Методы, модели и программные средства для построения интеллектуальных систем на продукционной модели знаний тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Бессмертный, Игорь Александрович

• Бессмертный, Игорь Александрович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Бессмертный, Игорь Александрович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1

размерности и постановка проблемы исследования

1.1. Анализ современных исследований в области построения

интеллектуальных систем большой размерности на продукционной модели знаний

1.1.1. Актуальность продукционной модели знаний в интеллектуальных системах

1.1.2. Место проблемы ускорения поиска в создании интеллектуальных систем на продукционной модели знаний

1.1.3. Анализ^ существующих методов повышения эффективности механизмов поиска в продукционных базах знаний большой размерности

1.1.4. Анализ существующих реализаций интеллектуальных систем с позиции антропоморфного подхода

1.2. Концептуальная модель интеллектуальной системы на основе базы

знаний большой размерности

1.2.1. Принципы организации баз знаний с использованием прецедентов

1.2.2. Модель машины вывода для баз знаний большой размерности

1.3. Перспективные интеллектуальные системы большой размерности и

постановка проблемы исследования

1.3.1. Структура и состав перспективных интеллектуальных систем большой размерности

1.3.2. Постановка проблемы исследования

Выводы

ГЛАВА 2. Общесистемные методы повышения эффективности поиска в базах

знаний большой размерности

2.1. Редукция дерева решений путем устранения повторяющихся ветвей

2.1.1. Метод устранения повторяющихся ветвей в пределах одного дерева решений

2.1.2. Ускорение поиска при прямом и обратном логическом выводе

2.2. Методы организации поиска в интеллектуальных системах большой

размерности

2.2.1. Методы обеспечения актуальности прецедентов в изменчивых базах знаний

2.2.2. Метод управления контекстом при поиске в базах знаний большой размерности

2.3. Методы создания прецедентов методом случайных блужданий с

использованием множества агентов

2.3.1. Применение мультиагентного подхода и метода случайных блужданий к задаче поиска

2.3.2. Исследование эффективности создания прецедентов методом

случайных блужданий

Выводы

ГЛАВА 3

системах на основе базы знаний большой размерности

3.1. Индексация и предварительный отбор фактов базы знаний, релевантных

условиям правил

3.1.1. Теоретические предпосылки и обоснование целесообразности индексации фактов

3.1.2. Алгоритм индексации и предварительного отбора фактов для редуцирования пространства поиска

3.1.3. Оценка эффективности использования индексов и предварительного отбора фактов для редуцирования пространства поиска

3.2. Метод логического вывода на основе теоретико-множественных

операций

3.2.1. Обоснование возможности реализации логического вывода в реляционной модели знаний

3.2.2. Реализация логического вывода с помощью теоретико-

множественных операций

3.3. Реализация быстрых реляционных операций методами логического

программирования

Выводы

ГЛАВА 4

информационного подхода

4.1. Метод оценки информативности понятий и утверждений в базах данных и

знаний

4.1.1. Словарно-контекстный метод оценки информативности понятий предметной области

4.1.2. Метод оценки информативности фактов в базах знаний

4.1.3. Оценка информативности данных в реляционной базе

4.1.4. Метод редуцирования пространства поиска за счет рационального порядка следования утверждений в запросе

4.2. Применение троичной логики для редуцирования пространства поиска154

4.2.1. Модель базы знаний в троичной логике

4.2.2. Визуализация и объяснение результатов рассуждений в троичной логике

4.2.3. Исследование временных характеристик вывода в троичной логике

4.3. Анализ методов организации поиска в расширяющемся домене

4.3.1. Поиск решений в допущениях замкнутого и открытого мира

4.3.2. Исследование временных характеристик поиска в узком домене

4.3.3. Исследование скорости поиска в расширяющемся домене

Выводы

ГЛАВА 5

методов

5.1. Применение разработанных методов в интеллектуальных системах

большой размерности на воздушном транспорте

5.1.1 Реализация методов ускорения поиска решений в системе

технологического обслуживания кассира

5.1.2. Реализация методов управления прецедентами в системе взаиморасчетов на воздушном транспорте

5.2. Планирование и организация экспериментального исследования

5.2.1. Обоснование выбора программно-аппаратной платформы для экспериментов

5.2.2. Состав и организация тестовой базы знаний

5.3. Практическая реализация разработанных методов и исследование их

производительности

5.3.1. Реализация индексации и предварительного отбора фактов, релевантных условиям правил

5.3.2. Экспериментальное исследование времени обработки правил SWRL как запросов SQL

5.3.3. Реализация быстрых операций реляционной алгебры в среде Visual Prolog

5.3.4. Исследование быстродействия быстрых предикатов Пролога для операций над множествами

5.3.5. Методы управления прецедентами в условиях изменчивости баз знаний

5.3.6. Исследование временных издержек на поддержание актуальности

прецедентов

Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ТЕРМИНЫ И ОПРЕДЕЛЕНИЯ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ 1

ПРИЛОЖЕНИЕ 2

ПРИЛОЖЕНИЕ 3

ПРИЛОЖЕНИЕ 4

ПРИЛОЖЕНИЕ 5

Введение диссертации (часть автореферата) на тему «Методы, модели и программные средства для построения интеллектуальных систем на продукционной модели знаний»

ВВЕДЕНИЕ

Актуальность проблемы. Последнее десятилетие характеризуется ростом потребности общества в информатизации и интеллектуализации во всех сферах, в т.ч. в государственном управлении, здравоохранении, образовании, на транспорте, в промышленности и др. областях. Данная тенденция осознается как научным сообществом, так и на правительственном уровне, в частности, это нашло отражение в распоряжении Правительства Российской Федерации от 20 октября 2010 г. № 1815-р "О государственной программе Российской Федерации "Информационное общество (2011-2020 годы)", в котором предусмотрены мероприятия по созданию автоматизированных и информационно-аналитических систем в разных сферах.

Процесс интеллектуализации систем управления, поддержки принятия решений, робототехнических и информационных систем сопровождается как существенным увеличением объемов баз знаний, так и возрастанием динамичности контента за счет вовлечения в процессы поиска решений не только статичных, но и темпоральных знаний. Наиболее популярной моделью знаний является продукционная модель, на которой строится подавляющее большинство баз знаний, о чем свидетельствует тот факт, что по данным Scopus количество публикаций в научной периодике, посвященных продукционной модели знаний превышает количество статей по остальным моделям знаний. Имеют место глобализация знаний для конкретных приложений и интеграция с базами данных, и в качестве примера здесь можно привести глобальную систему бронирования авиабилетов. Это позволяет говорить о тенденции появления баз знаний большой размерности, для которых характерно падение эффективности поиска по мере увеличения объема и усложнения структуры.

Одновременно с ростом объемов и усложнением структуры баз знаний ужесточаются требования к глубине и широте поиска при ограничениях на время извлечения знаний. Несмотря на существенный рост общей производительности средств вычислительной техники, аппаратную поддержку узких вычислительных операций, возможности агрегирования ресурсов в ГРИД-структурах, рост сложности в пространстве поиска во много раз превышает возможность реализации поиска с помощью алгоритмов с экспоненциальной сложностью. Этим обстоятельством обусловлено ведение широкомасштабных исследований в области ускорения логического поиска как за рубежом (Стенфордский университет, компании IBM, HP Lab, Google, Yahoo, и др.), так и в России (ВЦ РАН, ИСА РАН, МЭИ, СПИИ РАН, Yandex и др.). К сожалению, существующие методы логического вывода не в полной мере учитывают многомерность баз данных и знаний большой размерности. Кроме того, известные реализации сводятся к алгоритмическим методам ускорения поиска, и даже достигаемое ускорение логического вывода на 2-3 > порядка не позволяет устранить комбинаторную сложность задачи поиска решений.

Таким образом, наблюдается противоречие между возрастающими объемами и размерностью баз знаний ИС с одной стороны и вычислительными возможностями программно-аппаратных средств и алгоритмов поиска с другой стороны, что делает проблему реализации быстрого логического поиска в базах знаний большой размерности актуальной.

Решаемой научной проблемой в диссертации является разработка систем искусственного интеллекта на продукционной модели знаний, использующих более быстрые, чем известные, методы логического поиска.

Степень теоретической разработанности темы. Основные предпосылки создания искусственного интеллекта (ИИ) представлены работами Н. Винера [1] и К. Шеннона [2] в области управления сложными системами и

теории информации, А. Тьюринга [3], автора концептуальной машины Тьюринга, разработавшего основные положения теории искусственного интеллекта, А. Ньюэлла и Г. Саймона [4], выдвинувших в 1976 г. гипотезу о физической символьной системе, М. Мински и С. Паперта [5], разработавших теорию, названную ими «Общество разума», Л. Заде, внесшего вклад в применение нечеткой логики в интеллектуальных системах [6], Дж. МакКарти, создателя языка Lisp [7], работы В. Вапника в области обучающихся систем [8], С. Шапиро (представление знаний) [9]. Среди отечественных ученых следует упомянуть Д.А. Поспелова (исследования в области ситуационного управления [10], М.Г. Гаазе-Рапопорта, Д.Э. Попова [11], [12], Т.А. Гаврилову [13], [14], А.П.Еремеева [15] и В.Н. Вагина, внесших значительный вклад в теорию и практику экспертных систем и баз знаний, работы Д.С. Чернавского в области теории информации [16]. Современные исследования представлены также деятельностью А. Банди (Alan Bundy), развивающего средства автоматического доказательства теорем [17], Д. Лената (Douglas Lenat) [18] по созданию обширной базы знаний базового уровня, а также сообществом исследователей при Стенфордском. университете, развивающих построение онтологических баз знаний, возглавляемого М. Музеном (Mark Musen) [19]. Большой вклад в теорию искусственного интеллекта внесли П. Норвиг и С. Рассел [4], а также Д. Люгер [20]. Заслуживают внимания также работы лаборатории программных интеллектуальных агентов университета Карнеги-Меллона

(http://www.cs.cmu.edu) под руководством К. Сикара, а также Институт сингулярности в искусственном интеллекте (The Singularity Institute for Artificial Intelligence, SIAI, (www.singinst.org), одним из директоров которого является известный футуролог Рей Курцвейл [21]. В создание алгоритмов искусственного интеллекта существенный вклад внес И. Братко [22]. Методы интеллектуального управления техническими системами успешно развивают

A.JI. Фрадков, A.A. Бобцов [23], В.О. Никифоров [24], Б .Я. Советов, А.И. Яшин [25] и др.

Объект исследования - системы искусственного интеллекта, основанные на символьном подходе и моделировании рассуждений, использующие большие базы знаний, построенные на продукционной модели.

Предмет исследования - методы логического поиска в базах знаний большой размерности.

Цель и задачи исследования. Цель исследования - повышение эффективности процессов логического поиска в базах знаний на продукционной модели знаний за счет использования более быстрых, чем известные алгоритмы логического вывода в базах знаний большой размерности.

Данная цель достигается решением следующих основных задач:

1. Анализ состояния работ в области ИИ, формирование основных направлений диссертационного исследования в части синтеза более быстрых, чем существующие, методов логического поиска в базах знаний большой размерности.

2. Разработка концептуальной модели интеллектуальной системы на продукционной модели знаний, учитывающей учитывающей предметную пространства поиска и ориентированной на использование методов быстрого логического вывода в больших базах знаний.

3. Исследование и разработка общесистемных методов ускорения логического вывода в базах знаний большой размерности за счет сокращения структурной избыточности дерева решений.

4. Разработка комплекса алгоритмических методов ускорения логического вывода в интеллектуальных системах на продукционной модели знаний.

5. Разработка методов редуцирования пространства поиска в базах знаний большой размерности на основе информационного подхода, учитывающего структурные особенности баз знаний большой размерности.

6. Экспериментальное исследование разработанных методов и алгоритмов ускорения логического вывода для подтверждения достоверности полученных результатов.

Область исследования соответствует паспорту специальности 05.13.11 «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей» Номенклатуры специальностей научных работников:

Пункт 4. Системы управления базами данных и знаний.

Пункт 5. Программные системы символьных вычислений.

Теоретическую и методологическую основу исследования

составляют теория искусственного интеллекта, теория множеств, реляционная алгебра, теория алгоритмов, теория автоматов, теория логического программирования, теория информации, теория вероятностей. Методы исследования включают в себя математическое моделирование, а также эксперименты на моделях баз знаний в среде СУБД и среде логического программирования Prolog.

Достоверность и обоснованность результатов исследования обеспечивается сравнением разработанных аналитических моделей и алгоритмов с результатами экспериментальных исследований и опубликованными материалами других исследователей, а также внедрением полученных результатов. Воспроизводимость экспериментов обеспечивается использованием в них синтезированной тестовой базы знаний и свободно распространяемого программного обеспечения.

Информационная база исследования представлена опубликованными работами ведущих специалистов в области искусственного интеллекта и семантических сетей, материалами конференций по ИИ, в частности, Knowledge Engineering and Ontology Design (KEOD), ежегодного международного конгресса по интеллектуальным системам и информационным технологиям (IS-IT), международной конференции по инженерии знаний и технологиям семантического веба (KESW), а также результатами экспериментов, проведенных в ходе данной работы, и Web-ресурсами.

Положения, выносимые на защиту:

1. Концептуальная модель интеллектуальных систем большой размерности на продукционной модели знаний.

2. Общесистемные методы повышения скорости поиска в базах знаний большой размерности.

3. Комплекс алгоритмических методов ускорения логического вывода в интеллектуальных системах на продукционной модели знаний.

4. Методы редуцирования пространства поиска в базах знаний большой размерности на основе информационного подхода.

5. Результаты экспериментального исследования на базах знаний большой размерности алгоритмов, реализующих разработанные методы ускорения логического вывода.

Научная новизна:

1. Концептуальная модель интеллектуальной системы большой размерности на продукционной модели знаний, отличающаяся учетом предметной неоднородности пространства поиска, что позволяет сформулировать условия выбора состава методов ускорения логического вывода для конкретных условий или приложений.

2. Общесистемные методы повышения скорости поиска в базах знаний большой размерности, отличающиеся процедурами предварительной общей ми-

нимизации избыточности дерева решений, что позволяет достичь полиномиальной сложности логического вывода.

3. Комплекс алгоритмических методов ускорения логического вывода в интеллектуальных системах на продукционной модели знаний, отличающийся возможностью ускорения логического вывода в различных вариантах проявления неоднородности данных и знаний, что позволяет выбирать для практических целей наилучшую комбинацию вариантов разработанных алгоритмов.

4. Методы редуцирования пространства поиска в базах знаний большой размерности на основе информационного подхода, отличающиеся использованием главных направлений поиска предварительно формируемых на основе информационных весов, что обеспечивает существенное сокращение числа просматриваемых продукционных правил в стандартном и расширенном доменах на всех комбинациях подзапросов.

5. Результаты экспериментального исследования алгоритмов, реализующих разработанные методы ускорения логического вывода и обеспечивающих полиномиальную сложность логического вывода в базах знаний большой размерности.

Практическая значимость исследования. Результаты, полученные в ходе настоящего исследования, могут быть применены в интеллектуальных технических системах, использующих большие базы данных и знаний. Разработанные методы доведены до уровня алгоритмов и программ, которые позволяют создавать интеллектуальные системы на продукционной модели знаний с базами знаний большой размерности. Полученные практические оценки скорости поиска решений в зависимости от объемов баз знаний могут быть использованы на разных этапах проектирования систем логического вывода для обоснования технических решений для баз знаний большой размерности.

Апробация результатов исследования. Результаты исследования докладывались на 17 всероссийских и международных научных конференциях, в т.ч. X Международной конференции «Применение новых технологий в образовании», Троицк - Фонд новых технологий в образовании "Байтик", 1999г. [26], VI Общероссийской научной конференции «Современная логика: Проблемы теории, истории и применение в науке», СПб, СПбГУ, 2000г. [27], 9-й, 10-й, 11-й и 12-й Всемирных конференциях по продолженному инженерному образованию World Conference on Continuing Engineering Education (Токио, Япония, 2004г. [28], Вена, Австрия, 2006г. [29], Атланта, США, 2008г. [30], Сингапур, 2010г. [31]), Пятом международном симпозиуме по образовательным и информационным системам, технологиям и приложениям (5th International Symposium on Education and Information Systems, Technologies and Applications EISTA 2007), Орландо, США, 2007г. [32], Международной конференции по языку Visual Prolog и приложениям (Visual Prolog Application &

!

Language Conference VIP-ALC'08), Санкт-Петербург, 2008г. [33], Всероссий-

p

ской конференции «Управление знаниями и технологиями семантического веба», С.-Петербург, 2010г. [34], международном конгрессе по интеллектуальным системам и информационным технологиям IS&IT'll, Геленджик, 2011г. [35], IS&IT12, Геленджик, 2012г. [36], IS&IT'13, Геленджик, 2013г. [37], Всероссийской конференции "Инженерия знаний и технологии Semantic Web" (KESW 2011) [38], (KESW 2012) [39], [40], [41], (KESW 2013) [42], 4-й Международной конференции по инженерии знаний и онтологическому проектированию KEOD-2012, Барселона, Испания, 2012 г. [43], Всероссийской конференции «Информационные технологии в науке, технике и медицине», Томск, 2012 г. [44], 5-й Российской мультиконференции «Информационные технологии в управлении» (ИТУ-2012). - Санкт-Петербург, 2012г. [45], [46], VIII Международной научно-практической конференции «Современные информационные технологии и ИТ-образование» [47]. Результаты диссертационного ис-

следования внедрены в ряде учебных заведений и организаций, в т.ч. в Транс-портно-клиринговой палате.

Публикация результатов исследования. Результаты диссертационного исследования опубликованы в 18 рецензируемых научных изданиях из перечня рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук, в т.ч. в статьях в журналах «Программирование» [48], [49], [50] (англоязычный вариант «Programming and Computer Software» [51], [52], [53]), «Известия вузов. Приборостроение» [54], [55], [56], [57], «Научно-технический вестник информационных технологий, механики и оптики» [58], [59], [60], [61], [62], [63], [64], [65], «Известия Томского политехнического университета» [66], «Искусственный интеллект и принятие решений» [67]. Четыре работы проиндексированы в системе Scopus [43], [52], [51], [42] и три - /Web Of Science [32], [51], [52]. По результатам исследований опубликованы одно учебное пособие [68] и монография [69]. Разработанные алгоритмы, реализованные на языке Prolog, защищены в качестве объектов интеллектуальной собственности (приложение) [70], [71], а также внедрены в ряде университетов и организаций.

Объем и структура работы. Диссертационная работа изложена на 305 страницах, состоит из введения, пяти глав, содержащих 65 рисунков и 22 таблицы, заключения. Библиографический список включает 120 наименований. В приложении к диссертации представлены документы, подтверждающие актуальность темы исследования, свидетельства о регистрации прав на интеллектуальную собственность и акты о внедрении результатов интеллектуальной деятельности.

Во введении обосновываются актуальность темы диссертационной работы и необходимость создания интеллектуальных систем на

продукционной модели знаний, определяются объект, предмет, методы, цель и задачи исследования, устанавливаются научная новизна и практическая значимость исследования, приводятся сведения об апробации работы.

В первой главе проводится анализ путей построения интеллектуальных систем большой размерности и выполняется постановка проблемы исследования. Обосновывается актуальность применения в интеллектуальных системах продукционной модели знаний, оценивается место проблемы ускорения поиска в базах знаний большой размерности. На основе анализа существующих методов повышения эффективности поиска устанавливается, что в больших интеллектуальных системах требуется обеспечить редукцию пространства поиска. На основе проведенного анализа предлагается концептуальная модель интеллектуальной системы, использующей прецеденты для редукции пространства поиска в базах знаний большой размерности, и модель машины вывода, реализующей механизм управления прецедентами.

Таким образом, в первой главе сформулирована научная проблема и предложена концептуальная модель интеллектуальной системы, позволяющая осуществлять постановку и решение задач разработки общесистемных и алгоритмических методов быстрого логического вывода в хранилищах знаний большой размерности, что позволяет формулировать условия выбора состава методов ускорения логического вывода для конкретных условий или приложений.

Во второй главе исследуются общесистемные методы повышения эффективности поиска в базах знаний на основе концептуальной модели интеллектуальной системы, предложенной в первой главе и в основе которой лежит редукция пространства поиска как необходимое условие построения интеллектуальных систем большой размерности. Исследованы методы устранения повторяющихся ветвей как в пределах одного поиска, т.е. одного дерева решений, так и использования результатов предыдущих операций

поиска в качестве прецедентов для обработки последующих запросов. Анализируются способы использования прецедентов при прямом и обратном логическом выводе, а также методы обеспечения актуальности прецедентов в изменчивых базах знаний и методы управления контекстом при поиске в базах знаний большой размерности. Построены математические модели управления прецедентами, демонстрирующие полиномиальную сложность поиска решений на основе прецедентов для изменчивых баз знаний. Также исследуется способ создания прецедентов в мультиагентных системах методом случайных блужданий, в котором качество найденных решений является функцией времени работы агентов.

Таким образом, во второй главе выявляются системные закономерности в пространстве поиска позволившие на основе прецедентного подхода с воспроизведением механизма интеллектуальных навыков в виде прецедентов редуцировать пространство поиска и за счет этого сократить структурную избыточность дерева решений.

В третьей главе исследуются закономерности дерева поиска, обеспечивающие с учетом многообразия проявления особенностей многомерности в реальных базах знаний возможность разработки алгоритмических методов, позволяющих редуцировать пространство поиска и за счет этого сократить параметрическую избыточность дерева решений. Для редукции пространства поиска предлагается применение индексации и предварительного отбора фактов, релевантных условиям правил, в результате чего перебор фактов заменяется операциями над индексами, а ускорение поиска решений является обратно пропорциональным доле фактов в базе знаний, релевантных запросу. Дальнейшим развитием этой идеи стали разработка метода логического вывода с помощью теоретико-множественных операций над списками кортежей переменных, позволяющая реализовать машину вывода в среде реляционных СУБД и создать теоретические основы для реализации быстрого логического вывода методами логического

программирования. Полученные результаты позволяют говорить об ускорении логического вывода приблизительно на порядок по сравнению с существующими алгоритмами.

В четвертой главе рассматриваются методы редуцирования пространства поиска на основе информационного подхода. В рамках теории информации и словарно-контекстного подхода предложены методы оценки информативности понятий и фактов предметной области, с помощью которых разработан метод редуцирования пространства поиска за счет рационального порядка следования утверждений в запросе. Для редуцирования пространства поиска в больших базах знаний предложено использовать троичную логику, на основе которой разработан метод организации поиска в расширяющемся домене, позволяющий доказывать истинность или ложность целей без применения допущений замкнутого или открытого мира и при полиномиальной сложности задачи логического вывода.

Пятая глава посвящена практической реализации и -оценке эффективности методов, разработанных в ходе исследования. Приводится краткое описание глобальной автоматизированной системы бронирования авиаперевозок и системы взаиморасчетов на воздушном транспорте, в которых использованы разработанные методы. Для апробации, тестирования и оценки эффективности созданных алгоритмов построен план экспериментов, выбрана программно-аппаратная платформа для проведения экспериментов, а также построена тестовая база знаний. Проведена серия экспериментов по измерению эффективности редукции пространства поиска путем индексации и предварительного отбора фактов, релевантных условиям правил. Выполнена загрузка тестовой базы знаний в среду реляционных СУБД и проведено исследование времени обработки правил как SQL-запросов. Методы логического программирования для выполнения быстрых реляционных операций реализованы на языке Prolog и проведено экспериментальное исследование их производительности на тестовой базе знаний. Разработаны

методы управления прецедентами в условиях изменчивости баз знаний и с помощью экспериментов исследованы временные издержки на поддержание актуальности прецедентов, в результате чего подтверждена полиномиальная сложность логического вывода на изменчивых базах знаний с использованием прецедентов.

В заключении делаются краткие выводы, полученные результаты обобщаются, оценивается полнота решения поставленных задач.

В приложениях содержатся: текст распоряжения Правительства Российской Федерации от 20 октября 2010 г. № 1815-р с приложением, подтверждающим актуальность темы исследования, копии свидетельств о регистрации прав интеллектуальной собственности на программные средства, разработанные в рамках исследования, акты о внедрении результатов интеллектуальной деятельности, а также руководство пользователя программы Semantic, в которой реализованы разработанные в ходе диссертационного исследования методы и алгоритмы.

ГЛАВА 1. АНАЛИЗ ПУТЕЙ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ БОЛЬШОЙ РАЗМЕРНОСТИ И ПОСТАНОВКА ПРОБЛЕМЫ ИССЛЕДОВАНИЯ

1.1. Анализ современных исследований в области построения

интеллектуальных систем большой размерности на продукционной модели знаний

1.1.1. Актуальность продукционной модели знаний в интеллектуальных системах

К интеллектуальным системам (ИС) относятся технические или программные системы, в функционал которых входит решение задач для конкретной предметной области, которые традиционно считаются творческими, знания о которых хранятся в памяти такой системы [72]. Творчество здесь понимается в широком смысле: это и функции оператора технических устройств, в т.ч. транспортных средств, и принятие решений в управляющих системах, и информационный поиск. В структуре ИС выделяют интеллектуальный интерфейс, машину логического вывода и базу знаний. База знаний является основой ИС, определяет ее принадлежность к конкретной предметной области и возможность решать поставленные перед ИС задачи.

Знания могут представляться различными способами, как показано на рисунке 1.1. Наиболее древним, но и наиболее широко применяющимся в настоящее время, является представление знаний в виде естественноязыковых текстов. Поскольку тексты изначально ориентированы на человека, для его восприятия не требуется подготовки. Недостатками текстового представления знаний являются возможные неточность, неоднозначность и противоречивость, а также сложность языковых конструкций и многообразие языков, которые делают практически невозможным его использование в ИС в качестве хранилища знаний. Кроме того, языковыми средствами сложно описать геометрические фигуры, не говоря о более сложных графических объектах, поэтому тексты снабжают иллюстрациями, которые также не могут

восприниматься компьютером. При этом текстовое представление знаний остается единственным для многих логически строгих документов, таких, как законы, договоры и др.

Модели знаний

г 1 'Г

Язык Изображения Нотация (формулы)

<-

Семантические сети

класс

класс

<^Ъушщо0тер^> значение,

класс

С^Квадрокоптер

Способ виста

атриоут

ЕСртишьньш"^)

значение

атриоут

-Х^~Чнсло_роторов

Фреймы

КВАДРОКОПТЕР

класс Мугашшер

чи<ао_роторов 4

способ_взлета вертикальный

способ_посадки вертикальный

Продукционная модель

ЕСЛИ X класс Y II V класс Z ТО X класс Z.

EC1II X класс Лет_аппарат

II Х.Способ_вхлета = вертикальный II Х.Способ_посалки = вертикальный ТО X не требует ВПП

Рисунок 1.1 - Разновидности моделей знаний

Изображение как модель знаний обладает наглядностью, не зависит от языка. Однако, такие изображения как чертежи, электрические схемы, карты и др. требуют специальных знаний и навыков для их понимания. Кроме того такие изображения не обладают полнотой и всегда снабжаются легендой или тестовыми пояснениями.

Список литературы диссертационного исследования кандидат наук Бессмертный, Игорь Александрович, 2014 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Винер, Н. Кибернетика / Н.Винер // М.: Советское радио. - 1968.

2. Шеннон, К. Работы по теории информации и кибернетике / Клод Шеннон // М.: Изд-во иностранной литературы. - 1963. - С. 830.

3. Turing, A. Computing Machinery and Intelligence / AlanTuring // Mind, October - 1950. - C. 433-460.

4. Рассел, С. и Норвиг, П. Искусственный интеллект: современный подход = Artificial Intelligence: A Modern Approach (AIMA) / С. Рассел, П. Норвиг // М.: "Вильяме". - 2007. - С. 1424. - ISBN 0-13-790395-2.

5. Мински, М. и Паперт, С. Искусственный интеллект / М. Мински, С. Па-перт // Univ. of Oregon Press. - 1972.

6. Заде, Л. Роль мягких вычислений и нечеткой логики в понимании, конструировании и развитии информационных/интеллектуальных систем / Л. Заде // Новости Искусственного Интеллекта. - 2001. -№ 2-3, с. 7-11.

7. Noyes, James. Fundamentals of Artificial Intelligence - Lisp / J. Noyes // Lexington, MA : Copyrighted material. - 1992. - ISBN 978-0669194739.

8. Vapnik, V. N. Statistical Learning Theory / V.N. Vapnik // NY: John Wiley. -1998.

9. Shapiro, Stuart C. Encyclopedia of Artificial Intelligence / Stuart C. Shapiro and David Eckroth // NY:Wiley. - 1987.

10. Поспелов, Д. А. Ситуационное управление. Теория и практика / Д.А. Поспелов // - М.: Наука. - 1986. - С. 228.

11. Искусственный интеллект. Справочник в трех томах / под ред. В. Н. Захарова, Э. В. Попова, Д. А. Поспелова, В. Ф. Хорошевского // М.: Радио и связь. -1990.

12. Аверкин, А. Н., Гаазе-Раппопорт, М. Г. и Поспелов, Д.А. Толковый словарь по искусственному интеллекту / А. Н. Аверкин, М. Г. Гаазе-Раппопорт, Д.А. Поспелов // М.: Радио и связь. - 1992.

13. Гаврилова, Т. А. и Червинская, К. Р. Извлечение и структурирование знаний для экспертных систем / Т. А. Гаврилова, К. Р. Червинская // М.: Радио и связь. - 1992. - С. 200.

14. Гаврилова, Т. А. и Хорошевский, В. Ф. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В.Ф. Хорошевский // СПб: Питер. - 2000. - С. 382.

15. Тарасов, В. Б. Системно-организационный подход в искусственном интеллекта / В. Б.Тарасов // Программные продукты и системы. - 1999. -№3.- С. 6-13.

16. Тарасов, В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика / В. Б.Тарасов // М.: Эдиториал УРСС. -2001. - С. 352.

17. Еремеев, А. П. и Королев, Ю. И. Средства моделирования на основе темпоральных сетей Петри для интеллектуальных систем поддержки принятия решений / А. П. Еремеев, Ю. И. Королев // Тез. докл. Тринадцатой национальной конференции по искусственному интеллекту КИИ-2012. -Белгород. - 2012. -URL: http://www.raai.org/resurs/papers/kii-2012/doclad/eremeev.doc.

18. Чернавский, Д. С. Синергетика и информация: Динамическая теория информации / Д. С. Чернавский // URSS.RU. - 2013. -С. 304. - ISBN 978-5397-03391-6.

19. Bundy, Alan, и др. Rippling: Meta-level Guidance for Mathematical Reasoning / A. Bundy e.a. // Cambridge University Press. - 2005. - C. 216. -URL: http://www.inf.ed.ac.uk/publications/report/0315.html.

DOI: 10.2277/052183449X.

20. Cycorp: The Cost of Common Sense // Technology Review. Wood, Lamont. -March, 2005.

21. Musen, Mark A. Automated generation of model-based knowledge-acquisition tools / M.A. Musen // London : Pitman Publishing. - 1989. - ISBN 0-27308812-2.

22. Люгер, Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. Изд. 4-е. / Дж. Ф. Люгер // Издательский дом "Вильяме". - 2003. - С. 864. - ISBN 5-8459-0437-4.

23. Kurzweil, Raymond. The Age of Intelligent Machines /. Kurzweil // Copyrighted Materials. - January, 1992. - ISBN 0-262-61079-5.

24. Братко, Иван. Программирование на языке ПРОЛОГ для искусственного интеллекта / Иван Братко // М.: Мир. - 1990. - С. 560.

25. Бобцов, А. А. Адаптивное и робастное управление неопределенными системами по выходу / А.А.Бобцов // СПб: Наука. - 2011. - С. 174.

26. Бобцов, А. А. и Никифоров В.О. Адаптивное управление по выходу: Проблематика, прикладные задачи и решения / A.A. Бобцов, В.О. Никифоров // Научно-технический вестник информационных технологий, механики и оптики. - 20ДЗ. - Вып.1 - С.1-14. - ISSN 2226-1494.

27. Советов, Б. Я. и Яшин, А. И. Однородный математический метод процессов планирования и управления / Б. Я. Советов, А. И. Яшин // Известия СПбГЭТУ "ЛЭТИ". - 2012 . №5. - С.31-35.

28. Бессмертный, И. А. Концепция построения обучающей экспертной симулирующей системы [электронный ресурс] / И. А. Бессмертный, 3. О. Джа-лиашвили, М. В. Зиньков // Материалы X Международной конференции "Применение новых технологий в образовании". - Троицк. - 2001, -URL: http://www.bytic.ru/cue99M/cfd613d8yy.html.

29. Бессмертный, И. А. О корректности отношений в базах знаний / И. А. Бессмертный, 3. О. Джалиашвили // Тез. докл. VI Общеросс. научн. конф. "Современная логика: Проблемы теории, истории и применение в науке". -СПб: СПбГУ.-2000.

30. Bessmertny, Igor. Artificial Intelligence: A Teaching Experience /1. Bessmertny, V. Kulagin // Proceedings of 9th IACEE World Conference on Continuing Engineering Education (WCCEE- 2004). - Tokyo, Japan. - 2004.

31. Bessmertny, Igor. An Approach to Building Learning Expert Systems /1. Bessmertny, V. Kulagin // Proceedings of 10th World Conference on Continuing Engineering Education (WCCEE- 2006). - Vienna, Austria. - 2006.

32. Bessmertny, Igor. Semantic Network as a Knowledge Base in Training Systems /1. Bessmertny, V. Kulagin // Proceedings of 11th IACEE World Conference on Continuing Engineering Education (WCCEE- 2008). - Atlanta, GA,USA. - 2008.

33. Bessmertny, Igor. Semantic Web and Global Artificial Intelligence [CD-ROM ] /1. Bessmertnyy,. Katerinenko // Proceedings of 12th IACEE World Conference on Continuing Engineering Education (WCCEE- 2010). - Singapore :

; Research Publishing. - 2010. - ISBN 978-981-08-7156-7.

t 34. Bessmertny, Igor. An Intellectual Agent in Training Systems /1. Bessmertny //

Proceedings of The 5th International Symposium on Education and Information Systems, Technologies and Applications. - Orlando, FL, USA. - 2007. Vol. 1, - C.86-89.

35. Bessmertny, Igor. Visual Prolog and Semantic Networks at Knowledge Visualization /1. Bessmertny // Proceedings of Visual Prolog Application & Language Conference. - СПб. - 2008. - C.107-111.

36. Бессмертный, И. A. Semantic Web и продукционная модель знаний / И.А. Бессмертный, Р.С. Катериненко // Труды всероссийской конф. "Управление знаниями и технологиями семантического веба". - СПб: СПбГУ ИТ-МО. - 2010. - С.183-185. - ISBN 978-5-7577-0369-5.

37. Бессмертный, И. А. Компетентностная модель искусственного интеллекта / И.А. Бессмертный, Р.С. Катериненко // Труды конгресса по интеллектуальным системам и информационным технологиям IS&IT'l 1. - М.: Физ-

матлит; Минобрнауки РФ; РАИИ; Технологический институт ЮФУ. -2011. - Т. 3, - С.11-16. - ISBN 978-5-9221-1329-8.

38. Бессмертный, И. А. Применение троичной логики в интеллектуальных системах на продукционной модели знаний / И. А. Бессмертный // Труды Конгресса по интеллектуальным системам и информационным технологиям "IS&IT12". -М.: Физматлит. - 2012. -Т. 1, - С. 409-414. - ISBN 9785-9221-1329-8.

39. Бессмертный, И. А. Поиск в базах знаний в базисе троичной логики и расширяющемся домене / И.А. Бессмертный, Ю.А. Королева // Труды Международного конгресса по интеллектуальным системам и информационным технологиям IS&IT'2013. - М.: Физматлит. - 2013. - Т. 1. - С. 128-132.

40. Бессмертный, И. А. Эффективный логический вывод в продукционной модели с помощью баз данных с вертикальной архитектурой / И.А. Бессмертный, P.C. Катериненко // Сб. трудов Всеросс. конф. "Инженерия знаний и технологии Semantic Web- 2011" . - СПб: НИУ ИТМО. — 2011. — С. 150-157. - ISBN 978-5-7577-0390-9.

41. Бессмертный, И. А. Верификация систем управления проектами с помощью продукционных правил на основе двоичных диаграмм решений / И.А. Бессмертный, P.C. Катериненко, Н.С. Пичугин // Труды Международной научно-практической конференции «Инженерия знаний и технологии семантического веба» KESW-2012. - СПб: НИУ ИТМО. - 2012. -С. 235-243. - ISBN 978-5-7577-0410-4.

42. Бессмертный, И. А. Разработка онтологического описания технических индикаторов / И.А. Бессмертный, P.C. Катериненко, Н.С. Пичугин // Труды Международной научно-практической конференции «Инженерия знаний и технологии семантического веба» KESW-2012. - СПб: НИУ ИТМО. - 2012. - С. 68-74. - ISBN 978-5-7577-0410-4.

43. Бессмертный, И. А. Создание тезауруса предметной области на основе

автоматического извлечения ключевых слов из документов / И.А. Бессмертный, А.Б. Нугуманова // Труды Межд. научно-практ. конф. «Инженерия знаний и технологии семантического веба» KESW-2012. -СПб: НИУ ИТМО. - 2012. - С. 89-102. - ISBN 978-5-7577-0410-4.

44. Bessmertny, I., Nugumaniva, A. Applying the Latent Semantic Analysis to the Issue of Automatic Extraction of Collocations from the Domain Texts / I. Bessmertnyi, A. Nugumanova // Communications in Computer and Information Science. Proc. of 4th Conf. on knowledge engineering and Semantic Web, Oct. 7 - 9, Saint Petersburg - 2013.

45. Bessmertnyi, I. About creating intelligence systems in ternary logic

[CD_ROM] /1. Bessmertnyi, A. Nevidimov, S. Eliseev // Proc. of 4th Int'l Conf. on knowledge engineering and ontology development. - Barcelona : SciTePress. - 2012. - C. 161-165. - ISBN 978-989-8565-30-3.

46. Бессмертный, И. А. Построение семантических отношений между ключевыми понятиями предметной области с помощью латентного семантического анализа / И.А. Бессмертный, А.Б. Нугуманова // Тез.докл. Всеросс. конф. Информационные и математические технологии в науке, технике, медицине. - Томск : ТПУ. - 2012. - С. 91-93.

47. Бессмертный, И. А. Верификация информационного наполнения системы управления проектами с помощью продукционных правил / И.А. Бессмертный, Р.С. Катериненко // Тез. докл. 5-й Российской мультиконфе-ренции «Информационные технологии в управлении» (ИТУ- 2012). -СПб:-2012.-С. 79-83.

48. Бессмертный, И. А. Применение троичной логики в интеллектуальных информационно-управляющих системах / И.А. Бессмертный, Ю.А. Королёва // Тез. докл. 5-й Российской мультиконференции «Информационные технологии в управлении» (ИТУ- 2012). - СПб. - 2012. - С. 567-572.

49. Бессмертный, И. А. Реализация алгоритма извлечения ключевых слов из текстов предметной области на основе модели MapReduce / И. А. Бессмертный, А. Т. Каримов, А. О. Новоселов и А. Б. Нугуманова // Труды

VIII Международной научно-практической конференции "Современные информационные технологии и ИТ-образование", М., 2013.

50. И. А. Бессмертный и Ю. А. Королева. О построении интеллектуальных систем в троичной логике // Программирование. -М.: Pleiades Publishing, Ltd. - 2014. —№ l. - С. 31-35.

51. Бессмертный, И.А. Визуализация знаний на основе семантической сети /

И.А. Бессмертный // Программирование. -М.: Pleiades Publishing, Ltd. -2010. -Т. 36. -№ 4. - С. 16-24. - ISSN 0132-3474.

52. Бессмертный, И.А. Метод ускорения логического вывода в продукционной

модели знаний / И.А.Бессмертный, Р.С. Катериненко // Программирование. - М.: Pleiades Publishing, Ltd. - 2011. - Т. 42. -№ 4. -С. 76-80. - ISSN 0132-3474. 53.1. Bessmertny. On Constructing Intellectual Systems in Ternary Logic // Programming and Computer Software. - 2011. -№ 1, - C. 43-46.

54. Bessmertny, I.A. Knowledge Visualization Based on Semantic Networks //

Programming and Computer Software. -M.: Pleiades Publishing, Ltd. Distributed Worldwide by Springer. - 2010. -Vol. 36. -N 4. - C.l97-204.

55. Bessmertnyi, I.A. Inference acceleration in production model of knowledge /

I.A. Bessmertnyi,.S. Katerinenko // Programming and Computer Software. -M.: Pleiades Publishing, Ltd. Distributed Worldwide by Springer. - 2011. -Vol. 42. -N 4. -C.197-199.

56. Бессмертный, И.А. Методы поиска информации с использованием интеллектуального агента / И.А. Бессмертный // Изв. вузов. Приборостроение. — 2009. -№ 12. - С. 26-31.

57. Бессмертный, И.А. Применение реляционных операций для логического

вывода в продукционных системах / И.А. Бессмертный // Известия вузов. Приборостроение. - 2010. -Т. 53. - Вып. 10. - Вычислительная техника. -С. 34-37.

58. Бессмертный, И.А. Методы поиска информации в продукционных

системах / И.А. Бессмертный // Изв. вузов Приборостроение. - 2011. -№. 6.-С. 56-59.

59. Бессмертный И.А. Управление контекстом в информационных системах /

И.А. Бессмертный // Известия вузов. Приборостроение. Сборник трудов сотрудников кафедры ВТ. - 2012. - С. 7-13.

60. Бессмертный, И.А. Семантическая паутина и искусственный интеллект / И.А. Бессмертный // Научно-технический вестник СПбГУИТМО. - 2009. -Т. 64.-Вып. 6.-С. 77-83.

61. Бессмертный, И.А. Теоретико-множественный подход к логическому

выводу в базах знаний / И.А. Бессмертный // Научно-технический вестник СПбГУИТМО. - 2010. -Т. 66. - Вып. 2. - С. 43-48.

62. Бессмертный, И.А. Оценка количества информации в базах знаний / И.А.

Бессмертный// Научно-технический вестник СПбГУИТМО. - 2011. -Вып. 2.-С. 146-149.

63. Бессмертный, И.А. Быстрый логический вывод в среде программирования

Visual Prolog / И.А. Бессмертный // Научно-технический вестник СПбГУИТМО. — 2010. -Т. 67. - Вып. 3. - С. 50-56.

64. Бессмертный, И.А. Ассоциативный поиск данных с помощью нейронной сети / И А. Бессмертный, A.A. Коваль, P.O. Белоус // Научно-технический вестник СПбГУИТМО. - 2005. -№19. - Вып. «Программирование, управление и информационные технологии». - С. 132-139.

65. Бессмертный, И.А. Многоагентный подход к решению задач

неинформированного поиска / И.А. Бессмертный, К.А. Булыгин // Научно-технический вестник СПбГУИТМО. - 2011. - Т. 74. - Вып. 4. - С. 98-102.

66. Бессмертный, И.А. Контекстный подход к реализации интеллектуальных

систем / И.А.Бессмертный, Д.В.Ковбаско, A.C. Балгайракова // Научно-технический вестник НИУИТМО. - 2011. - Вып. 6. - С. 145.

67. Бессмертный И.А., Катериненко P.C. Верификация данных в системах

отслеживания задач с помощью продукционных правил / И.А. Бессмертный, P.C. Катериненко // Научно-технический вестник информационных технологий, механики и оптика. - 2013. —№ 1(83). - С. 86-90.

68. Бессмертный, И.А. Метод автоматического построения тезаурусов на основе статистической обработки текстов на естественном языке / И.А.Бессмертный, А.Б. Нугуманова // Известия Томского политехнического университета. - 2012. - Т. 321. -№ 5. - С. 125-130.

69. Бессмертный, И.А. Контекстный подход к оценке количества информации в базах знаний / И.А. Бессмертный // Искусственный интеллект и принятие решений. - 2013. -№3. - С.40-47.

70. Бессмертный, И.А. Искусственный интеллект / И.А. Бессмертный // - СПб:

СПбГУ ИТМО. - 2010. - 132 с. -URL: http://window.edu.ru/window_catalog/files/r69274/itmo443.pdf.

71. Бессмертный, И.А. Интеллектуальные системы на продукционной модели знаний: Проблемы практической реализации / И.А. Бессмертный // Saarbrücken: LAP Lambert Academic Publishing GmbH & Co. KG. - 2012. -C. 225. - ISBN 978-3-8473-4142-0.

72. Бессмертный, И. А. Программа Semantic / И.А. Бессмертный // Св-во о праве интеллектуальной собственности №2011614275 от 30.05.2011.

73. Бессмертный, И. А. Библиотека быстрых Пролог-предикатов для обработки списков / И.А. Бессмертный // Св-во о праве интеллектуальной собственности 20122611773 от 16.02.2012.

74. Аверкин, А. Н., Гаазе-Рапопорт, Д. А. и Поспелов, Д. А. Толковый словарь по искусственному интеллекту / А. Н. Аверкин, Д. А. Гаазе-Рапопорт и Д. А. Поспелов // М.: Радио и связь, 1992, - С. 256.

75. Ming-Hung, Hsu, Ming-Feng, Tsai и Hsin-Hsi, Chen. Query Expansion with ConceptNet and WordNet: An Intrinsic Comparison / Hsu Ming-Hung, Tsai

Ming-Feng, Chen.Hsin-His // Proceedings of the Third Asia Information Retrieval Symposium. - Singapore. - October 16-18,2006. - C. 1-13.

76. Minsky, Marvin. HAL's Legacy. - 200l's Computer as dream and reality / M. Minsky, [ред.] David G. Stork // MIT. - 2000. - ISBN 0-262-19378-7.

77. Стерлинг, JI. и Шапиро, Э. Искусство программирования на языке Пролог / Л.Стерлинг, Э.Шапиро // М.: Мир. - 1990. -ISBN: 5-0300-0406-8.

78. Forgy, С. RETE: A fast algorithm for the many pattern/many object pattern match problem / C. Forgy // Artificial Intelligence. - 1982. - Vol. 19. - C. 1737.

79. Madden, Neil. Optimizing RETE for low-memory, multiagent systems / N. Madden // Proceedings of Game-On- 2003:4th International Conference on Intelligent Games and Simulation. London. - November. - 2003. - C. 77-81.

80. Doorenbos, Robert B. Production Matching for Large Learning Systems /.B. Doorenbos // PhD Theses : University of South California. - 1995. - C. 208.

81. Tambe, M., Kalp, D. и Rosenbloom, P. S. An efficient match algorithm for production systems with linear-time match / M.Tambe, D.Kalp, P. S. Rosenbloom // Proceedings of the Fourth IEEE International Conference on Tools with Artificial Intelligence. - 1992. - C. 36-43.

82. Miranker, D. P. TREAT: A Better Match Algorithm for Production Systems / D. P. Miranker // AAAI-87 Proceedings. - 1987. - C. 42-47. -URL: http://www.aaai.org/Papers/AAAI/1987/AAAI87-008.pdf.

83. Поспелов, Д. А. и Пушкин, В. Н. Мышление и автоматы / Д. А. Поспелов, В. Н. Пушкин // М.: Советское радио. - 1972. - С. 224.

84. Newell, Allen, Laird, J.E. и Rosenbloom, P.S. SOAR: An architecture for general intelligence / A. Newell, J.E. Laird, P.S. Rosenbloom // Artificial Intelligence. - 1987. -№1. -T. 33.-C. 1-64.

85. Minsky, Marvin. The Society of Mind / M. Minsky // New York : Simon and Schuster. -1986.

86. Thomason, Richmond. The Stanford Encyclopedia of Philosophy (Spring-2009 Edition) /. Thomason // Stanford : Logic and Artificial Intelligence. -2009.

87. Тей, А., Грибомон, П. и Луи, Дж. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: Пер.с франц. / А.Тей, П. Грибомон и Дж. М. Луи // М.: Мир. - 1990. -ISBN 5-03-001636-8.

88. Осипов, Г. С. Искусственный интеллект: Состояние исследований и взгляд в будущее [электронный ресурс] / Г.С. Осипов // URL: http://www.raai.org/about/persons/osipov/pages/ai/ai.html.

89. Зверев, Г. Н. Объективные многозначные логики в интеллектуальных системах моделирования и обработки информации / Г. Н. Зверев // Вестник УГАТУ. - 2003. - Т. 4, - №1, - С. 20-34.

90. Schank, Roger. Dynamic Memory: A Theory of Learning in Computers and People /. Schank // New York : Cambridge University Press. - 1982.

91. Aamodt, Agnar и Plaza, Enric. Case-Based Reasoning: Methodological Variations, and System Approaches / A. Aamodt, E. Plaza // AlCom - Artificial Intelligence Communications. - IOS Press. - 1994. - T. 7:1. - C. 39-59.

92. Jha, G. A hybrid case based reasoning and neural network approach to online fault diagnosis / G. Jha, S.C. Hui, S. Foo // Proc. 3rd International ICSC Symposia on Industrial Automation (IIA'99) and Soft Computing (SOCO'99). -Genoa, Italy. - 1999. - C. 376-381.

93. Berners-Lee, Tim, The Semantic Web / Tim Berners-Lee, James Hendler и Ora Lassila // Scientific American Magazine. - May, 2001.

94. Горин, В. С. и Махарев, Э. И. Продажа услуг пассажирского транспорта / В. С. Горин и Э. И. Махарев // М.: Высшая школа, 2010, р. 783.

95. Бессмертный, И.А. Искусственный интеллект / И.А. Бессмертный // СПб: СПбГУИТМО. - 2010. - С. 132.

96. Торсуева, И. Г. Контекст. Лингвистический энциклопедический словарь / И. Г. Торсуева // М.: СЭ. - 1990. - С. 238-239.

97. Engelbrecht, A. Fundamentals of Computational Swarm Intelligence / A. Engelbrecht // Wiley, John & Sons, -2006. - p. 672.

98. Лебедев, Б. К. Разбиение на основе эволюционной адаптации / Б. К. Лебедев // Известия ТРТУ. Тематический выпуск "Интеллектуальные САПР", -№3,-1999.

99. Городецкий, В. И., Карсаев, О. В., Самойлов, В. В. и Серебряков, С. В. Прикладные многоагентные системы группового управления / В. И. Городецкий, О. В. Карсаев, В. В. Самойлов и С. В. Серебряков, // Искусственный интеллект и принятие решений, pp. 3-24, - №2. -2009.

100. Wooldridge, М. An Introduction to MultiAgent Systems / M. Wooldridge // John Wiley & Sons Ltd, 2002, p. 366.

101. Налимов В. В. и Чернова, Н. А. Статистические методы планирования экстремальных экспериментов / В. В. Налимов и Н. А. Чернова // М.: Наука, 1965, р. 340.

102. Чипига, А. Ф. и Колков, Д. А. Анализ методов случайного поиска глобальных экстремумов многомерных функций / Ф. Чипига и Д. А. Колков // Фундаментальные исследования, № 2, pp. 24-26,2006.

103. Cisco Systems. Руководство Cisco по междоменной многоадресатной маршрутизации = Interdomain Multicast Solutions Guide // M.: Вильяме, 2004, p. 320.

104. Surhohe, Lambert M., Tennoe, Mariam Т. и Henssonow, Susan F. Open World Assumption / L.M. Surhohe, M. T. Tennoe, S.F. Henssonow // Book on demand.-2010.-ISBN 978-6-1314-1731-3.

105. Дейт, К. Дж. Введение в системы баз данных = Introduction to Database Systems. Изд. 8-е / К.Дж. Дейт // М.: Вильяме. - 2006. - С. 1328. - ISBN 00321-19784-4.

106. Shannon, Claude. A Mathematical Theory of Communication / C. Shannon // Bell System Technical Journal. - July, October, 1948. - Vol. 27. - C. 379-432, 623-656.

107. Колмогоров, A. H. Теория информации и теория алгоритмов / А. Н. Колмогоров // М.: Наука. - 1987. - С. 218.

108. Wentian, Li. Random Texts Exhibit Zipf s-Law-Like Word Frequency Distribution / L. Wentian // IEEE Transactions on Information Theory. Santa Fe Institute. - 1992. -№6. - Vol. 38, - C. 1842-1845.

109. Piantadosi, S., Tily, H. и Gibson, E. Word lengths are optimized for efficient communication [электронный ресурс] / S. Piantadosi, H. Tily, E. Gibson // Proceedings of the National Academy of Sciences. - USA. - 2011. -URL: http://web.mit.edu/piantado/www/papers/PNAS-2011 -Piantadosi-1012551108.pdf.-DOI: 10.1073/pnas.l012551108.

110. Семакин, И. Г. и Шеина, Т. Ю. Преподавание базового курса информатики в средней школе. Методическое пособие. 3-е, исправленное / И. Г. Семакин, Т. Ю. Шеина // М.: БИНОМ. - 2006.

111. Фомин В. В. и Фомина, И. К. Кусочно-спиральная модель объективирования в процессе проектирования информационных систем / В. В. Фомин и И. К. Фомина // Программные продукты и системы, № 2, pp. 61-62, 2008.

112. Валгина, Н. С. Теория текста: Учебное пособие / Н. С. Валгина // М.: Мир книги. - 1998. - С. 210. -URL: http://www.hi-edu.ru/e-books/xbook029/01/about.htm.

113. Лукасевич, Я. Аристотелевская силлогистика с точки зрения современной формальной логики / Я. Лукасевич // М.: Иностранная литература. - 1959.

114. Бессмертный, И. А. Исследование вывода на основе прецедентов для базы знаний в среде JENA / И. А.Бессмертный, А. С. Балгайракова, Д.С. Ков-баско // Вестник КазНТУ. - Алматы . - 2012. - №2. - С. 255-258. - ISSN 1680-9211.

115. Godel, К. On formally undecidable propositions of Principia Mathematica and related systems [электронный ресурс] / К. Godel // URL: http://www.research.ibm.c0m/people/h/hirzel/papers/canonOO-goedel.pdf.

116. Anderson, J. The architecture of cognition. Cognitive science series / J. Anderson // Cambridge, MA. Harvard University Press. - 1983.

117. Richens, Richard. Preprogramming for mechanical translation / Richard Richens // Mechanical Translation. -July, 1956. -№ 3 (1). - C. 20-25.

118. Brooks, A. New Approach to Robotics / A. Brooks // Science. September. -1991. - C. 1227-1232. -URL: http://people.csail.mit.edu/brooks/papers/new-approaches.pdf.

119. Stork, David. Scientist on the Set: An Interview with Marvin Minsky. mitpress.mit.edu. [В Интернете] / D. Stork // -URL: http://mitpress.mit.edu/e-books/Hal/chap2/two 1 .html.

120. Frantti, Tapio и Jutila, Mirjami. Embedded fuzzy expert system for Adaptive Weighted Fair Queueing / T. Frantti, M. Jutila // Expert Systems with Applications: An International Journal. - 2009. - T. 36. -№8.