Содержание к диссертации
Введение 4
Глава 1. Аналитический обзор 12
# Определения 12
Аналитический обзор 15
Обзор исследований в области управления информациоными ресурсами 15
Когнитивные процессы человека и механизмы вывода 25
Классификация задач, решаемых с помощью аналогии 31
Типы cbr-методов : 38
Математический аппарат вывода по аналогии 42
Достоверность вывода по аналогии 47
Неформальная постановка проблемы и выбор подхода к решению 52
Прожективный и непрожективный подходы 54
Креативный подход и творческое мышление 56
Системный подход к построению исппр 58
^ Модели интеллекта и интеллектуальных систем 61
Постановка проблемы 63
Анализ работы эксперта-консультанта 63
Постановка проблемы в терминах искусственного интеллекта 65
Определение парного соответствия 66
Представление проблемы на естественном языке 66
Древовидное представление связного текста 70
Представление текста в виде правил 72
Построение модели 73
Глава 2. Постановка задачи 75
Определение парного соответствия 75
Формализация аналогии 76
Аналогия через дедукцию 78
Формальное представление проблемы 83
Глава 3. Методы решения задачи 100
Математическая модель поиска аналогичного прецедента 100
Виды парного соответствия 100
реализация механизма аналогии 103
щ Структурная близость деревьев 107
Понятие аналогичности прецедентов 120
Многокритериальный подход 123
Адаптация оптимального решения 126
Выводы о реализации методов 127
Алгоритм решения проблемы 127
Методы построения системы поддержки принятия решений 128
Глава 4. Программное обеспечение и программные приложения 130
Выбор языка 130
Процедура определения парного соответствия 132
Основной модуль программного обеспечения 134
Пример 1. Подбор пар аналогичных деревьев 135
ф Пример 2. Аналогия пролог-программ 137
Определение аналогичности проблем 137
Программная реализация вывода по аналогии 139
Примеры работы приложения 147
Пример 3. Интеллектуальный поиск по базе данных 159
Пример 4. Диагностика оптимизации рабочих обязанностей 163
Пример 5. Система поддержки принятия стратегических решений 166
Постановка задачи 166
Разработка системы поддержки принятия стратегических решений 171
Логика принятия стратегического решения 175
Обоснование выбора рекомендации: многокритериаль-ный подход 187
Программное обеспечение 190
* Заключение 197
Список литературы 200
Приложения 210
Введение к работе
Современному человеку в процессе принятия профессиональных и иных решений приходится затрачивать много времени и средств на анализ огромных массивов разнородной информации. Целью этой ресурсоемкой работы является выбрать наилучшее решение проблемы (удовлетворяющее ряду критериев), обосновать его, спрогнозировать и оценить возможные последствия (см.Приложение 1, Рис.П.1.1).
Выбор в реальных ситуациях требует выполнения ряда операций, одни из которых более эффективно выполняет человек, а другие может эффективно выполнять машина. Эффективное объединение их достоинств при одновременной компенсации недостатков и воплощается в автоматизированных системах поддержки принятия решений. Основным инструментом работы со сложными объектами [Налимов В., 47] сегодня являются экспертные системы пятого поколения, построенные на различных видах отношений между объектами, представляющими собой прецеденты.
Подобные системы нашли применение в различных классах задач, связанных с поддержкой принятия решений: получение дополнительной информации (доопределение задачи); поиск пары (поиска комплиментарной пары); поиск прототипа, идентификация объекта, поиск модели; конструирование объекта, управление объектом. Интеллектуальная система поддержки принятия решений (ИСППР) наряду с объективными формальными данными позволяет учесть опыт и субъективные оценки лица, принимающего решение [Трахтенгерц Э., 119]. ИСППР не заменяет творческий подход лица, принимающего решение, а помогает человеку: проанализировать большой объем информации; учесть экспертные оценки группы специалистов; более четко формально сформулировать множество возможных вариантов решения; быстро проанализировать соответствие возможных решений различным критериям;
предположить последствия принимаемых решений; получить логическое обоснование выбора решения.
Специфика систем пятого поколения заключается в том, что их Базу знаний образуют не только логические правила (традиционно именуемые «Базой знаний»), а и так называемая «База прецедентов». Прецедентные системы построены на рассуждениях, основанных на прецедентах (Case-Based Reasoning или CBR). В терминологии CBR прецедент обычно понимается как проблемная ситуация или заранее известная ситуация, которая была изучена и сохранена с целью повторного использования для решения будущих проблем. Термин «решение проблемы» в данном контексте имеет широкое значение; это не обязательно нахождение конкретного решения соответствующей задачи, это может быть другая проблема, новая интерпретация решаемой проблемы или получение информации, на основании которой судить или критиковать решение предлагается пользователю.
Человек лучше, чем машина принимает решения в условиях неопределенности, но и ему для принятия верного решения необходима адекватная (полная и достоверная) информация, характеризующая предметную область. Однако известно, что человек плохо справляется с большими объемами "сырой" необработанной информации. Поэтому роль машины в поддержке принятия решений может заключаться не в получении окончательного решения как такового, а в осуществлении предварительной подготовки информации об объекте управления и неконтролируемых факторах (среде), с целью помочь просмотреть последствия принятия тех или иных решений, а также в представлении всей этой информации в наглядном и удобном для принятия решений виде.
Таким образом, ИСППР пятого поколения позволяют сочетать возможности вычислительной техники по быстрой обработке больших массивов информации с математическими методами теории принятия решений, системным подходом
к анализу проблемной области, данными когнитивных и психологических
исследований и опытом специалистов-экспертов, тем самым расширяя
интеллектуальные возможности компьютеров.
Парадигма CBR объединяет несколько различных методов организации,
восстановления, удаления и индексирования знаний, сохраненных в виде
прецедентов:
Рассуждения, основанные на образце (Exemplar-based reasoning)
Рассуждения, основанные на примере (Instance-based reasoning)
Рассуждения, основанные на памяти (Memory-based reasoning)
Рассуждения, основанные на случае (Case-based reasoning)
Рассуждения, основанные на аналогии (Analogy-based reasoning) Проблема разработки математического обеспечения является ключевой при проектировании подобных систем. Ее основные аспекты заключаются в структуризации знаний, связанных с предыдущим опытом; определении близости прецедентов и обосновании сведения искомого решения к запрограммированному решению [Simon Н., 33].
Определение близости прецедентов включает в себя два класса задач: когда отношения, определяющие близость объектов, детерминированы и проблема определения близости между ними сводится к проблеме изоморфизма и когда эти отношения не определены и проблема шире проблемы изомрфизма. Близость объектов определяется через отношения подобия между ними. Развитию теории вывода по аналогии и его математическому обеспечению посвящены работы А.И.Уемова, В.П.Гладуна, П.Н.Пипунырова, М.С.Строговича, Н.И.Кондакова, П.В.Копнина, А.А.Старченко, С.Осуги, С.Арикавы, М.Харагути, A.Agnar, S.Pel, П.Уинстона, Ф.Ибервега, В.Биганского. В работах этих и других авторов достаточно хорошо освещен класс детерминированных отношений подобия. В практических реализациях эти отношения заложены в основу «Базы знаний». Однако класс задач с неопределенным отношением остался за рамками рассмотрения.
Таким образом, основной научной проблемой, пути решения которой рассматриваются в предлагаемой диссертационной работе, является проблема обнаружения отношения подобия между сложными объектами, определяющего их близость. Из всего многообразия подходов, применяемых в прецедентных системах поддержки принятия решений, в данной работе рассматривается подход, базирующийся на каузальной аналогии, в основу которого заложен принцип Уинстона (подобные причины приводят к подобным следствиям). Целью данной работы является создание математического обеспечения для определения отношения подобия между сложными объектами на основе каузальной аналогии и соответствующего ему программного обеспечения задач компьютерной поддержки принятия решений с использованием прецедентов. Для достижения этой цели поставлены и решены следующие задачи:
Ввести ряд понятий, расширяющих понятие близости объектов (через парное соответствие прецедентов) за счет системы дополнительных знаний о семантической близости объектов;
Сформулировать условия, предъявляемые к определению отношения подобия между объектами, гарантирующие обоснованность и достоверность результатов применения каузальной аналогии;
Разработать механизм семантического абстрагирования, основанный на применении системы, содержащей информацию о близости объектов. Таким образом, на программном уровне расширить традиционную База знаний за счет подключения системы дополнительных знаний.
На начальном этапе исследования был применен проектный подход [«Общее управление НКО», 95] и построено дерево проблем, корнем которого явилась проблема «Проблема не решена» (см.Приложение 1, Рис.П.1.2). Затем по дереву проблем было построено дерево целей. Наполнение узлов дерева целей определило блоки работ в рамках исследования и тем самым дерево целей с конкретизированными узлами определяет логику представляемой исследовательской работы, что отражено на Рис.П.1.3. в Приложении 1.
При решении поставленных в работе задач использовались теория и методы искусственного интеллекта, элементы лингвистики, элементы теории двузначной и нечеткой логики, теория экспертных систем, теория графов, методы программирования, а также элементы проектного менеджмента. При разработке системы поддержки принятия решений методология исследования опиралась на принципы системности (применен как реляционный, так и объектно-ориентированый подход), оптимальности (определены условия и построены критерии) и адаптивности (учтены параметрические свойства объектов), а также синергетичности (рассмотрены структурные свойства). Научная новизна работы состоит в том, что исследован процесс получения новых знаний и когнитивная модель вывода по аналогии. В качестве метода извлечения знаний предложен вывод по аналогии, основанный на механизме определения отношения подобия (р между сложными объектами S] и S2 через введение системы Sj дополнительных знаний о семантической близости (см.Рис.В.1):
, =?> и)
S,
Рис.В.1. Определение близости объектов через систему дополнительных знаний
Предложена модель представления знаний, адекватная поставленной задаче. Введен и исследован ряд структурных аналогий и на основе их анализа введены понятия синтаксической и семантической близости прецедентов и разработан механизм поиска близкого прецедента.
Предложен механизм семантического абстрагирования, использующий систему дополнительных знаний о семантической близости. Рассмотрены механизмы, гарантирующие обоснованность полученных результатов. В частности выведено условие, которое обеспечивает сведение аналогии к дедукции (на
основе частичного тождества заданных парных соответствий, определяющих близость прецедентов).
Большая часть работ в данной области отдает приоритет семантике проблемной области, в предлагаемой же работе внимание в первую очередь акцентируется на синтаксических структурах и на возможности использования системы дополнительных знаний, что позволяет работать не только в ситуации неполных данных о проблеме, но и переносить информацию между различными проблемными областями. Теоретическая значимость работы состоит в том, что
Исследован процесс получения новых знаний посредством вывода по аналогии - механизм определения отношения подобия между сложными объектами расширен за счет введения системы дополнительных знаний о семантической близости объектов.
Исследована модель представления знаний в виде древовидных структур отражающих синтаксис и семантику знания;
Расширено понятие изоморфизма древовидных структур до различных видов структурных аналогий и исследованы их особенности;
Сформулированы и исследованы условия применимости структурного подхода;
Введено понятие синтаксической близости прецедентов и разработан механизм поиска синтаксически близкого прецедента на основе структурной аналогии;
Предложена форма представления онтологии, описывающей иерархию концептов, связанных отношениями категоризации, и в рамках этого представления разработан механизм семантического абстрагирования.
Практическая ценность работы заключается в том, что теоретические положения доведены до прикладных разработок. Предложен метод анализа знаний с целью получения новых знаний. Для этого предложена и обоснована форма представления знаний, оптимальная для поиска близкого прецедента и
доказана возможность ее применения. Разработан механизм представления исходной информации оптимальным для дальнейшей обработки образом. Создано программное обеспечение для реализации механизма поиска близкого прецедента и исследована его эффективность. Создано программное обеспечение для реализации механизма минимизации критерия семантической близости и также исследована его эффективность.
Практическая ценность работы подтверждается возможностью включения подхода в основу разных систем, что отражено в программных приложениях, а также востребованностью предложенной идеи в разных прикладных областях, в частности, таких как экспертиза социальных, исследовательских и инвестиционных проектов, консультирование по социальному проектированию, менеджмент человеческих ресурсов, брокерская деятельность. В работе описана программная реализация ядра системы, и ряд программных приложений, описываемых в диссертационной работе как Примеры 1-5, таких как определение аналогии Пролог-программ, диагностика рабочих обязанностей персонала, прецедентных экспертных систем - поиск по базе данных (реализован на примере базы данных организаций социальной направленности) и система подержки принятия стратегических решений. Наличие в разработанных экспертных системах базы знаний и относительно универсального решателя делает принципиально возможным создание новых экспертных систем для новых приложений путем разработки новой базы знаний без изменения интерпретатора.
Предлагаемый подход апробирован и внедрен в рамках интеллектуального поиска по базе данных, которая используется при работе с клиентами в Межрегиональном Общественном Фонде «Сибирский Центр Поддержки Общественных Инициатив», некоммерческом партнерстве «Информационно-Аналитический Центр». На протяжении разработки описываемого в данной работе подхода различные элементы системы, различные приложения и рекомендации по возможным перспективным приложениям, а также сам
подход к построению логики исследования представлялись на международных и межрегиональных конференциях, семинарах и рабочих встречах и на совещаниях с партнерами, таких как (в обратном хронологическом порядке):
Школа молодых ученых «Проблемы управления в науке» (Всероссийская сетевая школа), г.Томск, 2004.
Семинар по разработке индикаторов эффективности выполнения проекта, г.Душанбе (Таджикистан), г.Ташкент (Узбекистан), 2004.
Международная встреча технической группы по взаимодействию Всемирного Банка с НКО Европы и Азии, г.Варшава (Польша), 2003.
Международная конференция IPEN (International Program Evaluation Network) «Оценка запланированных социальных изменений в управлении программами и проектами», г.Москва, 2003.
Международная конференция Диалог', г.Москва, 2003.
Межрегиональный практический семинар по механизмам повышения качества социальных услуг, г.Пятигорск, 2002.
Шестой международный научно-технический симпозиум KORUS-2002, г.Новосибирск, 2002.
Межрегиональная конференция "Перспективы развития образования", г.Новокузнецк, 2000.
Международная конференция "Интернет. Личность. Общество - 1999", г.Санкт-Петербурге, 1999.
Ю.Международная конференция "Rebirth of Voluntarism in East and East-Central
Europe", г.Будапешт (Венгрия), 1997.
11 .Вторая международная англоязычная конференция студентов и аспирантов
НГТУ, г.Новосибирск, 1996.
12.Первая международная англоязычная конференция студентов и аспирантов
НГТУ, г.Новосибирск, 1995.
Предлагаемый подход и сферы его приложения в различных проблемных
областях отражены в 6 публикациях.
