Основная цель поиска в И-ИЛИ графе: показать разрешимость вершины Si.

Вершина является разрешимой, если выполняет-ся одно из следующих условий:

1)вершина S_i является заключительной или терми-нальной;

2)следующие за S_i вершины являются вершинами ИЛИ, и, при этом, хотя бы одна из них разрешима;

3)следующие за S_i вершины являются вершинами И, и, при этом, каждая из них разрешима.

Решающим графом называют подграф, состоящий из разрешимых вершин с корнем в начальной вершине.

Если у вершины И-ИЛИ графа, не являющейся зак-лючительной, нет следующих за ней вершин, то такую вершину называют неразрешимой.

Достоинства и недостатки продукционной модели

Продукционная модель широко применяется в промыш-ленных экспертных системах. Эта модель привлекательна из-за своей наглядности, высокой модульности, лёгкости внесения дополнений и изменений и простоты механизма логического вывода. Продукционные модели очень часто используют из-за наглядности продукций (правил), и прос-тоты понимания логики их функционирования с точки зре-ния пользователя (или проектировщика интел-ных систем).

Продукционные модели могут отображать сценарии (ва-рианты) развития событий в системе.

Простота продукционных моделей и их логики позволя-ют использовать машины вывода, работающие посредством перебора.

Наработан большой арсенал программных средств, реализующих продукционную модель:

1)языки Prolog, Lisp, LOGO, Ops;

2) «оболочки» или «пустые» ЭС – EMYCIN, EXSYS, ESISP, ЭКСПЕРТ;

3)инструментальные системы ПИЭС, СПЭИС и др.

Среди основных достижений советской науки в данной области программа «АЛИЕВ ЛОМИ», которая автомати-чески доказывает теоремы. ЛОМИ означает Ленинград-ское отделение математического института имени В.А. Стеклова.

Есть два основных недостатка продукционной модели.

Первый: при большом числе продукций осложняется проверка непротиворечивости системы продукций. Поэтому, когда добавляются новые продукции, тратится много време-ни на эту проверку.

Второй: продукционному подходу присуща недетерми-нированность или неоднозначность выбора выполняемой продукции из фронта активизируемых продукций. В резуль-тате есть принципиальные трудности при проверке коррект-ности работы системы. Эксперты в области искусственного интеллекта считают, что, если в системе число продукций лежит в диапазоне 1000-1500, то маловероятно, что данная система будет правильно функционировать.

Выбор решения в большинстве случаев становится неоднозначным.

Серьёзные проблемы и более сложные системы не могут быть представлены продукциями, так как данная модель имеет количественное ограничение по прави-лам представления продукций.

ФРЕЙМЫ ДЛЯ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Проблема представления знаний является ключевой проблематикой ИИ. Через представление знаний человек пытается построить модель мира. Но это очень сложная задача по причине многообразия окружающего нас мира. Создать подобную модель практически невозможно, так как нет и не существует достаточного количества знаний о мире.

Одну из наиболее адекватных моделей представления знаний предложил Марвин Мински (профессор компьютер-ных наук в Массачусетском технологическом институте – MIT) в вышедшей в 1974 году книге «Фреймы для пред-ставления знаний». Мышление моделируется на логическом уровне, в отличие от новых систем ИИ (типа нейронных сетей), где моделируется физиологический уровень.

Это делается посредством моделирования связей, а не стереотипов.

Фрейм (по-английски frame) означает рамка, каркас, кадр, скелет. Это структура данных для представления стереотипной ситуации. Одна часть показывает, как ис-пользовать данный фрейм, другая – что, скорее всего, произойдёт при его выполнении, третья – что делать, если эти ожидания не реализуются.

На практике областью, где больше всего применяется модель представления знаний, основанная на фреймах, являются объектно-ориентированное программирование и теория объектных БД. Понятие современного объекта языка программирования почти полностью соответствует классическому понятию фрейма.

Главные свойства фреймов, которые используют в языках, это:

инкапсуляция – единство данных и методов в рамках объекта;

наследование – способность объекта пользоваться методами и данными, определёнными в рамках одного из его предков;

полиморфизм – способность объекта в разные момен-ты времени вести себя по-разному (то как объект своего типа, то как объект, аналогичный предкам).

Бывают фреймы-образцы (прототипы, абстрактные кла-ссы), хранящиеся в базе знаний, и фреймы-экземпляры (объекты), которые разрабатывают для отображения ре-альных ситуаций на основе поступающих данных.

Для облегчения поиска фреймов их типизируют или классифицируют. Например, таким образом:

фреймы-структуры – оргструктура предприятия, конструкция дома или технического объекта и т.п.;

фреймы-роли (функциональные обязанности или функции) – директор, инспектор, инженер, усилитель и т.п.;

фреймы-сценарии – бизнес-процесс на предприя-тии, день рождения, проводка какого-то счёта в бухгал-терии, поиск типовой неисправности и т.п.

Записывать фреймы удобно в виде таблиц. Благодаря этому они наилучшим образом подходят для недетерми-нированных процессов, типа баз данных или хранилищ информации.

С теми иди иными издержками фреймовая модель (ФМ) применима для решения любых интеллектуальных задач. Правда тех, решение которых в принципе возможно. Наилучшая область применения ФМ – сложные недетерминированные процессы.

Это такие процессы, исход которых зависит от взаи-модействия большого и очень большого числа различ-ных компонент, объектов и условий. Они же, в свою очередь, могут вести себя по-разному в зависимости от складывающейся ситуации. Моделирование или воспро-изведение таких ситуаций с помощью ФМ отличается тем, что процесс развивается в реальном времени в отличие от последовательного развития при продук-ционном подходе.

ФМ имеет ряд весомых преимуществ. Это практи-чески единственная модель, хорошо обоснованная тео-ретически. При практической реализации строится мик-ромир, а исследователь сосредотачивается на свойствах и поведении его участников. Эти участники сами организуют своё взаимодействие на основе правил, при-вычек, сценариев и просто случайностей.

Из-за этого ФМ преодолевает ограничение по раз-мерности, свойственное другим моделям представле-ния знаний, например, продукционной.

В реальном мире постоянно проводится таксоно-мия и сравнения для получения каких-либо выво-дов. Это делается для принятия решений о составлении иерархии или классификации фреймов.

ФМ позволяет хорошо систематизировать иерархию объектов реального мира. Возможно также решение задачи численной таксономии. Численная таксономия — наука о классификации объектов при помощи машинных или математических методов.

Реализуется ФМ на многих языках программирова-ния и на специальном языке FRL (Frame Representation Language), есть примеры успешного применения в ЭС ANALYST, МОДИС.