия, h=1,…, H.
Содержание F(diBh) понятия diBh, обобщающего базовое понятие по признаку l, и удовлетворяющее условию вложенности содержания, получается путем замены интервалов значений признаков базового понятия XilB, на интервал значений, равный области его определения Xil, XilBXil. В этом случае область толерантности обобщенного понятия T(diBh)=XijBXil включает область толерантности базового понятия T(diB)=XijB, и тем самым выполняется второе условие - условие вложенности объемов базового понятия в объем, обобщающего его понятия, т.е. T(diB)T(diBh) и V(diB)V(diBh).
Содержание базового понятия и всех возможных его обобщений образуют частично упорядоченное множество {F(diB), F(diB1), …, F(diBH)}, которое называется понятийным кластером базового понятия и обозначается Di. Структуризация семантического пространства в виде понятийного кластера позволяет выделить и структурировать в семантическом пространстве, легко интерпретируемые подпространства, определяемые областями толерантности и именами обобщенных понятий.
В понятийном кластере определены переходы от базового понятия diB к обобщенному понятию diBh. Эти переходы означают увеличение общности описания элементов ситуации в понятийной системе. Для характеристики таких переходов в понятийной системе вводится понятие состояния понятийной системы сложной ситуации, которое характеризуется тройкой: SD(t), SF(t), SV(t), где SD(t) = (d1Bh, ..., dnBh), - вектор имен понятий, описывающих ситуацию; SF(t)=(F(d1Bh),…, F(dnBh)) - содержание состояния понятийной системы, т.е. вектор содержания понятий diBhSD(t); SV(t)=(V(d1Bh),…, V(dnBh)) - вектор объемов понятий diBh SD(t), i.
Определяется следующее правило модификации состояния понятийной системы, связывающее изменения состояния ситуации X(t) в функциональной системе с состоянием понятийной системы SD(t), SF(t), SV(t) : если в процессе получения прогнозов развития ситуации значение любого признака любого понятия вышло за пределы области толерантности их базового понятия, то образуется новое понятие, обобщающее исходное базовое понятие по признаку, значение которого вышло за пределы области толерантности. когнитивное моделирование прогноз эксперт
Формально это правило представляется как отображение состояния функциональной системы X(t) в состояние понятийной системы SD(t), SF(t), SV(t), RM:X(t)(SD(t), SF(t), SV(t)), где RM=(RMi) - правила модификации базового понятия diB в обобщенное понятие diBh, i.
Предложенное правило позволяет субъекту искать интерпретацию не для конкретного понятия с определенными значениями признаков, а определять имя обобщенного понятия, к объему которого объект, интерпретирующий это конкретное понятие, принадлежит. В этом случае значительно проще определить имя обобщенного понятия, элементы его объема, и интерпретировать конкретное понятие, используя элементы объема обобщенного понятия.
С учетом правила модификации понятий RM модель представления знаний в виде поля знаний представляется тройкой:
Kd, Kf, RM,
где Kd - понятийная система поля знаний, SS(D), , Di, (SD(t), SF(t), SV(t)); Kf - функциональная система поля знаний, F, X, X(0), W; RM - вектор правил модификации состояния функциональной системы в состояние понятийной системы.
Разрабатывается метод поиска решений в системах моделирования ситуаций и метод их интерпретации, основанный на предлагаемой модели представления знаний Kd, Kf, RM.
Формально задача поиска решения формулируется как задача разработки стратегии перевода ситуации из текущего состояния в целевое состояние и сводится к решению обратной задачи. Для облегчения поиска интерпретаций решений осуществляется их структуризация в функциональной системе поля знаний на реализуемые и нереализуемые, и в понятийной системе поля знаний в виде графа поиска решений.
При решении обратной задачи считаем заданным: модель ситуации F, X, X(0), W; текущее X(0)=(x110, x120 . , xnm0), желаемое состояние XG=(x11g, x12g ,… , xnmg) ситуации; целевой вектор приращений G=(p1j, p2j, . , pnm); множество управляющих признаков R F, для каждого из которых определены ресурсы управления в виде вектора PR=(p11r, …, pnmr).
Задача заключается в нахождении путем решения обратной задачи множества решений U = {U1, U2, …, Uv} для перевода ситуации из текущего состояния в целевое состояние.
Возможны случаи, когда решения из множества решений U не удовлетворяют ограничениям PR, т.е. решения не существует. В этом случае решение может быть получено, если изменить структуру модели ситуации. Изменения структуры когнитивной модели ситуации для достижения цели называются структурными решениями. В настоящее время поиск структурных решений осуществляется эвристическими методами морфологического анализа, мозгового штурма, и др. с привлечением экспертов. В этой работе рассматривается метод поиска структурных решений, основанный на модели представления знаний в виде поля знаний и заключающийся в поиске объектов-стимулов, структурная организация которых является прототипом структурных решений в анализируемой ситуации.
Метод поиска структурных решений включает ряд связанных этапов: генерация решений; структуризация решений в функциональной системе; структуризация решений в понятийной системе; поиск объектов-стимулов для выработки структурных решений.
Генерация решений заключается в решении обратной задачи для заданной цели G управления. Результатом решения обратной задачи является множество решений {U1, . . , Uv }, каждое из которых представляет собой вектор управляющих воздействий - это вектор приращения значений признаков (p11, c11, …, pnm, cnm), переводящих ситуацию в целевое состояние XG. Каждому решению UvU, соответствует состояние ситуации в функциональной системе поля знаний Xv=(x110+p11, … , xnj0+pnj).
Структуризация решений в функциональной системе осуществляется по двум критериям: 1) критерию реализуемости решения; 2) критерию конфликтности решения.
Критерий реализуемости определяет решения, для реализации которых у субъекта имеются ресурсы. Решение Uv=(p11, c11; …; pnm, cnm) называется реализуемым, если pij Uv выполняется условие: pijpijr, pijkrPR=(p1jr, …, pnjr).
Применение критерия реализуемости к множеству решений U позволяет разделить его на подмножество реализуемых UR и подмножество нереализуемых решений UN. Обычно нереализуемые решения не рассматриваются как альтернативы решений. В этой работе нереализуемые решения UN используются для поиска структурных решений.
Критерий конфликтности определяет некоторый пороговый уровень значения консонанса, ниже которого решение считается конфликтным. Выберем в качестве критерия конфликтности уровень консонанса сij=0,5. Тогда, если в решении Uv=(p11, c11;…;pnm, cnm) существует хотя бы одно значение pijUv с уровнем консонанса меньше критерия конфликтности (сij<0,5), то решение Uv считается конфликтным.
Структуризация решений U в понятийной системе осуществляется согласно модели представления знаний Kd, Kf, RM. Поскольку решению UvU соответствует состояние ситуации Xv и определено правило его отображения в состояние понятийной системы RM: Xv(SDv, SFv, SVv), то множеству решений U в функциональной системе соответствует множество решений в понятийной системе ={Ud1, . , Udv}, где Udv = (SDv, SFv, SVv) - состояние понятийной системы.
Состояния ситуации Udv, соответствующие решениям Uv, определяют точки в семантическом пространстве, координаты которых могут попадать в области толерантности базовых понятий или обобщенных понятий. В одну и ту же область толерантности понятия могут попадать несколько точек, определяющие разные решения UvU. Эти решения UvU в понятийной системе объединяются в классы решений Ude, которые характеризуются тройкой Ude=(SDe, SFe, SVe). Мощность множества классов решений {Ud1, …, UdE}, E - число классов решений в понятийной системе, будет меньше мощности множества решений U в функциональной системе поля знаний. При этом, содержания {SF1 , …, SFE} классов решений образуют частично упорядоченное множество, которое может быть представлено в виде концептуального графа решений (рис.1).
Рис.1.
В графе решений разные классы решений упорядочены по уровню общности. Корневая вершина графа (уровень 0) включает решения UvU, в которых ни один из признаков не вышел за пределы области толерантности базовых понятий. Уровень 1 содержит классы решений Uv, в которых за пределы области толерантности базового понятия вышел только один признак (разные признаки для разных классов решений). Уровень 2 содержит классы решений, включающие решения Uv, в которых два признака вышли за пределы области толерантности, причем классы решений второго уровня обобщают классы решений первого уровня по одному признаку, и т.д.
Концептуальный граф решений используется для поиска структурных решений. Считается, что базовое понятие определяет класс объектов, которые обладают одинаковой структурой и поведением. В случае выхода значений признака (признаков) за пределы области толерантности базового понятия, определяется новый класс объектов, структурная организация и поведение которых отлична от структурной организации и поведения объектов, включенных в объем базового понятия. При этом новый класс объектов определяется именем обобщенного понятия и интервалами толерантности его признаков, определяющих диапазон значений признаков объектов, структурная организация которых могла бы служить прототипом для структурных преобразований модели ситуации. ЛПР, используя концептуальный граф решений, ищет решения, последовательно анализируя классы решений, расположенные на разных уровнях графа решений, постепенно увеличивая общность и, следовательно, объем, рассматриваемого и анализируемого класса решений.
Разработана программная система поддержки принятия решений, реализующая основные методы и модели, рассмотренные ранее. Пользовательские интерфейсы системы включают 24 окна, которые обеспечивают работу следующих подсистем (Рис.2): представления исходной информации; извлечения предпочтений эксперта; обработки; представления результатов моделирования; поддержки аналитической деятельности эксперта [11].
Рис.2.
Подсистема представления исходной информации обеспечивает ввод в систему признаков, описывающих ситуацию; определение шкал Zij={zijk} для каждого признака fijFi с помощью специального интерфейса; построение модели ситуации в виде ориентированного знакового графа (F, W) с помощью специального графического редактора.
Подсистема извлечения предпочтений эксперта предназначена для определения силы влияния между признаками. В этой подсистеме шкалы признаков Zij, их текущие значения zijk и знаковый граф ситуации (F, W) используются для автоматической генерации вопросов эксперту, из ответов на которые извлекается информация о силе влияния признаков ситуации. Генерация вопросов эксперту для определения силы влияния между признаками осуществляется в трех режимах: прямого оценивания, парного сравнения, задание функциональной зависимости.
В режиме прямого оценивания сила влияния определяется как передаточный коэффициент, вычисляемый по заданным экспертом приращениям признака причины и признака следствия:
wij sl = ,
где ppij - приращение признака-причины, prsl - приращение признака-следствия. Здесь и далее первый индекс i,s - номер понятия, второй индекс j,l - номер признака , соответственно, i - го или s - го понятия.
Режим парного сравнения используется в случаях, когда субъекту проще упорядочить признаки-причины ftl, fsd по силе влияния на признак следствие fij. Упорядочивание признаков-причин осуществляется с помощью метода парного сравнения, смысл которого заключается в экспертном определении: изменение какого из двух признаков-причин, предложенных для оценки, сильнее влияет на изменение значения признака-следствия. Эксперт определяет свои предпочтения, используя ранговую шкалу, предложенную Т. Саати [12].
Система автоматически обнаруживает нарушение транзитивности оценок и позволяет субъекту их исправить.
Режим задания функциональной зависимости используется, если значение признаков-причин и признака следствия - числовые и известна функциональная зависимость признака-следствия от множества признаков-причин: fij = (ftl, fsd, …, fze), начальные значения всех аргументов ftl = x0tl, fsd = x0sd,…, fze = x0ze и значение функции ftl = x0ij. Т.е. x0ij = (x0tl, x0sd, …, x0ze). Сила влияния факторов определяется как коэффициент чувствительности по каждому из аргументов.
Подсистема обработки предназначена для получения прогнозов развития ситуации, описанной системы. Результаты работы блока обработки представляются в виде двумерных массивов: приращений признаков ситуации Рt и изменения состояния ситуации Xt. Информация из этих массивов используется подсистемами представления результатов моделирования и поддержки аналитической деятельности эксперта.
Подсистема представления результатов моделирования обеспечивает представление значений признаков в таблицах на естественном и понятном эксперту языке. Для представления динамики изменения значения признака fij на графике отображается вектор строка (xij(t), xij(t+1), …, xij(t+n)) матрицы прогноза Xt.
Подсистема поддержки аналитической деятельности эксперта включает следующие подсистемы: объяснения прогноза развития ситуации; советующая подсистема поддержки разработки стратегии достижения цели; поддержки сценарного исследования ситуации.
Подсистема объяснения прогноза развития ситуации обеспечивает автоматическую генерацию отчета, включающего описание последовательных шагов (причинно-следственных цепочек) получения прогнозного значения любого признака ситуации. Отчет включает положительную и отрицательную причинно-следственные цепочки. Положительная цепочка объясняет причину увеличения значения признака, а отрицательная причину его уменьшения.
Советующая подсистема предназначена для выдачи рекомендаций и советов для выбора управляющих воздействий при разработке стратегии достижения цели G. Задача заключается в нахождении множества управляющих воздействий U и решается методом решения обратной задачи.
При решении обратной задачи многие решения, включенные в множество U могут быть неинтересны лицу принимающему решения, т.е. бесперспективны с точки зрения нахождения объектов стимулов. Поэтому в системе предложен алгоритм, в котором решения Uv формируются экспертом в диалоговом режиме с советующей подсистемой.
Эксперту дается возможность на основе собственных предпочтений выбрать управляющие признаки из множества признаков, полученных при решении обратной задачи, и включить их в решение Uv. Таким образом, в системе моделирования поиск решения Uv представляется как итерационный процесс, заключающийся в последовательном определении элементов вектора решения Uv. Такой интерактивный режим поиска решений позволяет субъекту сформировать неизбыточное множество решений.
В подсистеме поддержки сценарного исследования ситуации сценарием называется пара Uv, Xvt, где, Uv - решение, Xvt - матрица изменения состояния ситуации, порождаемая решением Uv. Подсистема поддержки сценарного исследования обеспечивает возможность сравнительного анализа двух любых сценариев развития ситуации, представленных в табличной или графической форме.
Литература
Axelrod R.The Structure of Decision: Cognitive Maps of Political Elites. - Princeton. University Press, 1976.
Kosko B. Fuzzy cognitive maps. Int. Journal man-machine Studies, 24: 65-75 (1986).
Робертс Ф.С. Дискретные математические модели с приложениями к социальным, биологическим и экологическим задачам. - М.: Наука, 1986. - 496 с.
Pappis C.P., Sugeno M. Fuzzy relational equations and the inverse problem. Fuzzy sets and Systems. 15, 1985, 79-90.
Pedrycz W. Fuzzy models and relational equations// Math. Modeling. - 1987. - №9. - p. 427-434.
Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. С-Петербург: - Питер, 2000.
Torgerson W.S. Theory and Methods of scaling. New York, 1958.
Силов В.Б. Принятие стратегических решений в нечеткой обстановке. - М.: ИНПРО-РЕС, 1995. - 228 с.
Фестингер Л. Теория когнитивного диссонанса. - СПб.: Ювента,1999. - С.15-52.
Кулинич А.А. Модель активизации мышления субъекта в системах когнитивного моделирования. Восьмая национальная конференция по искусственному интеллекту КИИ 2002. - Коломна, 4-12 октября 2002. - с. 575-584.
Кулинич А.А. Когнитивная система поддержки принятия решений «Канва»// Программные продукты и системы. №3, 2002 г.
Саати Т. Принятие решений. Метод анализа иерархий. Пер. с англ. - М.: «Радио и связь», 1993. - 320 с.
Размещено на Allbest.ru
Подобные документы
Начало современного этапа развития систем искусственного интеллекта. Особенности взаимодействия с компьютером. Цель когнитивного моделирования. Перспективы основных направлений современного развития нейрокомпьютерных технологий, моделирование интеллекта.
реферат [24,7 K], добавлен 05.01.2010Предмет и этапы когнитивного анализа задач, его основные методы и их реализация на псевдокодовом языке. Виды факторов, использующихся при когнитивном моделировании систем. Предъявляемые к библиотеке требования, оценка ее экономической эффективности.
дипломная работа [1,3 M], добавлен 29.01.2013Архитектура интегрированных информационных систем ARIS как методология моделирования бизнес-процессов, преимущества и недостатки использования. Выбор бизнес-процесса для моделирования и его содержательное описание, табличный формат его описания.
курсовая работа [2,2 M], добавлен 19.06.2015Значение компьютерного моделирования, прогнозирования событий, связанных с объектом моделирования. Совокупность взаимосвязанных элементов, важных для целей моделирования. Особенности моделирования, знакомство со средой программирования Турбо Паскаль.
курсовая работа [232,6 K], добавлен 17.05.2011Методология процесса моделирования IDEF, которая входит в семейство стандартов США по комплексной компьютерной поддержке производства ICAM. Распространенные методологии структурного подхода. Метод функционального моделирования SADT, иерархия диаграмм.
лекция [188,5 K], добавлен 27.12.2013Сущность, значение и методика проведения моделирования бизнес-процессов. История развития методологий моделирования. Систематизация знаний о компании и ее бизнес-процессах в наглядной графической форме для аналитической обработки полученной информации.
реферат [409,3 K], добавлен 29.04.2009Три типа задач из области информационного моделирования. Элементы системного анализа, его уровни и содержание. Табличные информационные модели, их использование. Информационное моделирование и электронные таблицы. Моделирование знаний в курсе информатики.
презентация [227,2 K], добавлен 19.10.2014Теоретические основы моделирования систем в среде имитационного моделирования AnyLogic. Средства описания поведения объектов. Анимация поведения модели, пользовательский интерфейс. Модель системы обработки информации в среде компьютерного моделирования.
курсовая работа [1,5 M], добавлен 15.05.2014Понятие информационных систем и принципы их проектирования. Изучение различных методов извлечения знаний, построение оптимальной информационной системы Data Mining, позволяющей разбивать набор данных, представленных реляционными базами данных на кластеры.
аттестационная работа [4,7 M], добавлен 14.06.2010Создание функциональной структуры фирмы. Методологии проектирования информационных систем. Состав стандарта IDEF. Средства структурного системного анализа. Метод функционального моделирования SADT. Стратегии декомпозиции. Диаграмма потоков данных DFD.
презентация [324,1 K], добавлен 27.12.2013
