Математическое и программное обеспечение систем управления базами знаний интеллектуальных систем прогнозирования тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Пинчер, Денис Владимирович

• Пинчер, Денис Владимирович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Пинчер, Денис Владимирович

Содержание

Список используемых сокращений

Введение

1. Задача разработки программного обеспечения систем управления

базами знаний

1.1. Особенности программной обработки знаний в задачах

прогнозирования действий противодействующей стороны

1.1.1. Особенности знаний, используемых в интеллектуальных

системах прогнозирования

1.1.2. Анализ задачи построения программного обеспечения СУБЗ

1.1.3. Обзор существующих моделей представления знаний

1.1.4. Обзор существующих методов получения знаний

1.2. Анализ программных средств обработки знаний, используемых для

решения задач прогнозирования

1.2.1. Обзор существующих интеллектуальных систем

31

прогнозирования

1.2.2. Обзор инструментальных средств для построения ИС

1.3. Этапы разработки программного обеспечения систем управления базами знаний

1.3.1. Этап описания данных

1.3.2. Обзор языков представления знаний

1.3.3. Этап построения баз знаний

1.3.4. Этап обработки знаний

Выводы по главе 1

2. Алгоритмы построения баз знаний в программном обеспечении СУБЗ

50

2.1. Разработка синтаксиса языка представления знаний

2.1.1. Формализация задачи оценивания стратегии ПС

2.1.2. Построение модели стратегии ПС

2.1.3. Синтаксические единицы ЯПЗ

2.2. Алгоритмическое обеспечение построения и проверки баз знаний

2.2.1. Построение базы знаний

2.2.2. Проверка качества знаний

2.2.3. Структура программного кода для построения и проверки базы

знаний средствами ЯПЗ

2.3. Теоретическое исследование алгоритмов обработки данных

Выводы по главе 2

3. Алгоритмы обработки знаний в программном обеспечении СУБЗ

3.1. Принцип работы интерпретатора ЯПЗ

3.2. Алгоритм оценивания стратегии ПС

3.2.1. Первый этап оценивания стратегии

3.2.2. Второй этап оценивания стратегии

3.3. Алгоритм обработки знаний для прогнозирования следующих

действий ПС

3.3.1. Формирование прогноза

3.3.2. Проверка адекватности полученного прогноза

3.3.3. Структура программного кода для получения прогноза действий

ПС

3.4. Теоретическое исследование алгоритмов обработки знаний

Выводы по главе 3

4. Построение программного обеспечения СУБЗ

4.1. Структура и принцип работы СУБЗ

4.1.1. Структура СУБЗ

4.1.2. Принцип работы СУБЗ в обучающем режиме ПС

4.1.3. Принцип работы СУБЗ в рабочем режиме ИС

4.2. Программная реализация языка представления знаний

4.2.1. Ключевые слова и структура программного кода на ЯПЗ

4.3. Разработка программного комплекса для построения ИС прогнозирования

4.3.1. Структура программного комплекса

4.3.2. Реализация режима обучения ИС

4.3.3. Реализация рабочего режима ИС

4.4. Практическое исследование ИС прогнозирования

4.4.1. Подготовительный этап

4.4.2. Этапы обучения и решения задачи

Выводы по главе 4

Заключение

Список литературы

Список используемых сокращений

БД База данных

БЗ База знаний

ис Интел л е кту ал ь н ая система

ПС Проти во действу ющая сторона

СУБЗ Система управления базами знаний

япз Язык представления знаний

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение систем управления базами знаний интеллектуальных систем прогнозирования»

Введение

Актуальность темы исследований. Интерес к и нтелле кту ал ьн ы м системам (компьютерным системам, позволяющим решать сложные прикладные задачи на основе хранящихся в их памяти знаний) в настоящее время очень высок. Данные системы используются в различных предметных областях для решения широкого круга трудноформализуемых задач, которые не могут быть эффективно решены с помощью известных математических методов. К таким задачам, в частности, относятся задачи прогнозирования, планирования и многие другие.

Основными компонентами любой интеллектуальной системы (ИС) являются база знаний (БЗ) и система управления базами знаний (СУБЗ). База знаний представляет собой совокупность знаний о предметной области, а СУБЗ - программное средство, в котором реализована совокупность алгоритмов, обеспечивающих работу со знаниями - то есть, их получение, пополнение, обработку и интерпретацию. Эффективность работы любой интеллектуальной системы напрямую зависит от эффективности выполнения каждого из этих процессов. Потому вопросам разработки математического и программного обеспечения СУБЗ в составе интеллектуальных систем традиционно уделяется много внимания.

Значительный вклад в развитие математического аппарата СУБЗ в составе интеллектуальных систем и методов построения соответствующего программного обеспечения внесли отечественные учёные Д.А. Поспелов, Т.А. Гав-рилова, В.Ф. Хорошевский, Б.З. Мильнер, В.М. Вагин, А.Л. Гапоненко и другие, а также ряд зарубежных учёных: К. Вииг, С. Осуга, Ю. Саэки, М. Исидзука, У. Букович, Р. Уильяме, Л. Прусак, Т. Давенпорт и др.

В настоящее время дальнейшему расширению круга задач, решаемых интеллектуальными системами, препятствует ряд факторов как технического, так и методологического характера. К таким факторам относятся сложность описа-

ния знаний и реализации алгоритмов их обработки для решения поставленных задач с помощью существующих языковых средств и вытекающая из этого сложность построения программного обеспечения СУБЗ в условиях, когда знания описывают динамику активных систем. Примером таких систем может быть взаимодействие двух и более лиц, каждое из которых имеет свою собственную цель и стратегию поведения в той или иной ситуации. Примером задач, эффективное решение которых требует использования данного программного обеспечения, являются задачи прогнозирования действий противодействующей стороны в условиях, когда взаимодействие осуществляется относительно активных систем. При этом эффективность решения задач данного типа во многом определяет успешность работы в таких важных сферах человеческой деятельности, как экономика, бизнес, информационная безопасность и многих других.

Следовательно, разработка методов построения математического и программного обеспечения систем управления базами знаний в составе интеллектуальных систем прогнозирования действий противодействующей стороны является актуальной и востребованной в перечисленных прикладных областях.

Объектом исследования являются программные системы управления базами знаний в составе интеллектуальных систем прогнозирования.

Предметом исследования является математическое и программное обеспечение систем управления базами знаний.

Целью исследования является повышение эффективности функционирования интеллектуальных систем прогнозирования действий противодействующей стороны путем разработки математического и программного обеспечения систем управления базами знаний в их составе.

В соответствии с указанной целью в диссертационной работе были поставлены следующие задачи:

1. Разработка языка представления знаний (ЯПЗ), позволяющего описывать знания о возможных стратегиях поведения противодействующей стороны (ПС) в различных ситуациях.

2. Разработка алгоритмического обеспечения интерпретатора языка представления знаний, позволяющего обрабатывать накопленные знания для получения прогноза следующих действий ПС.

3. Разработка методики построения программного обеспечения систем управления базами знаний, использующего разработанный язык представления знаний.

4. Разработка и исследование программного обеспечения интеллектуальной системы прогнозирования действий ПС, в состав которой входит система управления базами знаний, разработанная в соответствии с предложенной методикой.

Методы исследования. Для решения поставленных задач в работе использованы методы теории компиляторов, методы искусственного интеллекта и инженерии знаний, методы нечеткой логики.

Научная новизна работы заключается в разработке комплекса программных, языковых и интеллектуальных средств, с помощью которых реализуется создание и использование базы знаний, а именно:

1. Предложен язык представления знаний, отличающийся возможностью описания информации в виде последовательности пар «ситуация - действие противодействующей стороны» и позволяющий описывать стратегии ПС.

2. Разработан интерпретатор предложенного языка представления знаний, обеспечивающий операции извлечения, пополнения, модификации и обработки знаний, описанных в соответствии с синтаксисом данного языка, и позволяющий вырабатывать достоверный прогноз следующих действий ПС.

3. Предложена методика построения программного обеспечения систем управления базами знаний, основанная на использовании разработанного языка

представления знаний и позволяющая создавать СУБЗ в составе интеллектуальных систем прогнозирования.

Достоверность научных результатов подтверждена результатами теоретических и экспериментальных исследований, полученными в ходе решения прикладной задачи обработки знаний для получения прогноза следующих действий противодействующей стороны с использованием разработанного в соответствии с предложенной методикой программного обеспечения систем управления базами знаний.

Практическая значимость работы заключатся в следующем:

1. Разработанный язык представления знаний позволяет в простой и понятной форме описывать процессы взаимодействия сторон и стратегии ПС, что упрощает написание, проверку и отладку программного кода.

2. Алгоритмы и методы обработки данных и знаний, лежащие в основе интерпретатора разработанного языка, обеспечивают повышение эффективности процессов обработки знаний, заключающейся в достоверности вырабатываемого прогноза следующих действий противодействующей стороны.

3. Программное обеспечение систем управления базами знаний, построенное в соответствии с предложенной методикой, может быть использовано в различных областях человеческой деятельности, в которых возможно противодействие сторон: конкурентном соперничестве коммерческих структур, обеспечении информационной безопасности и т.п.

На защиту выносятся:

1. Язык представления знаний о возможных стратегиях ПС.

2. Алгоритмическое обеспечение интерпретатора данного языка.

3. Методика построения программного обеспечения СУБЗ, использующего разработанный язык программирования.

Реализация и внедрение результатов. Результаты проведенных исследования были включены в конспекты лекций по курсам «Введение в системы искусственного интеллекта», «Теория принятия решений», «Теория интеллек-

туальных компьютерных систем» на кафедре «Электронные вычислительные машины» ФГБОУ ВПО «Тульский государственный университет». Разработанное программное обеспечение системы управления базами знаний используется в производственном процессе в РУНЦ РГРТУ «Информационная безопасность», г. Рязань, в составе интеллектуальной системы защиты информации.

Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на научных конференциях и семинарах: 1. «Гагаринские чтения». XXXV международная молодёжная конференция, МАТИ, Москва, 2009г. 2. «Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции». Тульский государственный университет. - Тула, 2009 г. 3. «Актуальные вопросы развития современной науки, техники и технологий». II всероссийская заочная научно-практическая конференция, НИИРРР, Москва, 2010 г. 4. «Научное творчество XXI века». II всероссийская заочная научная конференция с международным участием, Научно-инновационный центр, Красноярск, 2010 г. 5. «Электронные средства и системы управления». VI международная научно-практическая конференция, ТУ СУР, Томск, 2010 г. 6. «Актуальные проблемы аппаратно-программного и информационного обеспечения науки, образования, культуры и бизнеса». Международная научно-практическая конференция, МГУ ГШ, Москва, 2010 г. 7. «Актуальные вопросы современной техники и технологии». III международная заочная конференция, Липецк, 2011 г.

Публикации. По теме диссертационного исследования опубликовано 12 печатных работ, в том числе 6 статей и 6 докладов в сборниках трудов конференций, включая 5 публикаций в периодических изданиях, рекомендуемых ВАК РФ для публикаций материалов кандидатских диссертаций.

Структура и объем работы» Диссертация состоит из введения, четырех глав, заключения, библиографического списка (102 наименований) и приложений. Основная часть диссертации содержит 131 страницу машинописного текста, включая 6 рисунков, 17 таблиц.

и

В первой главе диссертации говорится о проблемах разработки программного обеспечения систем управления базами знаний в составе интеллектуальных систем, функционирующих в предметных областях, характеризующихся наличием противодействия. Рассматриваются существующие модели и языки представления знаний, а также наиболее известные инструментальные средства построения интеллектуальных систем и их основных компонентов. Показываются их недостатки и ограничения при выполнении различных операций обработки знаний, описывающих процессы взаимодействия сторон. Предлагается подход к повышению эффективности процессов обработки знаний в интеллектуальных системах прогнозирования за счет реализации языка представления знаний, позволяющего описывать и обрабатывать информацию о процессах взаимодействия сторон, и разработки методики построения программного обеспечения СУБЗ, использующих данный ЯПЗ.

Во второй главе рассматривается ЯПЗ, разработанный для описания и обработки знаний о стратегиях ПС в различных ситуациях. Обосновываются грамматика, синтаксис и словарь ЯПЗ. Приводятся примеры программного кода на этом языке. Описывается метод извлечения знаний о стратегиях ПС из доступной информации, предназначенный для построения и проверки баз знаний ИС и используемый в алгоритмическом обеспечении интерпретатора разработанного языка представления знаний. Рассматриваются способы построения базы знаний по имеющейся информации средствами данного языка. Выполняется теоретическое исследование предложенного метода обработки знаний.

В третьей главе описывается интерпретатор разработанного языка представления знаний. Рассматривается структура интерпретатора, приводится описание принципа и особенностей его работы. Описываются алгоритмы обработки знаний, положенные в основу алгоритмического обеспечения разработанного языка и позволяющие получить прогноз следующих действий ПС в результате обработки информации о текущем процессе взаимодействия. Выполняется теоретическое исследование разработанных алгоритмов.

В четвертой главе рассматривается методика построения программного обеспечения СУБЗ в составе ИС прогнозирования действий противодействующей стороны, использующего разработанный язык представления знаний. Описывается структура системы управления базами знаний, включающая в себя интерпретатор разработанного языка. Описывается функционирование программного обеспечения СУБЗ в обучающем и рабочем режимах ИС. Описывается программный комплекс, разработанный для исследования предложенных алгоритмов и методов. Рассматривается решение практической задачи обработки знаний для прогнозирования действий ПС с использованием разработанного программного комплекса.

1. Задача разработки программного обеспечения систем управления базами знаний

1.1. Особенности программной обработки знаний в задачах прогнозирования действий противодействующей стороны

Ядром любой интеллектуальной системы (ИС) является база знаний (БЗ), содержащая знания о рассматриваемой предметной области [56]. Знания, представленные в БЗ, хранятся в конкретной форме, которая зависит от специфики решаемой задачи и особенностей рассматриваемой предметной области. Создание и использование базы знаний реализуется с помощью систем управления

базами знаний (СУБЗ).

Для построения программного обеспечения СУБЗ в составе ИС прогнозирования действий противодействующей стороны должны быть решены задачи описания знаний о взаимодействии сторон и обработки таких знаний, обеспечивающей формирование прогноза очередного действия ПС. Эти задачи решаются средствами языка представления знаний (ЯПЗ), используемого в СУБЗ. Потому ЯПЗ, позволяющий решить указанные выше задачи, играет важную роль при разработке программного обеспечения СУБЗ в составе ИС указанного типа. При этом для выбора или разработки ЯПЗ, который может быть использован в СУБЗ, необходимо определить особенности знаний, составляющих БЗ, и их обработки.

Целью настоящего исследования является разработка комплекса математических и программных средств, упрощающих построение программного обеспечения СУБЗ в составе интеллектуальных систем прогнозирования действий противодействующей стороны, а предметными областями, в которых могут применяться данные ИС, являются различные области, характеризующиеся наличием противодействия. Рассмотрим специфику таких предметных областей и особенности задачи прогнозирования действий противодействующей стороны в

каждой из них и определим особенности знаний, работу с которыми должна осуществлять СУБЗ.

1.1.1. Особенности знаний, используемых в интеллектуальных системах прогнозирования

В предметных областях, характеризующихся наличием противодействия (например, в экономике, бизнесе и информационной безопасности), процесс взаимодействия можно охарактеризовать следующим образом.

Участниками данного процесса являются несколько сторон, одна из которых определяет правила взаимодействия, а остальные стороны имеют различные цели и предполагаемые способы их осуществления, не известные остальным участникам. В дальнейшем для простоты будем считать, что в данном процессе принимают участие три стороны - два соперника (первая и вторая сторона) и правила взаимодействия (третья сторона). Процесс взаимодействия осуществляется относительно активной системы, состояние которой изменяется в результате выполнения действий каждым из его участников.

Примером системы, относительно которой осуществляется взаимодействие, может являться рынок некоторых товаров. Участниками взаимодействия -первой и второй сторонами - являются конкуренты, занимающиеся реализацией товаров данного вида. Целью каждого из них является захват рынка, соответствующий вытеснению с этого рынка другого участника. Действия, выполняемые этими участниками, направлены на достижение поставленной цели.

Действие, выполненное одним из конкурентов, влияет на выбор действия другого конкурента. Например, проведение рекламной акции первой стороной зачастую вынуждает выполнение подобного действия второй стороной, потому что в противном случае вторая сторона может потерять часть своих клиентов.

В роли третьей стороны в данном случае выступают действующие законы и нормативные акты, правила торговли, таможенная политика - то есть, правила взаимодействия, влияющие на выбор действий первой и второй сторон и способные меняться в процессе взаимодействия.

Состояние системы - рынка товаров - характеризуется рядом показателей, значения которых могут измеряться как количественных, так и в порядковых шкалах. Примерами таких показателей являются: процент рынка, занимаемым первой и второй сторонами, репутация каждой из сторон и т.д. Значения этих показателей изменяются при выполнении каждой из сторон действий, направленных на достижение поставленной цели. Например, увеличение затрат на обучение своих сотрудников для повышения качества обслуживания клиентов одним из участников взаимодействия способно привести к улучшению репутации этого участника.

Резюмируя вышесказанное, можно выделить следующие особенности

рассматриваемых предметных областей, которыми являются:

1. Условия противодействия - участники взаимодействия имеют противоположные цели, и у каждого из них имеется желаемый способ достижения цели, неизвестный другим участникам.

2. Динамический характер взаимодействия - состояние системы, в которой происходит процесс взаимодействия сторон, изменяется в результате выполнения ходов каждой из сторон.

3. Взаимное влияние ходов участников взаимодействия - то есть, в любой ситуации действие первого участника влияет на выбор действия второго участника, и наоборот. Кроме того, на действия обоих участников влияют действия третьей стороны.

Перейдем к рассмотрению особенностей задачи прогнозирования действий противодействующей стороны. Здесь и далее будем считать, что ПС является вторая сторона, а задача прогнозирования её действий рассматривается с

точки зрения первой стороны.

Целью прогнозирования действий ПС является получение некоторого ограниченного множества альтернатив следующего действия этого участника, мощность которого меньше мощности множества возможных в данный момент

действий ПС. Условием достоверности выработанного прогноза является попадание значения следующего действия ПС в данное множество.

Основная сложность данной задачи состоит в том, что на выбор следующего действия ПС не влияют какие-либо математические и статистические законы. Например, если в рассмотренной выше ситуации борьбы за рынок бытовой техники ПС набирает ежегодно по 25 новых сотрудников в течение трёх лет, то было бы некорректно предполагать, что в следующем году ПС наберёт столько же сотрудников - возможно, текущее количество сотрудников он считает достаточным для эффективной работы.

Но при этом можно сказать, что на выбор действия каждой стороной (за исключением третьей стороны) в любой ситуации влияют следующие факторы: 1) текущее состояние системы, относительно которой осуществляется взаимодействие, и действия, выполненные другими сторонами; 2) цель, преследуемая этой стороной; 3) выбранная ей стратегия осуществления данной цели. Отсюда следует вывод: точность прогнозирования зависит от достоверности знания значений каждого из этих факторов. При отсутствии таких знаний выработка

точного прогноза невозможна.

Из перечисленных факторов, влияющих на выбор хода ПС, только первый является наблюдаемым для первой стороны. Цель ПС и выбранная им стратегия ее достижения первой стороне неизвестны.

Следовательно, знание стратегии ПС необходимо для выработки достоверного прогноза. Предполагается, что данную стратегию можно оценить по начальной последовательности выполненных ПС действий, используя знания о различных вариантах осуществления его возможных стратегий.

Перейдем к рассмотрению особенностей таких знаний.

Под стратегией понимается способ использования средств и ресурсов, направленный на достижение цели субъекта, реализуемый посредством комплекса действий (ходов), обычно предпочитаемого субъектом для решения раз-

личных задач его жизнедеятельности [14]. О важности задач разработки стратегии говорится в работе [64].

Согласно [65], в ситуации антагонистического конфликта поведение сторон принято характеризовать стратегией и тактикой. Тактика - это план действия противоборствующих сторон на один элементарный шаг конфликта. Стратегией называется план действия сторон на весь период развития конфликта вплоть до его завершения. При этом тактика действия каждого участника конфликта подчинена принятой стратегии.

Знание стратегии ПС сужает область, внутри которой следует искать альтернативы его следующих действий, упрощая процесс построения множества данных альтернатив и, как следствие, дальнейший процесс их анализа [41]. Наглядным примером тому может служить задача прогнозирования действий ПС, где первая и вторая сторона являются конкурентами на рынке некоторой продукции. Предположим, возможными действиями ПС в рассматриваемой ситуации являются увеличение затрат на рекламу, увеличение ассортимента и обучение персонала. Допустим также, что первой стороне известна стратегия ПС, заключающаяся в повышении качества обслуживания. Тогда из перечисленных действий ПС первые два могут быть исключены из рассмотрения, поскольку данные действия не направлены на осуществление этой стратегии.

Каждая возможная стратегия ПС представляет собой способ достижения некоторой цели - то есть, выгодного для ПС состояния системы, относительно которой осуществляется взаимодействие. При этом множество целей ПС и множество возможных стратегий их достижения являются конечными.

Стратегия ПС определяет выбор конкретного действия этого участника в зависимости от текущей ситуации [13]. Таким образом, стратегия ПС определяется действиями, выполняемыми им в каждом состоянии системы в ответ на действия, выполненные другими участниками взаимодействия. Результатом выполнения каждого из действий ПС является переход системы в новое состоя-

ние.

\

Отсюда следует, что стратегия ПС может быть представлена динамической последовательностью желаемых для этого участника состояний системы вида где 80 - исходное состояние системы, 8П - ее конечное со-

стояние, соответствующее достижению цели ПС. При этом каждое состояние Лк, через которое проходит данная последовательность, принадлежит конечному множеству возможных состояний КЕ5Д =0,1,...,л}, а к - это номер действия в упорядоченной последовательности действий сторон. Особенность таких последовательностей заключается в том, что переход системы в каждое состояние 5к, принадлежащее данной последовательности, возможен только из предыдущего состояния 5к4 - то есть, элементы последовательности не являются независимыми. Эта особенность определяет динамический характер знаний, описывающих стратегии.

Другой особенностью является неоднородность показателей, описывающих каждое из состояний системы. Например, в описанной выше ситуации борьбы за рынок бытовой техники один из показателей (процент рынка, занимаемый ПС) является количественным, а другой (репутация ПС) - качественным. Эта особенность требует приведения разнотипной информации к единой

шкале измерения при описании знаний.

Кроме того, множества действий ПС, направленных на осуществление

той или иной стратегии в произвольном состоянии системы, а также множества состояний 5к, не имеют четких границ. Эта особенность объясняется многообразием вариантов действий каждой из сторон в произвольном состоянии системы.

Из этого вытекают следующие особенности знаний, описывающих возможные стратегии ПС:

1. Динамичность знаний, описывающих возможные стратегии ПС.

Стратегия ПС - это динамическая последовательность состояний

системы, которая может быть описана только динамической моделью. Для описания стратегии ПС статические модели бесполезны.

2. Неоднородность знаний, описывающих элементы каждой из возможных стратегий ПС.

3. Нечеткость знаний, описывающих варианты действий, направленных на осуществления той или иной стратегии ПС, и состояний, через которые проходит данная стратегия.

Таким образом, для построения программного обеспечения СУБЗ в составе ИС прогнозирования необходимо разработать алгоритмы работы со знаниями, обладающими всеми перечисленными особенностями.

1.1.2. Анализ задачи построения программного обеспечения

СУБЗ

Перейдем к рассмотрению задачи разработки программного обеспечения СУБЗ в составе ИС прогнозирования действий ПС. Для этого определим задачи, которые должно решать разрабатываемое программное обеспечение.

Как показано ранее, получение достоверного прогноза следующих действий ПС без знания его стратегии невозможно. Каждое действие, выполняемое ПС, определяется сложившейся ситуацией и выбранной им стратегией. Под ситуацией подразумевается текущее состояние системы, относительно которой осуществляется взаимодействие, и действия, выполненные другими сторонами.

Во многих прикладных областях цель и стратегия ее достижения формируются еще до начала взаимодействия и подвергаются корректировке только в самых крайних случаях [69]. Потому для упрощения предположим, что стратегия, на осуществление которой направлена последовательность действий, выполненных ПС с начала взаимодействия до текущего момента, является той стратегией, которой ПС будет придерживаться в дальнейшем.

Таким образом, стратегию, выбранную ПС, можно представить как некоторую устойчивую закономерность, скрытую от других участников взаимодей-

ствия в фактах, описывающих рассматриваемый процесс взаимодействия. Тогда задача ее оценивания сводится к задаче выявления данной закономерности.

Для решения задачи прогнозирования действий ПС средствами ИС необходимо выполнить следующие действия:

1) формализовать задачу оценивания стратегии для того, чтобы определить форму, в которой знания о возможных стратегиях ПС будут помещаться в БЗ;

2) выполнить обучение ИС - то есть, сформировать БЗ ИС моделями возможных стратегий ПС, описанными в предложенной форме;

3) сопоставить информацию, хранящуюся в базе данных (БД) ИС и описывающую рассматриваемый процесс взаимодействия, с моделями каждой из стратегий в БЗ и определить модель, наиболее соответствующую текущей траектории;

4) выбрать одну из моделей и определить в ней правила выбора действия, соответствующие текущей ситуации;

5) по результатам выполнения данных правил определить множество альтернатив следующих действий ПС и выполнить их ранжирование.

Из этого вытекают следующие требования к основным операциям, которые должны быть реализованы в разрабатываемом программном обеспечении СУБЗ:

1. Управление знаниями - в СУБЗ должны быть предусмотрены функции формирования БЗ, её пополнения и модификации хранящихся в ней знаний на основе анализа наблюдений за поведением ПС.

2. Обработка знаний - в СУБЗ должны быть предусмотрены функции сопоставления фактов, хранящихся в БД ИС с моделями стратегий, хранящимися в БЗ ИС, и функции выбора моделей по результатам сопоставления.

3. Интерпретация знаний - в СУБЗ должны быть предусмотрены функции интерпретации знаний, описывающих как модель предполагаемой стратегии ПС, так и множество альтернатив его следующих действий, с соответствующими пояснениями.

Кроме того, знания, работа с которыми осуществляется в разрабатываемом программном обеспечении СУБЗ, обладают перечисленными ранее особенностями. Для построения программного обеспечения СУБЗ необходимо предварительно решить задачу обработки имеющейся информации, описывающей результаты наблюдений за ПС, определить возможные источники данной информации и выбрать или разработать метод получения знаний из нее. На практике для решения первой задачи выбирается или разрабатывается модель представления знаний, позволяющая описывать знания в соответствии с их спецификой [18]. Для решения второй задачи выбирается или разрабатывается метод извлечения знаний из имеющейся информации.

Рассмотрим существующие модели представления знаний и компьютерные методы их получения и определим, могут ли они быть использованы в разрабатываемом программном обеспечении СУБЗ для эффективной работы со знаниями.

1.13. Обзор существующих моделей представления знаний

Рассмотрим существующие модели представления знаний и предметные области, для работы в которых они применяются, и оценим возможность использования данных моделей для представления знаний, описывающих стратегии ПС.

В работах [25, 32, 38] выделяют логическую, сетевую, фреймовую и продукционную модели представления знаний.

Логическая модель представления знаний - это модель, основанная на использовании логики предикатов. Основой таких моделей является система вида М = (Т,Р,А,В), где Т - множество базовых элементов рассматриваемой

предметной области, Р - множество синтаксических правил, предназначенных для построения логических формул с помощью множества Т, А - множество аксиом, то есть, некоторое базовое множество правил, В - множество правил вывода.

Логика предикатов рассматривает вопрос, как, представив предложения в виде логических формул, с помощью выводов получить из нескольких исходных логических формул конечную формулу [37]. Существенным ограничением данной модели знаний является тот факт, что записать знания в виде логических формул невозможно, если знания превышают возможности представления в логике предикатов. Например, логическая модель не позволяет описывать нечёткие знания, которые не предполагают возможности однозначного описания истинности или ложности того или иного заключения. Таким образом, логика предикатов не позволяет оценить степень соответствия выходной информации набору входной, что затрудняет использование логической модели знаний для построения лингвистической модели стратегии ПС вследствие невозможности полноценной работы с нечётко описанными данными. Кроме того, модели данного типа не позволяют учитывать динамику процесса взаимодействия сторон.

Сетевая модель представления знаний - это модель, в основе которой лежит семантическая сеть. Данная модель знаний представляет собой структуру следующего вида: Я =(/,С1,С2,...,С„,Г), где / - множество информационных единиц, СI - множество типов связей между информационными единицами,

Г - отображение, задающее связь между информационными единицами из множества / и типами связей С ;-.

Знания, хранящиеся в данных моделях, представляются в виде многоуровневого графа, вершины которого соответствуют объектам рассматриваемой предметной области, а дуги - отношениям между объектами. В иерархической структуре знаний, описанных семантической сетью, как правило, присутствуют связи хотя бы двух видов - является (¡8-а) и является частью (рай-о!) [63]. Отношение первого типа является отношением включения. Например, с

помощью отношения is-a можно определить предложение «Человек является млекопитающим». В данном случае «человек» является экземпляром, а «млекопитающее» - прототипом. Отношение is-a означает, что экземпляр имеет все те же атрибуты, что и прототип. Это свойство называется наследованием атрибутов. Отношение part-of - это отношение вида «целое-часть», предназначенное для описания способа отношения между экземплярами и показывающее внутреннюю структуру предиката. Например, с помощью данного отношения можно определить предложение «Птицы имеет крылья».

Семантические сети обычно используются в интеллектуальных системах понимания естественного языка распознавания речи, таких как SIR, SCHOLAR [33]. Источниками знаний для построения семантических сетей являются словари и падежные грамматики - то есть, фундаментальные статические знания о правилах синтаксиса распознаваемого языка. Другой областью применения семантических сетей являются задачи медицинской диагностики (ИС CASNET), где источником знаний является классификационная таблица состояний, описывающих известные диагнозы, соответствующие им симптомы и методы их лечения [74]. То есть, знания статического характера.

Данная модель представления знаний позволяет описывать свойства исследуемых экземпляров на основе знаний об их прототипах. Процедура вывода знаний на семантической сети заключается в сопоставлении частей сетевой структуры. Этот способ вывода основан на построении подсети, соответствующей запросу, и сопоставлении её с сетью. Из этой особенности следует недостаток сетевой модели знаний, заключающийся в сложности организации процедуры вывода данных, которая к тому же осложняется тем, что с увеличением размеров сети существенно увеличивается время сопоставления неоднозначно заданных поел е до вате л ь н осте й. Кроме того, семантические сети позволяют описывать чёткие однозначные отношения между объектами базы знаний, но не предоставляют механизмов работы с нечёткими отношениями.

Фреймовая модель представления знаний - это многоуровневая иерархическая модель с жесткой структурой информационных единиц следующего вида:

Имя фрейма:

Имя слота 1, значение слота 1

Имя слота N. значение слота N.

Значениями каждого из слотов могут являться числа, математические отношения, правила, либо набор слотов более низкого уровня. Слоты на каждом уровне структуры задаются пользователями, причём значения слотов фреймов верхнего уровня наследуются фреймами более низких уровней.

Фреймовая модель, так же, как и семантическая сеть, позволяет описывать иерархическую структуру знаний на основе отношения «абстрактное -конкретное», верхним уровнем которого является концептуальный объект, а нижним - конкретный рассматриваемых объект [38]. Связь между объектами иерархии описывается с помощью отношений 18-а и ктс!-оГ (разновидность). Отношение первого типа соответствует рассмотренному ранее отношению «является». Отношение второго типа представляет собой развитие рассмотренного ранее отношения раг1-о1, в котором стало возможным наследование атрибутов.

Фреймовые модели представления знания используются в диагностических ИС, таких как система МОВ18, предназначенная для помощи врачам в анализе различных форм гипертонии [26]. Знания в этой ИС представлены в виде деревьев решений, каждая вершина которого представляет собой вопрос, а каждая ветвь - ответ на вопрос, соединяющий данную вершину с другой вершиной - новым вопросом. Такое дерево описывает статические знания о возможных вариантах состояния пациента.

К недостаткам фреймовых систем относят их высокую сложность, что проявляется в повышенной трудоёмкости внесения изменений в родовую иерархию. Данная модель предназначена для описания концептуальных статиче-

ских объектов, но описание нечётких динамически изменяющихся объектов на основе данной модели знаний представляет значительную сложность.

Продукционная модель представления знаний — это модель, основанная на использовании набора правил вида «Если А, то В», где А - это антецедент, то есть, причина или явление, а В - консеквент, то есть, следствие или реакция, соответствующее антецеденту А. Данная модель состоит из трёх основных компонентов - набора правил, рабочей памяти и механизма логического вывода. Набор правил, используемый как база знаний, представляет собой систему продукций. В данной системе задаются специальные процедуры управления продукциями, с помощью которых происходит актуализация продукции и выбор одной из актуализированных продукций. В рабочей памяти модели хранятся предпосылки, касающиеся конкретных задач рассматриваемой предметной области, и результаты полученных на их основании выводов. Механизм логического вывода предназначен для использования правил в соответствии с содержимым рабочей памяти.

Существуют прямой и обратный механизмы логического вывода. Прямой вывод - это вывод новых правил на основе извлечения содержимого рабочей памяти и применения к ним правил из базы знаний. Обратный логический вывод - это способ, при котором на основании требующих подтверждения фактов исследуется возможность применения правил.

Областями применения ИС, в которых реализована продукционная модель знаний, являются проектирования и диагностика. Примерами таких ИС являются MYCIN, ANGY, ISA [92].

Достоинством продукционной модели знаний является простота пополнения и удаления знаний, что существенно облегчает процесс формирования базы знаний при изменении обучающей выборки данных. Недостатком таких моделей является невысокая гибкость и эффективность процесса вывода в случае большого количества правил. Основную сложность для описания динамики движения на основе продукционных моделей представляет тот факт, что в дан-

ыых моделях отсутствует механизм формирования связей между продукциями, позволяющий описать порядок их следования.

Из данного анализа можно сделать вывод, что в настоящее время не существует моделей представления знаний, позволяющих описывать динамику и нечеткость изменения состояний активной системы.

Следовательно, для представления знаний о возможных стратегиях ПС необходима разработка модели представления знаний, позволяющей описывать знания, обладающие приведенными ранее особенностями.

1.1.4. Обзор существующих методов получения знаний

Перейдем к рассмотрению существующих методов получения знаний и оценим возможность их использования в ИС для решения задачи прогнозирования действий ПС.

Знания, использование которых необходимо для решения задачи прогнозирования средствами ИС, в соответствии с терминологией искусственного интеллекта и инженерии знаний [68] можно разделить на следующие типы:

1) явные декларативные знания, описывающие текущую траекторию ПС и представленные фактами в БД ИС;

2) скрытые декларативные и процедурные знания, описывающие д е й ст вительную стратегию ПС и правила выбора его следующих действий в текущий момент времени. Эти знания представлены фактами в БД;

3) знания, представленные в виде нечетких динамических моделей и отображающие различные траектории движения ПС под действием внешних и внутренних факторов.

Знания первого типа могут быть получены с помощью обучения без выводов - то есть, процесса получения информации, при котором необязательны функции выводов, а полученная процедурная и декларативная информация в виде программ или данных используется для решения задач в неизменном виде [56].

Знания второго типа могут быть получены в результате выполнения процесса обработки знаний.

Наибольший интерес представляют знания третьего типа, которые могут быть получены в результате обработки априорной либо апостериорной информации.

Априорной информацией о ПС является множество достоверных сведений об этом участнике, не требующих подтверждения. В данном случае такими сведениями являются знания о цели, к достижению которой стремится ПС в рассматриваемом процессе взаимодействия, и знания о выбранной им стратегии ее достижения. Такая информация может быть получена первой стороной в случае, если первая и вторая стороны уже взаимодействовали в прошлом, либо если достоверные сведения о поведении ПС в текущем процессе взаимодействия можно получить из каких-либо источников.

Знания, описывающие выбранную ПС стратегию, в данном случае являются явными. Процесс получения знаний может осуществляться с помощью методов получения извне информации, уже представленной в форме знаний. Это наиболее простой, но и наиболее редкий случай, поскольку на практике получение достаточного количества априорной информации не всегда представляется возможным.

В случае, когда для оценивания стратегии ПС имеющейся у первой стороны априорной информации недостаточно, этому участнику взаимодействия необходимо использовать апостериорную информацию - то есть, результаты наблюдений за поведением этой стороны в некотором множестве выполненных в прошлом процессов взаимодействия с ее участием. Например, апостериорной информацией о конкретном противнике в шахматах является информация, представленная множеством партий, сыгранных ранее этим игроком. Результаты наблюдений за ПС содержат в себе знания о предпочитаемых им стратегиях, представленные в виде скрытых закономерностей. Следовательно, процесс по-

лучения знаний из апостериорной информации о ПС сводится к выявлению скрытых закономерностей его поведения.

Методы, пригодные для осуществления данного процесса, можно разделить на методы обучения по примерам и методы формирования знаний. Рассмотрим методы каждой из этих групп более подробно.

Метод приобретения знаний из примеров характеризуется тем, что здесь выполняется сбор отдельных фактов, их преобразование и обобщение, после чего в результате логических выводов происходит формирование новых знаний. В зависимости от уровня сложности системы вывода в системе будут возникать разные по степени общности и сложности знания. Выделяют три формы обучения по примерам: параметрическое обучение, обучение на основе выводов по аналогии и обучение на основе выводов по индукции.

Параметрическое обучение состоит в определении общего вида правила, которое должно стать результатом вывода, и дальнейшей корректировке входящих в это правило параметров в зависимости от данных. Поскольку представление динамической последовательности одним параметризованным правилом невозможно, данная форма обучения по примерам не может быть использована для получения динамических знаний.

Идея методов обучения на основе выводов по аналогии заключается в том, что приобретение новых понятий возможно путем преобразования существующих знаний, похожих на те, которые необходимо получить. Аналогии применяются для решения задач и для предсказаний [12, 56]. Аналогии первого типа применяются для повышения эффективности решения задач программирования и доказательства теорем. Аналогии второго типа применяются для обнаружения новых фактов на основе анализа подобия между объектами. Оба типа аналогий применимы только для работы со статическими процедурными и декларативными знаниями и малоэффективны для получения динамических знаний.

Обучение на основе выводов по индукции - это обучение, в процессе которого путем обобщения совокупности имеющихся данных выводятся общие правила. Данная форма обучения по примерам применяется для синтеза языков или функций [42]. Как было показано ранее, стратегия не может быть описана математической зависимостью, потому представление модели стратегии ПС в виде функции не представляется возможным. Следовательно, эта форма обучения по примерам также малоэффективна для решения поставленной задачи.

Формирование знаний - это процесс анализа данных и выявления скрытых закономерностей с использованием специального математи чес кого аппарата и программных средств. К методам формирования знаний относят методы Data Mining [94].

Data Mining - это исследование и обнаружение средствами искусственного интеллекта в данных скрытых знаний, которые не были ранее известны, практически полезны и доступны человеку [95]. Целью технологии Data Mining является нахождение в данных таких моделей, которые не могут быть найдены обычными методами. Модели делятся на две категории: описательные и предсказательные [3].

Описательные модели уделяют внимание зависимостям в наборе данных, взаимному влиянию различных факторов и предназначены для построения эмпирических моделей различных систем. Такие модели делятся на категории: регрессионные, кластеризации, исключений, итоговые, ассоциации [20]. Регрессионные модели - это модели, описывающие функциональные зависимости между зависимыми и независимыми показателями. Модели кластеризации -это модели, описывающие группы объектов по степени их схожести. Модели исключений - это модели, описывающие исключительные ситуации в записях. Итоговые модели - это модели, описывающие ограничения на данные анализируемого массива. И модели ассоциации - это модели, описывающие закономерности между связанными событиями.

Основой каждой из перечисленных моделей являются статические данные, в то время как информация, описывающая возможные стратегии ПС, и может быть достоверно описана только динамическими данными. Потому использование перечисленных моделей для описания стратегии ПС неэффективно.

Предсказательные модели - это модели, которые строятся на основании набора данных с известными результатами. К таким моделям относят модели классификации и последовательностей.

Модели классификации - это модели, описывающие правила или набор правил, в соответствии с которым можно отнести описание любого нового объекта одному из классов [21]. Задача классификации в Data Mining рассматривается как задача определения значения одного из параметров рассматриваемого объекта на основе значений других его параметров. При этом параметры, значение которых необходимо определить, не должны изменяться, что затрудняет использование данных моделей для описания стратегий ПС.

Модели последовательностей отличаются от моделей классификации тем, что позволяют оценивать значения непрерывных числовых параметров за счёт описания функций. Они строятся на основании данных об изменении некоторого параметра за прошедший период времени [77]. Модели данного типа применимы к динамическим, но стационарным объектам, динамика изменения параметров которых подчинена математическим законам.

Отсюда следует, что для получения динамических знаний непригодны существующие методы, и потому для повышения эффективности обработки знаний в задаче прогнозирования целенаправленных воздействий необходимо разработать алгоритм извлечения имеющейся информации в динамическую модель.

1.2. Анализ программных средств обработки знаний, используемых для решения задач прогнозирования

К программным средствам обработки знаний, используемым для решения различных задач прогнозирования, относятся готовые интеллектуальные системы и инструментальные пакеты для их построения.

Рассмотрим существующие ИС прогнозирования и оценим возможность их использования для решения поставленной задачи.

1.2.1. Обзор существующих интеллектуальных систем прогнозирования

В настоящее время существует ряд узкоспециализированных ИС, предназначенных для решения задач прогнозирования. К таким ИС относятся PROSPECTOR, HYDRO [24], WILLARD, PLANT [51].

Первые две системы - PROSPECTOR и HYDRO - используются в геологии для выработки прогнозов на основе статических знаний. В частности, система PROSPECTOR предназначена для выдачи геологам прогнозов о наличии полезных ископаемых в анализируемой местности, оценки геологических ресурсов и выборе мест, благоприятных для бурения, а система HYDRO - для исследования физических процессов на водоразделах. Динамические знания в данных ИС не используются.

Прогнозы на основе выводов на динамических знаниях формируются в следующих ИС: WILLARD и PLANT. Рассмотрим каждую из них.

Система WILLARD - это система, предназначенная для прогнозирования гроз в центральной части США на основе правил. Основу системы составляют 30 модулей, каждый из которых содержит правила описания вероятности наступления грозы и степени её опасности на основе ряда показателей. Данные, требуемые этой системе для запуска процесса прогнозирования, описываются набором значений порядка 40 показателей, вводимых метеорологами.

Система PLANT - это система, предназначенная для диагностики заболеваний зерновых культур, предсказания потери зерна из-за черной совки [72] и прогнозирования будущего урожая зерна в области сельского хозяйства. В основе данной системы лежат знания о законах сельского хозяйства и правила индуктивного вывода. В качестве информации для прогнозирования служат значения таких показателей, как прополка поля, состояние почвы, сорт зерновой культуры и т.д.

Как видно из обзора, прогнозы, возвращаемые данными системами, выполняются на основе знаний динамического характера, описывающих фундаментальные, не изменяющиеся во времени законы конкретной предметной области о возможных вариантах развития событий в рассматриваемой ситуации. Но, как было сказано ранее, состояние рассматри ваемой системы, функционирующей в условиях противодействия, динамически изменяется во времени под влиянием целенаправленных реакций участников процесса взаимодействия. Данные реакции определяются не только законами рассматриваемой предметной области и особенностями системы, но и своими целями, а также предпочитаемыми способами их достижения.

Отсюда следует, что существующие ИС прогнозирования непригодны для решения задач прогнозирования целенаправленных действий. Определим, возможно ли эффективное построение таких ИС с помощью существующих инструментальных средств.

1.2.2. Обзор инструментальных средств для построения И С

В настоящее время наибольшей популярностью пользуются следующие пакеты для построения ИС - ART, KEE, G2. Рассмотрим возможность построения интеллекгуальной системы прогнозирования на основе данных пакетов.

ART - это пакет для построения ИС, объединяющий два главных формализма для представления знаний: правила для процедурных знаний и фреймовые структуры для декларативных знаний [97]. Главным является формализм продукционных правил, а декларативные знания описываются через факты,

схемы и образцы. В этой инструментальной системе возможно образование нескольких конкурирующих миров с различными альтернативными решениями одних и тех же задач, а также возможность использования логических зависимостей, которые позволяют изменять факты в случае, если подтвердится их ложность.

Продукционные знания описываются с помощью правил пяти видов, таких как: правила выводов, продукционные и гипотетические правила, правила ограничений и правила полаганий. Правила вывода позволяют добавлять статические правила в базу знаний. Продукционные правила служат для изменения фактов в рабочей памяти системы - например, для изменения значений атрибутов объекта. Гипотетические правила позволяют формировать гипотезы. Правила ограничений служат для описания недопустимых ситуаций - то есть, ситуаций, наступление которых при правильной точке зрения на действительность невозможно. Правила полаганий используются для предположений, принимаемых за правильные, о гипотезах, с целью дальнейшей проверки правильности этой гипотезой некоторых условий.

Система ART поддерживает две модели выводов: «от фактов к цели» и «от цели к фактам». Её интерфейс включает в себя редактор базы знаний с возможностью демонстрации гипотез, систему подсказок и отладчик.

ART предоставляет возможность быстрой и эффективной работы с поверхностными знаниями, но при этом данная система основана на построении правил, использующих статические зависимости и позволяющих описывать только не изменяющиеся во времени объекты и системы. Описание динамической зависимости, такой как траектория движения ПС к цели, представленная последовательностью изменяющихся состояний системы и соответствующих им действий, представляет значительную сложность в данной системе. Таким образом, реализованные в ней алгоритмы обработки знаний недостаточно эффективны для решения задач прогнозирования.

Система KEE - это система, включающая в себя продукционные правила, логически-ориентированные утверждения и язык, основанный на фреймах. Данная система предлагает средства для организации и объединения знаний в компоненты и позволяет структурировать процесс аргументации [93].

В основе КЕЕ лежат фреймы, которые играют процедурную роль и позволяют выстраивать модель экспертизы. Описание объектов и правил представлено в виде иерархий фреймов, с поддерживаемыми отношениями вида «класс - подкласс» и «класс - пример». Объекты описываются слотами, разделяемыми на собственные и коллективные. Собственные слоты - это слоты, предназначенные для описания свойств и атрибутов класса, рассматриваемого в виде объекта. Коллективные слоты - это слоты, предназначенные для описания родовых свойств членов класса.

Дополнительной возможностью данной системы является возможность автоматического восстановления неявной информации, представленной в виде фреймов [87]. Реализация данной возможности обеспечивается предложенной в КЕЕ решеткой наследования фреймов, позволяющей устанавливать несколько видов зависимостей между объектами.

Пользовательский интерфейс системы КЕЕ включает в себя программу для просмотра и отладки базы знаний, средства построения графических представлений фреймовых слотов.

Система КЕЕ имеет более широкие возможности для использования моделей, чем система ART. Тем не менее, эти системы используют общий подход при построении базы знаний, основанный на формировании базового набора статических зависимостей и дальнейшей реализации механизма вывода решений на их основе. Потому при использовании КЕЕ для решения задачи прогнозирования действий ПС также не обеспечивается должная эффективность обработки знаний.

Система G2 - это система автоматизации процесса проектирования, предназначенная для обработки большого количества динамически изменяю-

щихся параметров исследуемого объекта. Данная система разработана для больших ЭВМ и предназначена для решения задач управления, принятия решений и выявления нештатных ситуаций на основе информации, получаемой от датчиков реального объекта.

Процесс представления знаний в 02 базируется на понятии класса. Каждый элемент базы знаний является экземпляром того или иного класса. Знания в системе 02 имеют иерархическую структуру. В ней предусмотрены иерархия классов, модулей и рабочих пространств [82]. Модули используются для разделения приложений на отдельные базы знаний, что необходимо на этапе разработки приложений, поскольку позволяет тестировать и отлаживать отдельно каждый небольшой модуль. Рабочее пространство представляет собой контейнерный класс, содержащий другие классы и используемый при выполнении приложений.

Структуру баз знаний в системе 02 составляют продукционные правила и фреймы. Правила и фреймы могут быть как общими, так и описывающими отдельные экземпляры того или иного класса.

Тем не менее, данная система не позволяет спрогнозировать сценарии дальнейшей динамики движения исследуемого объекта или системы, вызванные влияющими на их состояние реакциями ПС - она позволяет только оперировать текущим её состоянием, полученным в результате анализа измеренной информации. То есть, основу данной системы, равно как и систем, рассмотренных ранее, составляют статические зависимости.

Таким образом, можно сделать вывод, что существующие программные средства для разработки интеллектуальных систем не предоставляют возможности для построения ИС, позволяющей эффективно обрабатывать знания при решении задач прогнозирования действий ПС. Следовательно, для построения ИС прогнозирования действий ПС, способной вырабатывать достоверные прогнозы, необходимо решить задачу обработки знаний о стратегиях ПС в данной ИС. Этим объясняется необходимость разработки программного обеспечения

СУБЗ, позволяющего эффективно обрабатывать знания о стратегиях ПС - то есть, обеспечивающего выработку прогноза действий ПС с высокой степенью достоверности в результате обработки знаний. Рассмотрим этапы разработки данного вида программного обеспечения.

1.3. Этапы разработки программного обеспечения систем управления базами знаний

Описанные ранее исследования показали, что существующие в настоящее время модели, методы и инструментальные средства не позволяют с требуемой эффективностью выполнить операции представления, извлечения и обработки знаний, необходимые для построения ИС прогнозирования. В частности, решение каждой из этих задач необходимо для обеспечения эффективности работы со знаниями проектируемой СУБЗ.

Потому задача построения СУБЗ включает: 1) определение способа описания знаний о возможных стратегиях поведения ПС в различных ситуациях, 2) разработка подхода к построению баз знаний на основе анализа данных, описывающих результаты наблюдений за ПС, 3) разработка алгоритма обработки знаний, обеспечивающего решение задачи прогнозирования действий ПС в текущей ситуации. Рассмотрим более подробно каждый из этапов решения данной задачи.

1.3.1. Этап описания знаний

Для реализации данного этапа предлагается следующий подход.

Взаимодействие сторон с учетом влияния окружающей среды рассматривается как многошаговая антагонистическая игра, в которой первая и вторая стороны следуют некоторой выбранной стратегии. По имеющейся априорной информации определяются все возможные в рассматриваемой проблемной ситуации стратегии ПС, направленные на достижение предполагаемых целей. То есть, каждой паре <ситуация - цель> соответствует множество ]=1,...,р}

стратегий, каждая из которых в формализованном виде помещается в базу зна-

ний ИС. Для формализации стратегии ПС её необходимо представить в виде динамической математичес кой модели, отображающей движение процесса взаимодействия к цели ПС. На начальном этапе процесса каждым участником взаимодействия выбираются цель и стратегия её достижения, исходя из характера проблемной ситуации и имеющихся ресурсов. Затем, на последующих шагах к этого процесса каждым участником взаимодействия принимается решение об очередном ходе, исходя из текущей ситуации, сложившейся в результате действий остальных участников, и выбранной этим участником стратегии [46, 47].

Перейдём к рассмотрению динамических моделей, способных стать основой для построения модели стратегии ПС.

Динамическая математическая модель системы - это модель, которая описывает динамику поведения системы и её составных частей во времени. Для описания поведения обычно используются записанные в виде формул, схем или компьютерных программ соотношения, позволяющие вычислить параметры системы и ее объектов, как функции времени.

Динамические математические модели, используемые в задачах математического моделирования, можно разделить на три основных класса: аналитические, имитационные (статистические) и нечёткие [45].

Модели первых двух типов используются для определения числовых характеристик исследуемого объекта на основе математических и статистических зависимостей, полученных в результате анализа характеристик моделей, измеряемых в вещественных шкалах. Например, аналитические модели могут быть использованы для решения простых управленческих задач планирования на макроинтервалах времени, а имитационные модели - для исследования вероятностных процессов с целью определения статистики получения тех или иных результатов исследуемого процесса, получения закона распределения данных результатов и прогнозирования дальнейшего поведения на основе полученных данных. Модели каждого из этих типов не предоставляют возможности описа-

ния качественных характеристик исследуемых объектов. Потому они непригодны для описания трудноформализуемых систем, таких как системы, функционирующие в условиях наличия описанных выше особенностей.

Нечёткие модели - это модели, применяемые для исследования систем, в которых качественные параметры преобладают над количественными. Нечёткие модели используются для описания систем, информация о которых является нечёткой, неопределённой для описания в виде математических зависимостей или разнотипной, представленной в различных шкалах [40]. Учитывая, что особенностями знаний, описывающих возможные стратегии ПС, являются неоднородность и нечеткость, можно сделать вывод, что для описания стратегии ПС необходимо представить ее нечеткой динамической моделью. Рассмотрим более подробно различные виды нечетких моделей.

В работе [66] представлена следующая структура взаимосвязи между различными типами входных и выходных переменных и типами соответствующих им одноуровневых и двухуровневых моделей:

Таблица 1.1. Типы приближенных моделей

Тип входных / Точные коли- Неточные ко- Нечёткие Семантиче-

выходных пере- чественные личественные количественные ские

менных

Точные ФМ ФЛМ ФНМ ФПМ

количественные

Неточные ЛФМ лм лнм лпм

количественные

Нечёткие НФМ нлм нм нпм

количественные

Семантические ПФМ плм пнм ПМ

Здесь нечёткие количественные переменные - это количественные переменные, измеряемые в шкалах: интервалов, с размытыми границами интервалов; нечётких величин, отношений и множеств, а также числовых лингвистических переменных; семантические переменные - это нечисловые переменные, измеряемые в шкалах: наименований, бинарных отношений, нечисловых лингвистических переменных и лингвистических отношений.

В ячейках таблицы обозначено: ФМ - функциональные модели; JIM - логические модели: НМ - нечёткие модели; ПМ - продукционные (лингвистические) модели.

Учитывая, что возможные стратегии ПС и влияющие на их выбор параметры зачастую могут быть описаны только на языке семантических переменных, можно сделать вывод, что для решения задачи оценивания стратегии необходимо использовать аппарат лингвистического моделирования.

Основной идеей лингвистического моделирования является возможность описания модели с помощью набора разнотипных (лингвистических) переменных [67].

Лингвистическая модель представляет собой нечеткое отношение:

LIN : Q(Xm) - q(f/! ) или LIN :Хт -»• Yn, следующего вида [22]:

к

LIN = U (аи Л а2Л П ...П am i) - (Ьи П b2 i П ...П bn i),

i=l

где Q(Xm),Q^n\ - множества нечётких подмножеств, определённых на базовых множествах Хт={хьх2,... ,хт}, Уп={уьу2,... ,уп}; ■ е А, j=l,... ,т; i=l,... ,k; k - число правил, Aj - множество значений входных лингвистических переменных, определённых на множествах X jQXm, bt t е В{, l=l,...,n; i=l,...,k; В, -множество значений выходных лингвистических переменных, определённых на

множествах Y, Q Y", Ат = х А:,В" = х В,.

jej J leL

Значениям лингвистических переменных й,- • е .Л • соответствуют нечёткие множества с функцией принадлежности \ia.. [х j ), а значениям лингвистических переменных b{ • g В{ - нечёткие подмножества с функцией принадлежности ¡¿g ..(У,).

Общий вид л и н гвистичес кой переменной приведен на рисунке.

Рисунок 1.1. Лингвистическая переменная

Здесь на множестве X заданы две лингвистические неременные -ЬА = {А, \1а (Х)} и Ьв = {В,[хв(х)|. Значение дискретной переменной х{ е X соответствует терму А лингвистической переменной ЬА = {А, Цд (Х)} с функцией принадлежности |х4(х,), и терму В лингвистической переменной Ьв = {В, (Х)} с функцией принадлежности \1В (хг). Как видно из приведенного примера, одно и то же дискретное значение может принадлежать нескольким различным термам лингвистических переменных с разной степенью соответствия. Функция принадлежности \хА (л*,) в данном случае является численной характеристикой, показывающей степень соответствия значения х1 терму А.

Применение лингвистических моделей предоставляет возможность описания в одной форме - форме лингвистических переменных - всех параметров исследуемой системы вне зависимости от типа каждого из них, что значительно упрощает задачу описания такой системы. Кроме того, такое описание повышает интуитивность рассматриваемой системы благодаря применению более привычных для человека значений тех или иных величин.

Таким образом, ]-ая стратегия С, одного из участников (например, ПС) представляется в виде динамической математической модели, отображающей

соответствующее множество возможных траекторий движения «игры» к цели (желаемый путь в дереве решений от корня к листу - цели). Так что набор значений признаков траектории g,; позволяет идентифицировать конкретную стратегию Gj из множества G.

Рассмотрим существующие языки представления знаний и определим, могут ли они быть использованы для описания динамических нечетких моделей различных стратегий ПС.

1.3.2. Обзор языков представления знаний

В работе [11] сформулированы следующие общие требования к языкам представления знаний:

• наличие простых и мощных средств представления сложно структурированных и взаимосвязанных объектов;

• возможность отображения описаний объектов на разные виды памяти ЭВМ;

• наличие гибких средств управления выводом, учитывающих необходимость структурирования правил работы решателя;

9 наглядность системных механизмов для разработчика, предполагающая возможность их доопределения и переопределения;

• возможность эффективной реализации.

Кроме того, язык представления знаний, пригодный для описания моделей возможных стратегий ПС, должен удовлетворять таким требованиям, как возможность описания нечётких значений входных и выходных переменных модели и возможность описания динамики движения системы.

В настоящее время наибольшей популярностью среди языков представления знаний для ИС пользуются: ЛИСП и его модификации, СНОБОЛ, РЕФАЛ, ПРОЛОГ, OPS5, KRL, и более современные языки - такие как CLIPS и его расширение FuzzyCLIPS.

Рассмотрим каждый из них с точки зрения возможности представления знаний о возможных стратегиях ПС.

Язык ЛИСП - это язык представления знаний, основанный на принципах единого спискового представления для программ и данных, применения выражений для определения функций и скобочном синтаксисе [91]. Базовым блоком в структуре данных языка ЛИСП является символическое выражение. Простое символическое выражение использует атомарные символы, или атомы - строки буквенно-цифровых символов, которые начинаются с буквы. Составные выражения объединяются в древовидной структуре, при этом используется соответствие между символическими выражениями и представлением конечных деревьев [19]. Списки, поддерживаемые языком ЛИСП, позволяют включать в себя элементы, имеющие различную структуру и размерность. В то же время, данная структура хранения информации имеет следующий недостаток - списки ЛИСП представляют собой стэки. позволяющие доступ к элементам списка только с одного его конца.

Но при этом основным недостатком языка ЛИСП является отсутствие возможности описания нечёткости значений переменных, что значительно затрудняет его использование для построения моделей стратегий ПС.

Язык СНОБОЛ - это символьный язык, используемый для обработки строк. В рамках этого языка была разработана концепция поиска по образцу. Этот язык является одной из первых практических реализаций продукционной системы [89]. Другим известным символьным языком является язык РЕФАЛ, в основу которого положено понятие рекурсивной функции, определённой на множестве символьных выражений. Базовой структурой данного языка являются двунаправленные списки. Оба этих языка являются узкоспециализированными, предназначенными в первую очередь для работы с текстовой информацией. В частности, сфера применения языка РЕФАЛ - это построение трансляторов и систем аналитических преобразований [75]. Данные языки предостав-

ляют механизмы описания только статических знаний, что затрудняет представление на их основе динамической системы.

Язык ПРОЛОГ [85] - это язык представления знаний, предлагающий в качестве парадигмы мышления слабо структурированную совокупность отношений. Фундаментальный метод доказательства теорем, на котором базируется PROLOG, называется опровержением резолюций. Резолюция представляет собой правило вывода, с помощью которого можно вывести новую правильно построенную формулу из старой. Компонент автоматического доказательства теорем, который является основным компонентом языка PROLOG, является системой опровержения резолюций. Для того чтобы доказать, что р следует из некоторого описания состояния Т, выдвигается обратное предположение и выполняется попытка доказать, что из этого предположения следует утверждение, противоречащее Т [6].

Язык ПРОЛОГ позволяет работать только с логическими значениями - то есть, значениями, способными принимать одно из двух значений - истина или ложь. Это ограничение не позволяет описывать на его основе нечёткие значения, вследствие чего язык ПРОЛОГ не может быть использован для описания нечётких моделей стратегий.

Язык OPS5 [84] - это язык, поддерживающий продукционный подход к представлению знаний. Структура программы, написанной на этом языке, следующая: она представлена секцией деклараций, в которой описаны используемые объекты, и секцией продукций, включающей в себя правила. Для описания объектов используются фрэймы-экземпляры, прототипы которых представляются определёнными структурами данных. Вывод решений в OPS5-системах последовательно выполняется в трёх блоках: блоке отождествления, отвечающем за поиск правил, блоке выбора правила и блоке выполнения выбранного правила. Правила языка OPS5 имеют две части: левую, в которой представлена совокупность условных элементов, и правую, содержащую последовательность действий [50]. Условные элементы являются образцами, отождествление кото-

рых осуществляется через поиск подходящих элементов в рабочей памяти. Правая часть правила - это последовательность действий, представленная ЛИСП-функцией, встроенной в интерпретатор языка OPS5.

Недостатком языка OPS5 является скудный набор базовых операций и примитивов по сравнению с другими языками. При этом создание новых операций требует высокого уровня инженера по знаниям, что создаёт субъективные трудности применения этого языка для представления знаний в рассматриваемой задаче. Кроме того, в языке OPS5 реализованы только два базовых типа данных - числа (целые и действительные) и символы.

Язык KRL [86] - это язык представления знаний, характерными чертами которого являются: двухуровневое представление данных, использование присоединённых процедур для описания закономерностей предметной области и связей между понятиями, семантический подход к построению образцов и поиском по ним. Уровнями представления данных являются: абстрактная модель предметной области в виде иерархии понятий и конкретная модель ситуаций, представленная множеством этих понятий.

Можно выделить следующие концептуальные особенности языка KRL: организацию знаний в виде специально выделенных единиц с присоединёнными к ним описаниями и процедурами, наличие средств представления как многоаспектного, так и неполного знания об объектах, возможность описания объектов по результатам их сопоставления с другими объектами, а также наличие гибкого набора базовых средств описания стратегий вывода решений.

Вместе с тем, язык KRL имеет такие недостатки, как отсутствие собственных средств описания процедур и громоздкость, что затрудняет его применение для построения ИС. При этом очень важным условием обеспечения эффективности работы со знаниями является интуитивность их описания для пользователя ИС, потому перечисленные недостатки являются существенными.

Язык CLIPS - это язык представления знаний, включающий в себя язык представления порождающих правил и язык описания процедур [101].

Основными компонентами языка описания правил являются база фактов и база правил. База фактов предназначена для представления исходного состояния проблемы. База правил предназначена для хранения операторов, преобразующих исходное состояние проблемы и приводящих её к решению.

Машина логического вывода в CLIPS предназначена для сопоставления фактов и правил и определения правил, подлежащих активизации. Работа машины логического вывода выполняется циклически. Каждый шаг цикла состоит из трех основных этапов: 1) сопоставления фактов и правил, 2) выбора правила, подлежащего активизации и 3) выполнения предписанных правилом действий.

Язык описания процедур позволяет пользователю создавать собственные функции. Функция языка CLIPS является последовательностью действий, возвращающих какие-либо значения либо выполняющих полезные операции [76]. Язык описания процедур позволяет работать с определенными пользователем типами данных и предоставляет широкий набор математических и логических операций, функций работы со строками и составными величинами. Эти возможности необходимы для реализации алгоритмов обработки знаний о возможных стратегиях ПС на основе результатов наблюдений за его поведением, так как позволяют описывать динамику движения ПС.

Кроме того, язык CLIPS имеет расширение FuzzyCLIPS, предназначенное для работы с нечеткими данными [15, 99]. Данное расширение позволяет пользователям описывать нечеткие объекты, факты и правила и манипулировать ими. Это расширение может быть использовано для представления знаний о возможных стратегиях ПС, так как позволяет описывать их нечеткость. Но существенным недостатком данного языка и его расширений является скудный набор средств для работы со знаниями, представленными списками элементов пользовательского типа произвольной длины, с помощью которых могут быть описаны последовательности элементов вида «Состояние - Действия сторон».

Таким образом, наиболее известные языки представления знаний не обеспечивают должной эффективности описания и обработки нечетких динамических знаний о возможных стратегиях ПС. Потому для построения и использования баз знаний интеллектуальных систем прогнозирования действий ПС необходимо разработать ЯПЗ, удовлетворяющий следующим требованиям:

1) возможность описания и обработки нечетких знаний, описывающих множества состояний системы и действий сторон;

2) возможность описания и обработки информации динамического характера, описывающей различные стратегии ПС и процессы взаимодействия;

3) возможность выполнения различных математических процедур с накопленными знаниями, позволяющих получить информацию, необходимую для решения задач прогнозирования действий ПС: оценку стратегии этого участника и оценку его наиболее вероятных действий в текущей ситуации.

Использование ЯПЗ, удовлетворяющего перечисленным требованиям, в составе программного обеспечения СУБЗ позволит выполнять все необходимые действия со знаниями, имеющими описанные ранее особенности.

1.3.3. Этап построения баз знаний

Следование выбранной стратегии предполагает, что каждое действие, направленное на её осуществление, является элементом некоторого подмножества действий с ограниченной вариативностью. Например, можно рассмотреть задачу защиты информации, в которой злоумышленник (ПС) пытается получить доступ к конфиденциальной информации, хранящейся на недоступной для него ЭВМ. Допустим, выбранная им стратегия - это чтение данной информации при её вводе в компьютер. Тогда действия, выполняемые ПС, могут быть различными - это действия, направленные на получение доступа к видеопамя-

ти, или действия, направленные на получение визуального контроля дисплея, и т.д. Можно заметить, что описанные действия имеют много общего - а именно, то, что они направлены на получение доступа к информации именно в том: случае, когда она вводится в компьютер. Действия, направленные, скажем, на получение этой же информации при пересылке её по электронной почте посредством её перехвата, относятся уже к другой стратегии.

Потому для решения задачи извлечения знаний из информации, доступной для непосредственных наблюдений, необходимо выполнение следующих действий:

1) выявление скрытой закономерности из информации, описывающей возможные траектории движения ПС,

2) представление знаний, описывающих данные закономерности, к виду нечетких динамических моделей,

3) дальнейшее формирование БЗ полученными моделями. Детальное описание каждого из перечисленных действий приведено в

следующей главе исследования. Средства разрабатываемого ЯПЗ должны позволять преобразовывать информацию, описывающую результаты наблюдений за ПС, к виду нечетких динамических моделей и организовывать данные модели в памяти ПС, формируя и модифицируя базу знаний.

1.3.4. Этап обработки знаний Данные, которыми можно руководствоваться при оценивании стратегии ПС и на основе которых может быть осуществлена интерпретация знаний, описывают предысторию взаимодействия сторон - то есть, действия, выполненные каждым из участников процесса взаимодействия от его начала до текущего момента времени, а также динамику изменений состояний системы.

Для решения задачи обработки знаний предлагается определять значения признаков текущей траектории ПС по некоторой совокупности действий взаимодействующих сторон. По некоторому решающему правилу выбирается одна из стратегий gj£G на основе сравнений текущих значений признаков, получен-

ных в результате наблюдений, с соответствующими значениями признаков, хранящихся в БЗ ИС. Данное правило может быть основано на некоторой метрике, показывающей степень близости текущей траектории к стратегиям gjEG. Это значит, что для реализации решающего правила необходимо разработать некоторую метрику, позволяющую оценивать расстояние между траекториями движения ПС.

Затем, используя выбранную стратегию делается прогноз следующего действия ПС. Как было показано ранее, каждый ход направлен на выполнение выбранной стратегии. Это значит, что стратегия должна не только описывать соответствующие ей ходы, но и предоставлять возможность определения того, является ли рассматриваемый ход одним из вариантов её осуществления. Данная особенность является дополнительным требованием к механизму обработки знаний.

После этого проверяется корректность разработанного прогноза. Совпадение в некоторой степени очередного действия ПС с прогнозируемым свидетельствует о правильности полученной оценки стратегии ПС. Иначе полученные данные пополняют массив наблюдений, после чего вновь повторяется процедура выбора стратегии gj€=G. Количество таких итераций должно быть небольшим - в противном случае действия, выполняемые «вслепую» пользователем ИС в ситуациях, требующих достоверного знания стратегии ПС, могут привести к значительным потерям.

Детальное описание данного этапа приведено в третьей главе исследования. При этом в разрабатываемом ЯПЗ должна быть реализована возможность обработки текущей последовательности с целью получения оценки стратегии ПС и выработки прогноза следующих действий этого участника.

Таким образом, требованиями к разрабатываемому ЯПЗ являются:

1) возможность извлечения знаний из результатов наблюдений за ПС, их преобразования к виду динамических лингвистических моделей и формирования либо изменения базы знаний с помощью полученных моделей;

2) возможность обработки текущей траектории ПС, подразумевающая её сравнение с накопленными в базе знаний моделями стратегий, дальнейшее извлечение одной из моделей по результатам сравнения и получение прогноза на её основе.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Пинчер, Денис Владимирович

Выводы по главе 4

1. Разработана методика построения программного обеспечения СУБЗ в составе ИС прогнозирования, позволяющий строить программные средства данного типа для дальнейшего использования в различных прикладных областях.

2. Разработан программный комплекс, включающий в себя программное обеспечение СУБЗ, реализованное в соответствии с предложенной методикой, и позволяющий строить ИС прогнозирования и использовать их для решения прикладных задач пользователям, не обладающим высокой квалификацией.

3. Выполнено практическое исследование данного программного комплекса, результаты которого доказали эффективность разработанных в настоящем исследовании алгоритмов и методов.

Заключение

В ходе проведения диссертационного исследования получены следующие результаты:

1. Разработан язык представления знаний, основанный на использовании аппарата логики высказываний, дополненного нечеткими математичеекими моделями, и позволяющий описывать информацию о стратегиях противодействующей стороны.

2. Разработаны алгоритмы извлечения знаний из информации, полученной в ходе наблюдений за поведением ПС, основанные на методах нечеткой логики и позволяющие автоматизировать построение и проверку базы знаний.

3. Разработаны алгоритмы обработки знаний, основанные на обработке информации о текущем процессе взаимодействия и позволяющие получить оценку стратегии ПС и сформировать прогноз её очередного действия.

4. Разработан интерпретатор языка представления знаний, использующий предложенные алгоритмы и позволяющий выполнять построение и использование баз знаний интеллектуальных систем прогнозирования для получения прогноза следующих действий ПС.

5. Разработана методика построения программного обеспечения систем управления базами знаний, использующих разработанный язык представления знаний и позволяющий разрабатывать СУБЗ в составе ИС прогнозирования действий ПС.

6. Разработан программный комплекс, позволяющий строить и исследовать интеллектуальные системы прогнозирования действий противодействующей стороны, в структуру которого входит СУБЗ, реализованная в соответствии с предложенной методикой.

7. С помощью разработанного программного комплекса решена практическая задача обработки знаний для прогнозирования действий ПС, результаты решения которой подтвердили адекватность разработанных в диссертационном исследовании алгоритмов и методов.

По теме диссертации опубликованы следующие работы:

1. Пинчер Д.В. Компьютерная поддержка оценивания ситуации. // Гага-ринские чтения. Том 4. Сб. научных трудов XXXV международной молодёжной конференции. - М.: MATH, 2009. - с. 38-39.

2. Пинчер Д.В., Токарев В.Л. Методы оценивания стратегии противодействующей стороны. // Актуальные вопросы развития современной науки, техники и технологий: Материалы II Всероссийской научно-технической конференции / НИИРРР. - М., 2010. - с. 120-122.

3. Пинчер Д.В. Разработка методов принятия решений в условиях противодействия сторон. // Гагарине кие чтения. Том 4. Сб. научных трудов XXXVI международной молодёжной конференции. - М.: МАТИ, 2010. - с. 45-46.

4. Пинчер Д.В. Задача оценивания стратегии противодействующей стороны. // В мире научных открытий. №4, ч.Ю. - Красноярск: Научно-инновационный центр, 2010 - с. 79-81.

5. Пинчер Д.В., Токарев В.Л. Оценивание стратегии противодействующей стороны. // Доклады ТУ СУР №22. Томск: ТУ СУР, 2010. - с. 263 -265.

6. Пинчер Д.В., Токарев В.Л. Построение модели стратегии противодействующей стороны. // III международная научно-практическая конференция «Актуальные проблемы аппаратно-программного и информационного обеспечения науки, образования, культуры и бизнеса»: Сборник научных трудов / МГУПИ - М., 2010. - с. 55-59.

7. Пинчер Д.В. Особенности построения идентификатора стратегии противодействующей стороны. // III международная научная конференция «Актуальные вопросы современной техники и технологии»: Сборник научных трудов / Гравис - Липецк, 2011.-с.43-45.

8. Пинчер Д.В. Оценивание состояния системы в задаче принятия решений. // Машиностроение, № 7,2011. - с. 37-41.

9. Пинчер Д.В. Структура модели стратегии противодействующей стороны. // Математические методы в технике и технологиях - ММТТ-24. Том 8. Сб. трудов XXIV Междунар. науч. конф. - Пенза: Пенз. гос. технол. академия, 2011.-с. 159-161

10. Пинчер Д.В. Лингвистическая модель стратегии противодействующей стороны. // В мире научных открытий. №8 (20), - Красноярск: Научно-инновационный центр, 2011 - с. 146-153.

11. Пинчер Д.В., Токарев В.Л. Компьютерная поддержка принятия решений по прогнозированию действий противодействующей стороны. // Известия ТулГУ. Технические науки. №5(3). Тула: Изд-во ТулГУ, 2011. -с. 270-276.

12. Пинчер Д.В. Задача прогнозирования действий противодействующей стороны. // Интеллектуальные и информационные системы: Материалы Всероссийской научно-технической конференции/ Тульский государственный университет. - Тула, 2011. - с.40-43.

Список литературы диссертационного исследования кандидат технических наук Пинчер, Денис Владимирович, 2012 год

Список литературы

1. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта. / Под ред. Д.А.Поспелова. M.: Наука. Гл. ред. физ.-мат. лит., 1986. -312 с.

2. Ахо А., Сети Р., Ульман Д. Компиляторы: принципы, технологии и инструменты.: Пер. с англ. - М.: Издательский дом "Вильяме", 2003. - 768 е.: ил.

3. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и DataMining. - СПб.: БХВ - Петербург, 2004. - 336 е.: ил.

4. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990. - 184 с.

5. Борисов В.В., Круглов В.В., Федунов A.C. Нечеткие модели и сети. - М.: Горячая линия- Телеком, 2007. - 284 е.: ил.

6. Братко М. Программирование на языке ПРОЛОГ для искусственного интеллекта. - М.: Мир, 1990. - 560 с.

7. Букович У., Унлльямс Р. Управление знаниями: руководство к действию: Пер. с англ. - М.: ИНФРА-М, 2002. - 504 с.

8. Вуллакотт М., Радосевич Л. Web spoofing: новая угроза безопасности Internet // Сети. 1997. №2. С.86- 87.

9. Гаазе-Рапопорт М.Г., Поспелов Д.А. От амебы до робота: модели поведения. - М.: Наука, 1987 г.-286 с.

Ю.Гаврилов A.B. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. - Новосибирск: Изд- во НГТУ, 2001. - 4.1. - 67 с.

11.Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001.-384 с.

12.Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. - 200с.

13.Гермейер Ю. Б. Игры с непротивоположными интересами / Ю. Б. Гер-мейер. - М.: Наука, 1976. - 327 с.

14.Грейсон Д., О'Делл К. Американский менеджмент на пороге XXI века. -М.: Экономика, 1991. - 319с.

15.Григорьев Ю.А. Обработка ненадежных знаний на основе нечеткой логики в системе продукций CLIPS // Интеллектуальные системы, №2(4), 2002. - С. 74-82.

16.Грис Д. Конструирование компиляторов для цифровых вычислительных машин.: Пер. с англ. —М.: Мир, 1975. - 545 е.: ил.

17.Гэри М., Джонсон Д. Вычислительные машины и трудноразрешимые задачи. М.: Мир, 1982. -304 с.

18.Джарратано Д., Райли Г.. Экспертные системы: принципы разработки и программирование. Пер. с англ. М.: Издательский дом «Вильяме», 2006. -1152 с.

19.Джексон П. Введение в экспертные системы.: Пер. с англ.: Уч.пос. - М.: Издательский дом "Вильяме", 2001. - 624 с.

20.3агоруйко Н. Г. Прикладные методы анализа данных и знаний. - Новосибирск: ИМ СО РАН, 1999. - 270 с.

21.3агоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. — Новосибирск: Наука, 1985. - 107 с.

22.Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 165 с.

23.Информационная безопасность открытых систем. Учебник для вузов, в 2-х томах. Том 1. - Угрозы, уязвимости, атаки и подходы к защите. Запеч-ников C.B., Милославская Н.Г., Толстой А.И., Ушаков. Д.В. - М.: Горячая линия-Телеком, 2006. - 536с.; 2008 - 558с.

24.Искусственный интеллект: В 3 кн. Кн. 1. Системы общения и экспертные системы: Справочник /Под ред. Э.В. Попова. - М.: Радио и связь, 1990. -464 с: ил.

25.Искусственный интеллект: В 3-х кн. Кн. 2 Модели и методы: Справочник./ Под ред. Д.А. Поспелова, М.: Радио и связь, 1990. - 304 е.: ил.

26.Искусственный интеллект: В 3-х кн. Кн. 3 Программные и аппаратные средства: Справочник / Под ред. В.Н. Захарова, В.Ф. Хорошевского, М.: Радио и связь, 1990. - 368 е.: ил.

27. История развития компьютерных шахмат. Максим Наумов, GAMBITER.ru, декабрь 2008, http://www.gambiter.ru/chess/item/103-istoria-komputernyh-shahmat.html

28.Колонцов В. Безопасность TCP/IP. http://www.citforum.ru/security/i nter-net/tcpip/, 2000.

29.Консультанты Network Security Solutions Ltd. Front- Line Information Security Team (FIST). Методы, используемые кракерами при попытках взлома корпоративных и секретных частных сетей // http://www.ns2.со.uk/

30.Котлер Ф. Маркетинг менеджмент. СПб.: Питер Ком, 1999. - 896 е.: ил.

ЗТЛеоненков А. В. Нечеткое моделирование в среде MATLAB и

fuzzyTECH. СПб.: БХВ-Петербург, 2005. - 736 е.: ил.

32.Лозовский B.C. Семантические сети //Представление знаний в человеко-машинных и робототехнических системах. М.: ВИНИТИ, 1984. Т.А. -с. 84-120.

33.Лорьер Ж.Л. Системы искусственного интеллекта. М.: Мир. 1991. - 568 с.

34.Лукацкий A.B. Обнаружение атак. СПб.: БВХ-Петербург, 2003. - 596 е.:

ил.

35.Льюис Ф., Розенкранц Д., Стирнз Р. Теоретические основы проектирования компиляторов. Пер. с англ. - М.: Мир, 1979. - 655 с.

36.Медведовский И.Д., Семьянов П.В., Леонов Д.Г., Лукацкий A.B. Атака из Internet. Солон-Р. 2002. - 336 е.: ил.

37.Мендельсон Э. Введение в математическую логику. М.: Наука, 1971. -322 с.

38.Минский М. Фреймы для представления знаний. М.: Энергия, 1979. -152 с.

39.Нечеткие множества и теория возможностей. Под ред. Р. Ягера. - М.: Радио и связь, 1986. - 405 с.

40.Орлов А.И. Теория принятия решений. Учебное пособие. - М.: Издательство "Март", 2004. - 656 с.

41.Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. - М.: Наука. Главная редакция физико-математической литературы, 1981. - 208 с.

42.Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.- 109 с.

43.0стрейковский В.А. Теория систем. - М.: Высшая школа, 1997. - 240 с.

44.0суга С., Обработка знаний; М., 1989. - 293 с.

45.Петухов O.A. Моделирование: системное, имитационное, аналитическое: учеб. пособие / O.A. Петухов, A.B. Морозов, Е.О. Петухова. - СПб.: Изд-во СЗТУ, 2008. - 288 с.

46.Пинчер Д.В. Задача оценивания стратегии противодействующей стороны. // В мире научных открытий. №4, ч.Ю. - Красноярск: Научно-инновационный центр, 2010. - с. 79-81.

47.Пинчер Д.В., Токарев В.Л. Оценивание стратегии противодействующей стороны. // Доклады ТУСУР №22. Томск: ТУСУР, 2010,- с. 263 - 265.

48.Пинчер Д.В. Лингвистическая модель стратегии противодействующей стороны. // В мире научных открытий. №8 (20), - Красноярск: Научно-инновационный центр, 2011 - с. 146-153.

49.Пинчер Д.В., Токарев В.Л. Компьютерная поддержка принятия решений по прогнозированию действий противодействующей стороны. // Известия ТулГУ. Технические науки. №5(3). Тула: Изд-во ТулГУ, 2011. - с. 270276.

50.Попов Э.В. Экспертные системы реального времени //Открытые системы. 1995.-№2.-с. 66-71.

51.Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996. -320 с.

52.Портер М. Конкурентная стратегия: Методика анализа отраслей и конкурентов/ Майкл Е. Портер; Пер. с англ. - М.: Альпина Бизнес Букс, 2005. -454 с.

53.Портер М. Конкурентное преимущество: Как достичь высокого результата и обеспечить его устойчивость / Майкл Е Портер; Пер. с англ. - М.: Альпина Бизнес Букс, 2005. -715 с.

54.Поспелов Д.А. Логико-лингвистические модели в системах управления. М.: Энергоатомиздат. - 1981. - 232с.

55.Представление и использование знаний. Под ред. X. Уэно, М. Исидзука Мир, 1989.-220 с,

56.Приобретение знаний / Под ред. С.Осуги, Ю.Саэки. М.: Мир, 1990. 304 с.

57.Райс Э., Траут Дж. Маркетинговые войны. - СПб.: Питер, 2000. 256 с.

58.Рассел С., Норвиг П. Искусственный интеллект: современный подход. М.:Вильямс, 2006. - 1408 с.

59.Ротштейн А.П. Интеллектуальные технологии идентификации. Винница : Универсум, 1999.-320 с.

60.Рутковская Д., Пилиньковский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия - Телеком, 2004. - 452 с.

61 .Саати Т. Математические модели конфликтных ситуаций. - М.: Сов. Радио, 1977. - 304 с.

62.Системы управления базами данных и знаний. Справочное издание под ред. А.Н. Наумова. - М.: Финансы и статистика, 1991. - 230 с.

63.Скрэгг Г., 1983. Семантические сети как модели памяти // Новое зарубежное в лингвистике. Вып. 12. М.: Радуга. С. 228-271.

64.Стратегия. Как создавать и использовать эффективную стратегию. 2-е изд./Р.Кох. СПб.: Питер, 2003. - 320 с.

65.Теоретические основы системного анализа / Новосельцев В.И. [и др.]; под ред. В. И. Новосельцева. - М.: Майор, 2006. - 592 е.: ил.

66.Токарев B.J1. Компьютерная поддержка принятия решений. Монография. - М.: Изд- во СТУ, 2000. - 156 с.

67.Токарев В.Л. Основы теории обеспечения рациональности решений. Монография. - Тула: Изд- во ТулГУ, 2000. - 121 с.

68.Толковый словарь по искусственному интеллекту / Авторы-составители А.Н.Аверкин, М.Г.Гаазе-Рапопорт, Д.А.Поспелов.- М.: Радио и связь, 1992.- 256 с: ил.

69.Трахтенгерц Э.А. Компьютерная поддержка формирования целей и стратегий. - М.: СИНТЕГ, 2005. - 224 с.

70.Троэлсен Э. Язык программирования С# 2005 и платформа .NET 2.0.Москва; Санкт- Петербург; Киев: Вильяме, 2008. - 1167 е.: ил.

71.Тузовский А.Ф., Чириков C.B., Ямпольский В.З. Системы управления знаниями (методы и технологии) / Под общ. ред. В.З. Ямпольского. -Томск: Изд-во НТЛ, 2005. - 260 с.

72.Уотермен Д., 1989. Руководство по экспертным системам // Пер. с англ. М.: Мир.-389 с.

73.Хант Э. Искусственный интеллект. М.: Мир, 1978. - 558 с.

74.Хейес-Рот и др. Построение экспертных систем // Под ред. Ф. Хейес-Рота, Д. Уотермена, Д. Лената. М.: Мир, 1987.-441 с.

75.Хорошевский В.Ф., 1983. ATNL-машина - вопросы аппаратной и программной реализации // В сб. трудов I Международного симпозиума ИФИП и ИФАК, 4- 6 сентября 1983 г. Л.: с. 156-174.

76.Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. - СПб.: БХВ-Петербург, 2003. - 608 с: ил.

77.Чубукова И.A. Data Mining. Курс лекций интернет- университета INTUIT, 2006 г. - 328 с.

78.Шаньгин В.Ф. Информационная безопасность компьютерных систем и сетей: учеб. пособие. - М.: ИД "ФОРУМ": ИНФРА- М, 2008 - 416 с.

79.Шелепин, И. Война до последнего клиента: [Маркетинговые воины] / И. Шелепин // Коммерсантъ Деньги. - 2002. - № 10. - С. 20-25

80.Штовба С.Д. Проектирование нечетких систем средствами MATLAB. -М.: Горячая линния - Телеком, 2007. - 288 е.: ил.

81.Эдди С.Э. XML: справочник. СПб.: Питер, 1999. - 480 с.

82.В. Moore et al. Questions and Answers about G2. 1993. Gensym Corporation, pp.26-28.

83.Backus J.W. The syntax and semantics of the proposed international algebraic language of the Zurich ACM-GAMM Conference. Proc. International Conf. on Information Processing. UNESCO (1959). p. 125-132.

84.Brownston L. Farrell R., 1985. Programming expert systems in OPS5: An introduction to Rule-Based Programming // Adisson-Wesley Publ. Com. Inc.

85.Clocksin W., Mellish C, 1982. Programming in PROLOG // Berlin, Springer Verlag. P. 277-281.

86.Daniel G. Bobrow, Terry Winograd, An Overview of KRL, A Knowledge Representation Language // Stanford Artificial Intelligence Laboratory Memo AIM 293, 1976. P. 3-46.

87.Fikes R., Kehler Т., 1985. The role of frame-based representation in rcsoning. // Com. ACM. P. 904-920.

88.Frequently Asked Questions (FAQ): Системы обнаружения атак на сетевом уровне // http://www.robertgraham.com/pubs/network-instruction-detection.html

89.Griswodl R., 1978 - A history of the SNOBOL Programming Language // GISPLAN Notices. Vol. 13, No. 8, P. 275-308.

90.Irons E.T. The structure and use of the syntax-directed compiler. Ann R, 3 (1963). P. 207-227.

91 .McCarthy J., 1978. History of LISP // SIGPLAN Notices. Vol. 13(1978). P. 217-223.

92.O'Connor D.E. Using Expert Systems to Manage Change and Complexity in Manufacturing. // AI Applications for Business, Norwood N.J. - Ablex, 1984. P. 149-158.

93.Richer M. An evaluating of expert system development tools // Expert Systems, 1986. P. 166-183.

94.Usama M. Fayyad, Gregory Piatetsky-Shapiro, Padhraic Smyth: From Data Mining to Knowledge Discovery in Databases // AI Magazine 17(3), 1996. P. 37-54.

95.W. Frawley, G. Piatetsky-Shapiro, C. Matheus Knowledge Discovery in Databases: An Overview. - AI Magazine. - 1992. - C. pp. 213-228.

96.Wade R.C. A technique for initializing exponential smoothing forecasts // Management Science. 1967. Vol.13, N. 7. P. 601-602.

97. Wall R., Aron A., Beal J. at al., 1986. An evaluation of commercial expert system building tools // Data Knowledge Eng. P. 279-304.

98. ht tp ://w ww .anti -mal ware. ru/

99.http:/7awesom.eu/~cvgal/archives/2010/04/22/fuzzvclips downloads/index.htm 1

100. http://bugtraq.ru/

101. http://cl.ipsrules.sourceforge.net/OnlineDocs.html

102. http://www.itsec.ru/