Содержание к диссертации
Введение
Глава I. Процессы принятия решений в задачах контроля и управления 7
1.1. Системы принятия решений при управлении производственными объектами 8
1.2. Процессы принятия решений в условиях неопределенности .^.,.M 28
1.3. Система принятия решений при оценивании технического состояния контролируемых объектов 39
Основные результаты 53
Глава И. Модели и алгоритмы аппроксимации временных рядов случайных процессов 55
2.1. Модели аппроксимации и прогнозирования, как элементы библиотеки моделей информационной системы 55
2.2. Механизм кусочно-интервального описания временных процессов 72
2.3. Процедура "сшивания" моделей при формальном представлении "удлиненного" процесса 88
Основные результаты 94
Глава III. Применение информационных систем экспертного типа для управляемого выбора моделей 96
3.1. Структурная схема управляемого выбора моделей аппроксимации 96
3.2. Элементы информационной системы экспертного типа и граф-модель предметной области 103
3.3. Продукционные модели выбора 120
Основные результаты 136
Глава IV. Программное обеспечение алгоритмов автоматизированного выбора и принятия решений 137
4.1. Структурные решения информационной системы выбора и принятия решений (ИСВПР) 137
4.2. Пользовательский интерфейс ИСВПР 151
4.3. Программное обеспечение информационной системы 168
Основные результаты 183
Заключение 185
Список литературы 187
- Система принятия решений при оценивании технического состояния контролируемых объектов
- Модели аппроксимации и прогнозирования, как элементы библиотеки моделей информационной системы
- Элементы информационной системы экспертного типа и граф-модель предметной области
- Структурные решения информационной системы выбора и принятия решений (ИСВПР)
Введение к работе
Основой решения большинства задач контроля, управления и принятия решений является имеющаяся база данных. Как правило, на" практике база данных информационных систем создается на основе наблюдений над объектами или процессами в самых различных предметных областях. При этом зачастую данные поступают в виде временных рядов, как результат наблюдения за состоянием динамических объектов (процессов). Для автоматизированного контроля и управления за состоянием динамических систем требуются формализованные методы построения, идентификации, подготовки и проверки моделей временных рядов. Эти методы будут удобны для дискретных систем с выборкой данных, т.е. таких систем, в которых возможность произвести наблюдение и предпринять регулирующие действия возникает через равные интервалы времени.
Модели временных рядов распространены в трех важных предметных областях:
прогнозирование будущих значений временного ряда по его текущим и прошлым значениям;
определение передаточной функции системы, в смысле определения динамической модели вход-выход;
проектирование простых регулирующих схем с прямой и обратной связями, при помощи которых можно в максимально допустимых пределах компенсировать потенциальные отклонения выхода системы от желаемого номинала.
Применение параметрических моделей для решения этого класса задач является более эффективными по сравнению с непараметрическими. Поэтому построение разнообразных параметрических моделей как для решения задач прогнозирования, так и для идентификации динамических процессов является актуальной задачей.
В связи с этим целью диссертационной работы является разработка
структурных решений в построении информационной системы, организации
'библиотеки моделей, алгоритмов и создании программного комплекса в
решении задач управляемого выбора моделей аппроксимации временных
рядов, описывающих изменение технического состояния судовых устройств.
В рамках сформулированной цели необходимо было решить следующие задачи:
- проанализировать и обобщить процессы принятия решений (ПР) в
системах контроля и управления с исследованием сценариев
' формирования вариантов ПР, в частности, в условиях неопределенности, а также схем обработки информации в системе ПР;
создать необходимую и достаточную совокупность моделей аппроксимации и отобрать механизм построения аппроксимирующей модели;
разработать алгоритмы механизмов "сшивания" поинтервальных математических моделей для описания "удлиненных" временных периодов с обоснованием математических условий сшивания;
обосновать алгоритмическую схему управляемого выбора моделей и логическую основу механизма управляемого выбора;
разработать структуру информационной системы, пользовательский интерфейс и программное обеспечение для решения задач управляемого выбора и принятия решений.
Объект исследования - автоматизированная информационная система управляемого выбора моделей аппроксимации и принятия решений.
Предмет исследования - основные теоретические аспекты, алгоритмические механизмы и программный продукт, обеспечивающих управляемый выбор моделей аппроксимации.
Методы исследований. При разработке основных положений диссертационной работы использовались методы теории случайных
процессов, теории стохастической аппроксимации, теории временных рядов, теории информационных систем, теории экспертных систем, дискретной математики, алгебры логики, теории системного анализа, теории принятия решений, теории программирования вычислительных процессов. Научная новизна исследования.
Выявлены механизмы принятия решений при решении задачи управляемого выбора модели аппроксимации из библиотечного множества.
Создана необходимая и достаточная совокупность моделей аппроксимации (библиотека моделей) с алгоритмами их построения.
Разработан математический механизм "сшивания" поинтервальных моделей для описания "удлиненных" временных периодов контролируемых процессов.
Обоснована алгоритмическая схема и логическая основа механизма управляемого выбора.
Разработана структура, пользовательский интерфейс и программный продукт информационной системы выбора моделей аппроксимации.
Практическая ценность диссертационного исследования заключается в том, что созданные библиотека моделей аппроксимации, обобщенные механизмы принятия решений, теория "сшивания" поинтервальных моделей, алгоритм управляемого выбора алгоритмов (а также продукционных моделей), пользовательский интерфейс и программы могут использоваться в профессиональной деятельности при разработке и создании информационных систем в исследуемой предметной области и смежных областях.
Система принятия решений при оценивании технического состояния контролируемых объектов
В процессе эксплуатации практически любых технических объектов, в том числе и судовых, под воздействием внутренних и внешних факторов их состояния работоспособности ухудшается и может привести к неисправности объекта или к его отказу. В связи с этим для предотвращения отказа объекта и принятия своевременного решения по профилактическим мероприятиям необходимо контролировать множество параметров объекта, обрабатывать их, анализировать, описывать их динамику изменения во времени, прогнозировать их поведение в будущем.
Иными словами необходимо периодически распознавать (определять) техническое состояния (ТС) эксплуатируемого объекта и принимать решение о техническом обслуживании объекта на основе контроля процесса изменения его ТС.
Анализ современного состояния проблемы повышения качества распознавания ТС динамического объекта показал, что ее решение связано с повышением точности оценки контролируемых и неконтролируемых параметров объекта на неустановившихся режимах работы на основе обработки избыточной информации, полученной методом косвенного измерения его параметров. Как объект контроля и управления, он может быть описан множеством обобщенных и локальных адекватных математических моделей. Таким образом, имеется возможность создания избыточных каналов косвенных измерений, а, следовательно, и повышения точности оценки параметров за счет взаимной коррекции погрешностей методов измерения (комплексирования).
При построении систем обработки информации (СОИ) возможно несколько альтернативных вариантов ее реализации, что обуславливает существование задачи выбора решений, удовлетворяющих предъявленным требованиям. Различие между предлагаемыми и реальными условиями функционирования объекта и средств получения информации в условиях неполной или недостоверной информации приведет к тому, что технические характеристики спроектированного варианта СОИ не будут удовлетворять требуемым в конкретных условиях функционирования.
Если СОИ решает задачи достоверного определения характера и параметров реакции СОИ на действие возмущающих факторов, а также ТС самого объекта, то появляется возможность адаптации СОИ к этим факторам с частичным или полным сохранением заданных показателей качества. Тогда качество работы СОИ будет определяться качеством классификации и распознавания ТС объекта и средств получения информации, а также полнотой базы знаний для выбора решающих правил, которая постоянно обновляется и дополняется, по мере необходимости, знаниями о предметной области. Получение новых знаний о предметной области возможно при накоплении и обработки данных о СОИ для последующей их трансформации в знания.
Для максимальной эффективности работы СОИ для оценки параметров динамических объектов, основой которой является система принятия решений, следует организовать, по крайней мере, три уровня обработки: априорный, ретроспективный и оперативный, а при необходимости и четвертый, прогностический. Сопоставление результатов обработки информации на перечисленных уровнях служит основой для обоснования выбора принятого варианта решения в данных условиях функционирования.
Поэтому необходимо исследовать показатель целесообразности применения структурно-адаптивных систем на основе классификации и распознавания условий функционирования в виде функции риска, имеющего смысл вероятности выхода показателей качества за установленные требования, при этом целесообразность определяется условием, когда функция риска структурно-адаптивной системы не превышает функцию риска системы с постоянной структурой.
При исследовании условий эксплуатации судовых энергетических установок (СЭУ) можно скомпоновать инфологическую модель предметной области, которая включает следующие объекты: динамический объект; параметр объекта; условия функционирования объекта и СОИ; СОИ; измерительный канал; модель объекта; алгоритм обработки информации; контрольная точка; отчет. Перечисленные объекты описываются понятием «сущность» в терминах концепции «сущность-отношение». Если для каждого из объектов определить первичные и вторичные атрибуты, выделение которых позволяет произвести однозначную идентификацию конкретного экземпляра сущности, то можно установить взаимосвязи между различными сущностями. Инфологическая модель предметной области является основой для построения конкретной базы данных используемой при эксплуатации объектов СОИ [74].
В основу выбора решающих правил для оценки параметров динамического объекта был принят анализ спектральных характеристик оцениваемого параметра и погрешности результатов косвенных измерений. Во внимание приняты два основных случая:
1) спектры полезного сигнала и помехи находятся в различных частотных областях, тогда задача оценки парметров сводится к частотной фильтрации результатов измерения;
2) спектры полезного сигнала и помехи расположены в одной частной области, в этом случае повышение качества оценки параметров СЭУ можно обеспечить совметной обработкой избыточной измерительной информации. Если априорно известно, что спектры погрешностей результатов избыточных измерений лежат в различных частотных областях или несколько перекрывают друг друга, то совместная обработка результатов измерений будет основываться на частотной фильтрации сигналов. Если спектры погрешностей избыточных результатов измерений лежат в одном частотном диапазоне, то комплексирование осуществляется путем безинерционной обработки сигналов, основанной на использовании оптимально-инвариантных, адаптивных и робастных решающих правил. Следовательно, выбор алгоритмов обработки информации СОИ (Рис. 1.3) осуществяется на основе текущего ТС комплексируемых измерительных каналов, описываемого в базисе корреляционных функций и законов распределения погрешностей. Синтез структуры системы принятия решения включает разработку алгоритмов обработки информации и порядок их функционирования [38].
Модели аппроксимации и прогнозирования, как элементы библиотеки моделей информационной системы
Аппроксимация временного ряда с помощью математических моделей предполагает предварительное последовательное решение двух основных задач:
— составление библиотеки математических моделей;
— выбор наилучшей модели из их множества собранных библиотеке -соответствующим файле базы данных.
Рассмотрим класс моделей, которые могут быть использованы для осуществления аппроксимации временного ряда. 1) Модель вида у = а0 + а,/"1, где а0,а,- неизвестные коэффициенты, t - временной ряд.
Графически данная модель при положительных коэффициентах aQ,ax показана на рис. 2.1.а., при первом отрицательном а0- рис.2.1.6, при втором отрицательном а, -рис.2 Л .в.
При решении задач управления с прогнозированием нет необходимости формально описывать весь наблюдаемый процесс, поскольку на будущее поведение процесса влияет (или связано с будущими изменениями) последние значения процесса или какой-то интервал последних значений его показателей. Но если этот интервал достаточно продолжителен, то полностью описать в какой-то мере точно не удается. Необходимо, целесообразность чего подтверждена практически, разбивать этот интервал на участки и внутри каждого участка использовать свою наилучшую модель, а затем эти модели "склеивать" или "сшивать" при соблюдении определенных требований. В результате получается обобщенная интервальная модель, состоящая из системы "сшитых" последовательных математических моделей.
Автоматизированная система прогнозирования на основе экспериментальных данных осуществляет выбор наилучшей (с точки зрения критерия адекватности) модели и выполняет настройку ее параметров таким образом, чтобы данная модель наилучшим образом представляла искомую зависимость. Основной сложностью является то, что построив аппроксимацию искомой зависимости с помощью математической модели мы не можем гарантировать применимость выбранной модели для прогнозирования значений параметров процесса (или объекта) методом экстраполяции. Для решения этой проблемы предлагается осуществлять выбор модели не только на основе критерия точной аппроксимации полученной экспериментальной зависимости, но и на основе статистики выбора моделей для исследуемого процесса.
Рассмотрим два числовых множества X и Y. Правило f, по которому каждому числу хєХ ставится в соответствие единственное число уєУ, называется числовой функцией, заданной на множестве X и принимающей значения во множестве Y.
Таким образом, задать функцию, значит задать три объекта:
1) множество Л"(область определения функции);
2) множество Y (область значений функции);
3) правило соответствия/ (сама функция).
Например, поставим в соответствие каждому числу его куб. Математически это можно записать формулой у =х3. В этом случае правило/ есть возведение числа д: в третью степень. В общем случае, если каждому х по правилу / соответствует единственный у, пишут у = f(x). Здесь "х" называют независимой переменной или аргументом, а "у" -зависимой переменной (т.к. выражение типа х3 само по себе не имеет определенного числового значения пока не указано значение х) или функцией от х. О величинах х и у говорят, что они связаны функциональной зависимостью. Зная все значения х и правило/ можно найти все значения .у. Например, если х=2, то функция/ ,) =х принимает значение у=/(2) =23 =8.
Существуют несколько способов задания функции.
Аналитический способ. Функция / задается в виде "формулы y=f(x). Например, y=3cos(x)+2x2. Этот способ является преобладающим в математических исследованиях и подробно рассматривается в классическом курсе математики. При наблюдении за контролируемыми объектами соответствие между переменными величинами х и у не всегда удается записать в виде формулы. Во многих случаях формула бывает неизвестна. Тогда для выражения функциональной зависимости используются другие способы.
Графический способ. По полученному графику можно определить значения указанных величин в любой момент времени. Графиком функции y=f(x) называется множество всех точек плоскости с координатами (х, f(x)). График содержит всю информацию о функции. Имея перед собой график, мы как бы "видим функцию".
Табличный способ. Этот способ является наиболее простым. В одной строке таблицы записываются все значения аргумента (числа), а в другой -значения/ft), соответствующие каждому х.
Несмотря на повсеместное внедрение компьютеров большинство функций до сих пор представлены в виде табличного или графического задания. Табличные зависимости получаются в результате регистрации результатов опытов, лабораторных анализов и.т.д. К сожалению, по таблице можно найти лишь те значения функции, значения аргумента которых имеются в таблице. В то же время часто возникают задачи, требующие нахождения значения функции для значения аргумента, не входящего в таблицу. Кроме того этот способ не дает достаточно наглядного представления о характере изменения функции с изменением независимого переменного. От этого недостатка свободны графики, полученные в результате работы автоматических приборов, но и графическое задание не всегда может быть достаточным для дальнейших исследований. Таким образом, во многих случаях важно знать аналитическое задание функции. Так как точного аналитического задания функции, полученной в результате экспериментальной работы не существует, то для целей исследования применяют следующий прием: функцию, заданную таблично (функцию, заданную графически всегда можно представить в табличном виде) заменяют на некотором отрезке [а;Ь] другой функцией более простой, близкой в некотором смысле к данной и имеющей аналитическое выражение. Существует два основных приема такой замены - интерполирование и аппроксимация функции-таблицы.
Конечно, можно найти формулу, выражающую эту зависимость аналитически, применив метод интерполяции. Однако, совпадение значений полученного аналитического задания функции в узлах интерполяции с имеющимися эмпирическими данными часто может вовсе не означать совпадение характеров поведения исходной и интерполирующей функции на всем интервале наблюдения. Кроме того, табличная зависимость показателей контролируемого объекта всегда получается в результате измерений различными приборами, имеющими определенную и не всегда достаточно малую погрешность измерения. Требование точного совпадения значений приближающей и приближаемой функций в узлах является тем более неоправданным, если значения функции f(x), полученные в результате измерений уже сами являются приближенными. Задача аппроксимации функции одной переменной с самого начала обязательно учитывает характер поведения исходной функции на всем интервале наблюдений. Формулировка задачи выглядит следующим образом. Пусть функция у- f(x) задана таблицей 2.1. Необходимо найти функцию заданного вида:
На практике вид приближающей функции чаще всего определяют путем сравнения вида приближенно построенного графика функции y=f(x) с графиками известных исследователю функций, заданных аналитически (чаще всего простых по виду элементарных функций). А именно, по табл. 2.1 строится точечный график f(x), затем проводится плавная кривая," по возможности наилучшим образом отражающая характер расположения точек. По полученной таким образом кривой на качественном уровне устанавливается вид приближающей функции.
Элементы информационной системы экспертного типа и граф-модель предметной области
В течение последних двух десятилетий в рамках исследований по искусственному интеллекту (ИИ) сформировалось самостоятельное направление - информационные системы экспертного типа (ИСЭТ) или инженерия знаний. В задачу этого направления входят исследование и разработка программ (устройств), использующие знания и процедуры вывода для решения задач, являющихся трудными для людей-экспертов. В отличие от специализированных систем ИИ экспертные системы могут быть отнесены к системам ИИ общего назначения - системам, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и используют процедуры решения новых конкретных задач.
Структура и режимы ИСЭТ.
Типичная ИСЭТ состоит из следующих основных компонентов (рис.3.2): решателя (интерпретатора), рабочей памяти (РП), называемой также базой данных (БД), базы знаний (БЗ), компонентов приобретения знаний, объяснительного и диалогового.
База данных предназначена для хранения исходных и промежуточных данных решаемой в текущей момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (и в первую очередь не текущих, а долгосрочных), хранимых в системе.
База знаний в ИСЭТ предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающие целесообразные преобразования данных этой области.
Решатель, используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.
Компонент приобретения знаний автоматизирует процесс наполнения ИСЭТ знаниями, осуществляемый пользователем-экспертом.
Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания при этом она использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.
Диалоговый компонент ориентирован на организацию дружелюбного общения со всеми категориями пользователей, как в ходе решения задач, так и приобретения знаний, объяснения результатов работы.
В разработке ИСЭТ участвуют представители следующих специальностей: эксперт в той проблемной области, задачи которой будет решать ИСЭТ; инженер по знаниям (когнитолог) - специалист по разработке ИСЭТ; программист - специалист по разработке инструментальных средств (ИнС). Необходимо отметить, что отсутствие среди участников разработки инженера по знаниям (т.е. его замена программистом) либо приводит к неудаче в процессе создания ИСЭТ, либо значительно удлиняет его.
Эксперт определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введения в ИСЭТ знаний.
Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ИСЭТ, осуществляет выбор того инструментального средства, который наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом инструментальном средстве, выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.
Программист разрабатывает инструментальное средство, содержащее в пределе все основные компоненты ИСЭТ, осуществляет сопряжение инструментального средства с той средой, в которой оно может быть использовано.
Экспертная система работает в двух режимах: приобретения знаний и решения задач (называемом также режимом консультации, или режимом использования ИСЭТ).
В режиме приобретения знаний общение с ИСЭТ осуществляет эксперт через посредничество инженера по знаниям. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования данными, характерные для рассматриваемой проблемной области. Эксперты, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ИСЭТ в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области.
Важную роль в режиме приобретения знаний играет объяснительный компонент. Именно благодаря ему эксперт на этапе тестирования локализует причины неудачной работы ИСЭТ, что позволяет эксперту целенаправленно моделировать старые или вводить новые знания. Обычно, объяснительный компонент сообщает следующее: как правильно использовать информацию пользователя; почему использовались или не использовались данные или правила; какие были сделаны выводы и т.п. Все объяснения делаются, как правило, на ограниченном естественном языке или языке графики. Отметим, что режиму приобретения знаний при традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода разработку программ осуществляет эксперт (с помощью ИСЭТ), не владеющий программированием, а не программист.
В режиме консультации общение с ИСЭТ осуществляет конечный пользователь, которого интересует результат и (или) способ получения решения. Пользователь в зависимости от назначения ИСЭТ может не быть специалистом в данной проблемной области, в этом случае он обращается к
ИСЭТ за советом, не умея получить ответ сам, или быть специалистом, в этом случае он обращается к ИСЭТ, чтобы либо ускорить процесс получения результата, либо возложить на ИСЭТ рутинную работу. Термин "пользователь" является многозначным, так как кроме конечного пользователя применять ИСЭТ может и эксперт, и инженер по знаниям, и программист. Поэтому, когда хотят подчеркнуть, что речь идет о том, для кого делалась ИСЭТ, используют термин " конечный пользователь".
В режиме консультации данные о задаче пользователя обрабатываются диалоговым компонентом, который выполняет следующие действия: распределяет роли участников (пользователя и ИСЭТ) и организует их взаимодействие в процессе кооперативного решения задачи; преобразует данные пользователя о задаче, представленные на привычном для пользователя языке, во внутренний язык системы; преобразует сообщения системы, представленные на внутреннем языке в сообщения на языке, привычном для пользователя (обычно это ограниченный естественный язык или язык графики).
Структурные решения информационной системы выбора и принятия решений (ИСВПР)
Для иллюстрации поиска по образцу положим, что в БЗ для представления знаний используется семантическая сеть (рис.3.ба) и продукция (рис.3.66). Поиск А в БЗ организуется различными способами. Можно сначала искать вершину а. Если в БЗ такой вершины нет, то поиск по образцу заканчивается неудачей. Если вершина а найдена, то ищутся все выходящие из неё дуги, помеченные отношением /?з, так как в образце справа от этой дуги стоит вершина дг, на месте которой в БЗ может находиться любая вершина. Если из а не выходит ни одной дуги, помеченной отношением /?з» то поиск по образцу заканчивается неудачей. Но если такие дуги есть, то происходит переход во все вершины, с которыми вершину а примере произойдет переход от вершины а к вершинам Ъ и /, из которых начнется поиск выходящих из них дуг, помеченных отношением R\y ведущих в любую вершину, так как в образце далее стоит вершина, которой соответствует свободная переменная у. Далее процесс продолжается аналогичным образом. В примере поиск по образцу оказывается успешным. После нахождения А в семантической сети происходит замена, которая определяется правой частью образца. В результате возникает трансформированная сеть для решения поставленной задачи (рис.3.6в).
Продукция АБД= ВБД соответствует процедуре нахождения закономерностей по эмпирическим данным. Логический блок на основании просмотра и анализа данных выдвигает гипотезы о наличии закономерностей и, убедившись в их приемлемости и достаточной обоснованности, записывает в БЗ. Аналогично можно интерпретировать и иные типы продукций из таблицы 3.1.
При выполнении в АСП условия применимости ядер продукции для группы продукций возникает вопрос выбора той продукции, которая в данной ситуации будет активизирована. Решение этой задачи возлагается на систему управления комплексом продукций. Если АСП как ИСЭТ реализована на ЭВМ с параллельной архитектурой, то из фронта готовых продукций может выбираться не одна продукция, а столько, сколько параллельных ветвей может одновременно в данной ситуации выполнять ЭВМ. Но независимо от количества актуализированных продукций задача альтернативного выбора остается.
Управление системой продукций. Эта задача может решаться двумя путями [112]: централизованным и децентрализованным. При централизованном управлении выполнением продукций решение об актуализации принимается специальной системой управления, а при децентрализованном определяется складывающейся в этот момент ситуацией. Если порядок выполнения продукций произволен, то решение определяется текущей ситуацией или системой управления; если порядок важен, то в продукциях должна содержаться информация о требованиях к этому порядку. Если в постусловиях продукций указывается имя продукции, которая должна выполняться после данной, система продукций превращается в обычную программу для ЭВМ, т.е. реализует некоторый алгоритм.
Существует несколько стратегий управления выполнением продукций:
1. Принцип "стопки книг". Основан на идее, что наиболее часто используемая продукция является наиболее полезной. Готовые продукции как бы образуют "стопку", в которой порядок определяется накопленной частотой использования продукций в прошлом. На самом верху "стопки" находится продукция, которая использовалась чаще всех. При актуализации некоторой совокупности продукций для исполнения выбирается та продукция, у которой частота использования максимальна.
2. Принцип наиболее длинного условия. Заключается в выборе из фронта готовых продукций той, у которой стало истинным наиболее "длинное" условие выполнимости ядра. Этот принцип опирается на соображение "здравого смысла", что частные правила, относящиеся к узкому классу ситуаций, важнее общих правил, относящихся к широкому классу, так как первые учитывают больше информации о ситуации, чем вторые. Трудность использования данного принципа состоит в том, что надо заранее упорядочить условия по вхождению друг в друга по отношению "частное-общее".
3. Принцип метапродукций. Основан на идее ввода в систему продукций специальных метапродукций, задачей которых является организация управления в системе продукций при возможности неоднозначного выбора из множества готовых продукций.
4. Принцип "классной доски". Основан на идее спусковых функций. При реализации принципа "классной доски" в АСП выделяется специальное рабочее поле памяти - аналог классной доски, на которой мелом пишут объявления и стирают их при необходимости тряпкой. Как правило, на "классной доске" выделены специальные поля для формирования условий применимости ядер продукции, различные для разных сфер применения
продукций, специальные поля для записи результатов срабатывания продукций и .для записи постусловий, если они адресованы другим продукциям.
5. Принцип приоритетного выбора. Связан с введением статических и динамических приоритетов на продукции. Статические приоритеты могут формироваться априори на основании сведений о важности продукционных правил в данной, проблемной области. Эти сведения, как правило, представляют собой информацию, извлекаемую из эксперта. Динамические приоритеты вырабатываются в процессе функционирования системы продукций и могут отражать, например, такой параметр, как время нахождения продукции во множестве готовых продукций.
6. Управление по именам. Основано на задании для имен продукций, входящих в некоторую систему, некоторой формальной грамматики или другой процедуры, обеспечивающей сужение совокупности готовых продукций и выбор из неё очередной продукции .для выполнения.
