|
Одной из наиболее важных разновидностей гибридных систем в информатике являются гибридные интеллектуальные системы, в которых имитируются различные стороны интеллектуальной деятельности человека. Это предполагает использование разнородных информационных технологий, включая «мягкие» технологии ИИ [3, 6, 116, 123]. Гибридные интеллектуальные системы рассматривались в работах В.В.Емельянова [38], А.П.Еремеева [39], Н.Касабова [123-124], Л.Г. Комарцовой [48, 49, 60], В.М. и В.В. Курейчиков [66-70], Дж.Люгера [75], Г.С.Осипова [88, 90], С.И.Родзина [103], В.Б.Тарасова [107], Ы.Г.Ярушкиной [116] и ряда других известных специалистов, внесших заметный вклад в формирование данной концепции. Проведем сравнительный анализ ряда «мягких» информационных технологий, которые хорошо зарекомендовали себя при решении трудно формализуемых задач (нейронных сетей, генетических алгоритмов, нечеткой логики). Результаты сравнительного исследования достоинств и недостатков каждой из технологий представлены в табл. 1.2. Из таблицы видно, что методы на основе технологий нейронных сетей (НС), нечеткой логики (НЛ) и генетических алгоритмов хорошо решают задачи, связанные с обработкой неполных, неточных и недостоверных данных. Нейронные сети обладают способностью обобщать разрозненные сведения, поступающие из разных источников, обучаться и прогнозировать возможное решение [4, 9, 42]. Генетические алгоритмы (ГА) во многих случаях позволяют найти наилучшее решение из многих возможных, обладают высокими адаптационными свойствами [87]. В свою очередь, системы на основе НЛ позволяют оперировать нечеткими, неточными, недостоверными знаниями [116]. В отличие от классических логик, интегрированные методы* на основе НС, НЛ и ГА обеспечивают возможность обработки информации и формирования знаний в условиях неопределенности, что объясняет широкие возможности интеллектуальных систем, использующих эти технологии [116]. |
48 теорий позволяет повысить эффективность генетического поиска, но слабая проработанность условий запуска той или иной модели эволюции затрудняет применение таких методов. 1.4. Создание гибридных моделей на основе различных методик и информационных технологий Опыт последних лет показал, что применение в информатике однородных методов, т.е. методов, соответствующих одной научной парадигме, для решения сложных проблем, далеко не всегда приводит к успеху. В гибридной архитектуре, объединяющей несколько парадигм, эффективность одного подхода может компенсировать слабость другого. Комбинируя различные подходы, можно обойти недостатки, присущие каждому из них в отдельности. Поэтому одной из ведущих тенденций, определяющей развитие теоретических основ информатики и автоматизированного проектирования стало распространение интегрированных и гибридных систем. Подобные системы состоят из различных элементов (компонентов), объединенных в интересах достижения поставленных целей. Интеграция и гибридизация различных методов и информационных технологий позволяет решать сложные задачи, которые невозможно решить на основе каких-либо отдельных методов или технологий. При этом в случае интеграции разнородных информационных технологий следует ожидать синергетических эффектов более высокого порядка, чем при объединении различных моделей в рамках одной технологии. Одной из наиболее важных разновидностей гибридных систем в информатике и САПР являются гибридные интеллектуальные системы, в которых имитируются различные стороны интеллектуальной деятельности человека. Это предполагает использование разнородных информационных технологий, включая «мягкие» технологии ИИ [1-3, 99, 107, 119-120]. Гибридные интеллектуальные системы рассматривались в работах 49 Р.А.Алиева [3], А.В.Гаврилова [25], П.Джексона [38], В.В.Емельянова [4042], А.П.Еремеева [20, 43], В.Н.Захарова [45], Н.Касабова [147], A.В.Колесникова [51], Л.Г. Комарцовой [52, 53, 55], О.П.Кузнецова [64], B. М. и В.В. Курейчиков [40, 48, 67, 69], Дж.Люгера [76], Л.Медскера [161], Г.С.Осипова [87, 88], Э.В.Попова [89-92], Г.С.Поспелова [93], Д.А.Поспелова [94], С.И.Родзина [97], Г.В.Рыбиной [100, 101], В.Б.Тарасова [107, 108], И.Б.Фоминых [113], Н.Г.Ярушкиной [119, 120], С.И.Ясиновского [42, 121] и ряда других известных специалистов, внесших заметный вклад в формирование данной концепции. В предыдущем разделе было рассмотрены вопросы создания гибридных систем и алгоритмов с использованием только средств эволюционного моделирования. В данном разделе описаны возможности построения гибридных систем на основе различных методик ЭМ и других информационных технологий. Проведем сравнительный анализ ряда «мягких» информационных технологий, которые хорошо зарекомендовали себя при решении трудно формализуемых задач (нейронных сетей, нечеткой логики, генетических алгоритмов), традиционных технологий искусственного интеллекта на основе инженерии знаний (в частности, классической логики) и методов исследования операций. Результаты сравнительного исследования достоинств и недостатков каждой из технологий представлены в таблице 1.3. Из нее видно, что методы на основе технологий нейронных сетей (НС), нечеткой логики (НЛ) и генетических алгоритмов хорошо решают задачи, связанные с обработкой неполных, неточных и недостоверных данных. Нейронные сети обладают способностью обобщать разрозненные сведения, поступающие из разных источников, обучаться и прогнозировать возможное решение. Генетические алгоритмы во многих случаях позволяют найти наилучшее решение из многих возможных, обладают высокими адаптационными свойствами. В свою очередь, системы на основе НЛ позволяют оперировать нечеткими, неточными, недостоверными знаниями. 51 Классические методы исследования операций и системы искусственного интеллекта (СИИ), построенные на основе классической логики, не обладают такими возможностями. Методы исследования операций целесообразно использовать для обработки достоверных данных, а СИИ — для представления полных и непротиворечивых знаний в хорошо определенной среде. В отличие от классических логик, интегрированные методы на основе НС, НЛ и ГА обеспечивают возможность обработки информации и формирования знаний в условиях неопределенности, что объясняет широкие возможности интеллектуальных систем, использующих эти технологии. Выбор технологии для обработки исходной информации, зависит от особенностей решаемых задач, от числа количественных и качественных параметров, описывающих проблему, от уровня ее проработанности. Поэтому необходимо определить условия применимости каждой из рассматриваемых технологий, а также разработать методы и алгоритмы, позволяющие адаптировать их к решению конкретных задач проблемной области. Так во многих случаях наилучшее решение проблем проектирования (на всех этапах поиска рациональных решений) может быть получено путем использования эволюционных методов, в частности, генетических алгоритмов, что позволяет перейти от процедур проектирования на основе жестких связей и правил к моделям с динамически изменяющейся структурой, зависящей от решаемой задачи [3,4, 47, 67-69,72]. Теоретической основой объединения, например, нечетких систем и нейросетевых технологий, в единую систему является результат, демонстрирующий функциональную эквивалентность между работой нейронных сетей и выводом в нечетких системах, полученный в [151]. Основные задачи, которые чаще всего должны решать гибридные модели, сводятся к следующим: задачи оптимизации; классификации и распознавания; задачи прогнозирования; задачи многокритериального выбора; задачи логического вывода и т.д. Как показано в таблице 1.3, для |