misle.ru страница 1
скачать файл
Применение методов правдоподобных рассуждений на основе аналогий и прецедентов в системах искусственного интеллекта*
Варшавский П.Р., к.т.н.; доцент

Московский Энергетический Институт (Технический Университет)

e-mail: varp@appmat.ru
1. ВВЕДЕНИЕ

Разработка методов и программных средств, реализующих механизмы правдоподобных рассуждений (рассуждений «здравого смысла») для систем искусственного интеллекта (ИИ), является очень актуальной задачей [1], которая тесно связана с проблемой конструирования интеллектуальных (экспертных) систем [2] типа систем поддержки принятия решений (ИСППР) и, в частности, ИСППР реального времени (РВ), ориентированных на открытые и динамические предметные области [3]. В основе таких систем лежит интеграция способных к адаптации, модификации и обучению моделей представления и оперирования знаниями, ориентированных на специфику предметной области и соответствующий тип неопределенности, что отражает их способность к развитию и изменению своего состояния.

Наличие подобных механизмов рассуждений (индуктивных, абдуктивных, нечетких, аргументации, на основе аналогий и прецедентов) в системах экспертного диагностирования, SCADA-системах и ИСППР РВ для мониторинга и управления сложными объектами (системами, процессами различной природы) позволяет своевременно осуществлять диагностирование проблемной ситуации на объекте и дает возможность лицам, принимающим решения (ЛПР), принимать адекватные и экономически выгодные управляющие воздействия на объект управления с целью нормализации проблемной ситуации.

Наряду с широко используемыми в различных приложениях ИИ (например, при поиске решения в проблемных ситуациях, генерации гипотез о незнакомой предметной области, обобщении накопленного опыта, обучении навыкам принятия решений в нештатных ситуациях и т.д.) методами правдоподобного вывода на основе индукции, абдукции, аргументации [1, 2] активно применяется подход на основе аналогий и прецедентов [4].

Аналогию можно определить как сходство предметов (явлений, процессов) в каких-либо свойствах, а рассуждение по аналогии (Analogous Reasoning, Analogy-Based Reasoning) как метод, позволяющий обнаружить подобие между заданными объектами и, благодаря переносу на основе этого подобия фактов и знаний, справедливых для одного объекта, на другой менее изученный объект, определить способ решения задач либо предсказать новые факты и знания. Именно такой естественный метод вывода человек использует на первых порах, сталкиваясь с неизвестной задачей. Следует подчеркнуть, что заключение, сделанное на основе аналогии, в большинстве случаев может быть признано лишь вероятным (правдоподобным).

Необходимо отметить, что рассуждения на основе прецедентов (накопленного опыта), как и рассуждения на основе аналогий, базируются на понятии сходства (аналогии), однако методы их реализации имеют отличия [4]. В большинстве энциклопедических источников прецедент определяется как случай, имевший место ранее и служащий примером или оправданием для последующих случаев подобного рода, а рассуждение на основе прецедентов (CBR — Case-Based Reasoning) является подходом, позволяющим решить новую, неизвестную задачу, используя или адаптируя решение уже известной задачи.

Аналогии и прецеденты могут применяться в различных блоках ИСППР РВ (например, для организации поиска решения в проблемных ситуациях или обучения и тренировки оперативно-диспетчерского персонала), что позволяет повысить эффективность принятия решений ЛПР в различных проблемных (аномальных) ситуациях.

В работе основное внимание уделяется способам представления прецедентов и методам их извлечения из библиотеки прецедентов (БП) системы и, в частности, методам извлечения на основе структурной аналогии [5].



2. МЕТОДЫ РАССУЖДЕНИЙ НА ОСНОВЕ ПРЕЦЕДЕНТОВ

Как отмечалось ранее, CBR-методы базируются на простом тезисе, что подобные задачи (проблемы) решаются подобным образом. В настоящее время CBR-методы стали активно применяться в таких областях, как медицинская диагностика, юриспруденция, мониторинг и диагностика технических систем, поиск решения в проблемных ситуациях и т.д. Данный подход составляет основу машинного обучения и предоставляет широкие возможности для формирования корпоративной памяти.

К основным преимуществам CBR-технологии можно отнести возможность напрямую использовать опыт, накопленный системой, без интенсивного привлечения эксперта в той или иной предметной области, а также возможность исключения повторного получения ошибочного решения. Существенными недостатками данного подхода являются снижение производительности системы при большом количестве прецедентов в БП и невозможность получения решения задач, для которых нет прецедентов в БП системы.

Как правило, CBR-методы включают четыре основных этапа, образующих так называемый CBR-цикл или цикл обучения по прецедентам [6], структура которого представлена на рис. 1.





Рис. 1. Цикл рассуждений на основе прецедентов
Основными этапами CBR-цикла являются:

  • извлечение наиболее адекватного прецедента для сложившейся ситуации из БП;

  • повторное использование извлеченного прецедента для попытки решения текущей проблемы;

  • пересмотр и адаптация в случае необходимости полученного решения в соответствии с текущей проблемой;

  • сохранение принятого решения как части нового прецедента.

В ряде реализаций CBR-систем с учетом специфики конкретной предметной области и решаемых задач используется упрощенный CBR-цикл [4], в котором исключаются два последних этапа. Таким образом, основная цель использования аппарата прецедентов в рамках ИСППР РВ заключается в выдаче готового решения оператору (ЛПР) для текущей ситуации на основе прецедентов, которые уже имели место в прошлом при управлении данным или подобным объектом.

Выбор метода извлечения прецедентов напрямую связан со способом представления прецедентов в БП. Существуют различные способы представления и хранения прецедентов [7] условно их можно разделить на несколько групп: параметрические; объектно-ориентированные; специальные (в виде деревьев, графов, логических формул и т.д.).

В общем случае прецедент может включать следующие компоненты: описание задачи (проблемной ситуации); решение задачи (диагноз по проблемной ситуации и рекомендации ЛПР); результат (или прогноз) применения решения.

В большинстве случаев для представления прецедентов достаточно простого параметрического представления:



CASE=(x1, x2, … , xn, R),

где x1,…, xn – параметры ситуации, описывающей данный прецедент; x1X1, x2X2,…, xnXn, где n − количество параметров для описания прецедента, а X1, … , Xn − области допустимых значений соответствующих параметров, R − решение (диагноз, рекомендации ЛПР).

Дополнительно может присутствовать описание результата применения найденного решения и дополнительные комментарии. Прецедент может иметь как положительный, так и отрицательный исход применения решения.

Существует целый ряд методов извлечения прецедентов и их модификаций [4, 7]. В случае параметрического представления прецедентов чаще всего используется метод ближайшего соседа (Nearest Neighbor) [7], который также широко применяется для решения задач классификации, регрессии, распознавания образов.



3. ИЗВЛЕЧЕНИЕ ПРЕЦЕДЕНТОВ МЕТОДОМ БЛИЖАЙШЕГО СОСЕДА

Основными преимуществами данного метода являются: простота реализации и универсальность в смысле независимости от специфики конкретной проблемной области.

К существенным недостаткам метода можно отнести сложность выбора метрики для определения степени сходства и прямую зависимость требуемых вычислительных ресурсов от размера БП, а также неэффективность при работе с неполными и «зашумленными» исходными данными [1]. Для устранения отмеченных недостатков существует ряд модификаций метода ближайшего соседа, наиболее известной из которых является метод k-ближайших соседей [4].

В основе метода ближайшего соседа лежит определенный способ измерения степени сходства (близости) прецедента и текущей проблемной ситуации. Говоря формально, необходимо ввести метрику на пространстве параметров (признаков, свойств) для описания прецедентов и текущей ситуации, а затем, определить на основе выбранной метрики расстояние между точками, соответствующими прецедентам, и точкой, соответствующей текущей ситуации, в итоге следует выбрать ближайшую точку (прецедент) к текущей ситуации. Безусловно, эффективность метода ближайшего соседа во многом зависит от выбора метрики. Например, одной из основных метрик для определения расстояния между двумя точками [7]: Евклидово расстояние; Манхэттенская метрика; Расстояние Чебышева; Расстояние Журавлева; Мера сходства по Хэммингу и др. Выбор соответствующей метрики творческая и довольно трудоемкая задача, от успешного решения которой непосредственно зависит результативность поиска решения (извлечения прецедентов).

С учетом специфики систем экспертного диагностирования на базе ИСППР РВ был предложен модифицированный метод ближайшего соседа для извлечения прецедентов из БП [7]. Данная модификация заключается в том, что вводится специальная величина (пороговое значение степени сходства прецедентов из БП и текущей проблемной ситуации), которая задается экспертом или ЛПР, и в результате сравнения выбирается не один единственный ближайший сосед (прецедент), а некоторое множество ближайших соседей, степень сходства которых больше или равна пороговому значению. Это позволяет решить проблему для случая, когда присутствует несколько прецедентов, равноудаленных от текущей ситуации в заданной метрике. Кроме того, в модифицированном методе предусмотрены возможности для учета коэффициентов важности параметров объекта и работы с неполной информацией в исходных данных [7]. 

Необходимо учитывать, что CBR-методы могут не дать необходимого решения для сложившейся проблемной ситуации. Например, из-за отсутствия подобной ситуации в БП. Часто для решения данной проблемы просто предлагается понизить пороговое значение степени сходства, что влечет за собой ухудшение качества получаемого решения. Второй способ решения указанной выше проблемы связан с возможностью пополнения БП непосредственно в процессе поиска решения. Одним из способов пополнения БП может быть привлечение методов на основе аналогий для обнаружения новых фактов. Кроме того, в случае более сложного структурированного представления прецедентов возникает необходимость использовать для их извлечения методов на основе структурной аналогии.



4. ИЗВЛЕЧЕНИЕ ПРЕЦЕДЕНТОВ С ПОМОЩЬЮ МЕТОДОВ СТРУКТУРНОЙ АНАЛОГИИ.

Для представления прецедентов рассмотрим возможность использования семантических сетей (СС) [1, 8]. Выбор СС для представления прецедентов связан с их спецификой: возможностью представлять знания более естественным образом, чем в других формализмах и способностью сетей соединять в себе как структурные, так и семантические знания. СС можно рассматривать как теоретико-графовую структуру с помеченными вершинами и дугами, где V − набор вершин, а E − набор дуг между вершинами. Вершины V соответствуют понятиям, событиям, свойствам предметной области, а дуги E − отношениям между ними. Классы на СС будем отображать темными круглыми вершинами, объекты светлыми, значения атрибутов темными квадратными вершинами, а светлыми квадратными вершинами будем отображать вершины для описания событий на СС. Дуги (стрелки) без пометки означают отношение принадлежности.

Более подробно структуру прецедента рассмотрим на примере (рис. 2), взятом из области энергетики − оперативного управления системой автоматического охлаждения зоны реактора (САОЗ). В данном прецеденте представлена следующая информация: Текущее значение давления в емкости САОЗ 1 (T517B01) соответствует 63, температура корпуса САОЗ 1 (TH11T500) равна 20 и необходимо выдать рекомендацию подпитать первый насос аварийного расхолаживания (TH11D01) борным концентратом 40 г/кг по причине отключения САОЗ 1 из-за закрытия задвижек TH11S24 и TH11S25.



Рис. 2. Фрагмент сети для прецедента №1
Для реализации извлечения прецедентов подобной структуры можно воспользоваться методами рассуждений на основе структурной аналогии [8]. Например, методом структурной аналогии с учетом контекста и его модификациями [5]. В данном случае предлагается рассматривать аналогию как четверку (рис. 3), где O является объектом-источником, а R приемником для аналогии, C является пересечением, т.е. объектом, в контексте которого проводится аналогия, в свою очередь p является свойством для определения первоначального контекста.

Алгоритм поиска решения на основе данной структуры аналогии подробно рассмотрен в работе [8]. Наряду с рассмотренным методом для извлечения прецедентов успешно может применяться метод на основе теории структурного отображения (SMT — Structure-Mapping Theory) [4, 5]. Согласно SMT предполагается, что аналогия является отображением знаний базовой области в целевую, базирующимся на системе отношений, которые имеются между объектами базовой и целевой области. Центральным принципом для аналогии в SMT является принцип систематичности. Этот принцип отражает тот факт, что люди предпочитают оперировать некоторой целостной системой взаимосвязанных глубинных отношений, а не простым набором поверхностных и слабо связанных фактов. Для реализации вывода на основе аналогий и формирования наиболее общих соответствий для структурированных представлений базовой и целевой областей, а также обеспечения структурной, независимой от предметной области оценки полученных соответствий используется механизм структурного отображения (SME) [5].



5. РЕАЛИЗАЦИЯ И ПРИМЕНЕНИЕ МЕХАНИЗМОВ ПРАВДОПОДОБНЫХ РАССУЖДЕНИЙ НА ОСНОВЕ АНАЛОГИЙ И ПРЕЦЕДЕНТОВ

С целью применения механизмов правдоподобных рассуждений на основе аналогий и прецедентов в ИСППР РВ была выполнена программная реализация базовых модулей Конструктора Библиотек Прецедентов (КБП) и Редактора Семантических Сетей (РСС) в среде визуального программирования Borland C++ Builder под операционную систему Windows. РСС предназначен для представления знаний о предметной области (прецедентов) в виде СС и поиска решения (извлечения прецедентов) на основе аналогий в соответствии с представленными выше методами структурной аналогии с учетом контекста и на основе SMT, а также для оценки полученных аналогий. С помощью КБП решаются задачи связанные с организацией БП и реализацией основных этапов CBR-цикла, начиная с формирования структуры БП, ее настройки и заканчивая тестированием с применением CBR-метода и сохранением БП для последующей передачи ее в оперативную эксплуатацию. Кроме того, в КБП имеются средства для выявления противоречий в БП (контрпримеров), а для обобщения накопленного опыта и оптимизации БП используются индуктивные механизмы и, в частности, аппарат деревьев решений [1].

Разработанные программные средства применены в прототипе ИСППР РВ для решения задач экспертной диагностики и оперативного управления сложными объектами на примере подсистем энергоблока ВВЭР-1000 (подсистем компенсации объема (КО) и САОЗ) [9]. Схема функционирования ИСППР РВ с использованием разработанных программных средств приведена на рис. 4.

Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с различными взаимосвязями, с большим количеством контролируемых и управляемых параметров и малым временем на принятие управляющих воздействий. Для описания сложного объекта и его подсистем используется конечное множество параметров (например, для подсистемы КО используется 79 аналоговых и дискретных параметров, а для САОЗ − 66 параметров). Состояние объекта характеризуется набором значений этих параметров.





Рис. 4. Схема функционирования ИСППР РВ с КБП и РСС
В оперативном режиме считывание значений параметров с датчиков для всего объекта управления производится системой контроллеров с интервалом не более 4 секунд. За это время необходимо выдать ЛПР (оператору) диагноз по конкретной сложившейся ситуации и дать рекомендацию о необходимости того или иного управляющего воздействия или последовательности воздействий на объект. Диагностирование и обнаружение управляющих воздействий осуществляется на основе экспертных знаний, технологического регламента, оперативных инструкций, анализа архива системы и имевших место аварийных ситуаций [7, 9]. Как правило, для решения указанной задачи используется решатель, функционирующий на основе правил продукционного типа. В случае появления аномальных (нештатных) ситуаций на объекте возникает необходимость применения методов правдоподобных рассуждений, в частности, методов поиска решения на основе аналогий и прецедентов.

6. ЗАКЛЮЧЕНИЕ

В работе рассмотрены методы правдоподобных рассуждений на основе аналогий и прецедентов для систем искусственного интеллекта типа ИСППР РВ. Исследованы различные способы представления и извлечения прецедентов из БП системы. Описаны возможности разработанных программных средств (КБП и РСС), базирующихся на CBR-технологии и методах структурной аналогии.



Реализованные программные средства использованы для решения задач экспертной диагностики в реальном времени и оперативного управления в прототипе ИСППР РВ для помощи оперативно-диспетчерскому персоналу при мониторинге и управлении сложными техническими объектами, разрабатываемом на кафедре Прикладной математики МЭИ (ТУ) совместно с компанией «ТАСМО-БИТ».
Литература

  1. Вагин В.Н., Головина Е.Ю., Загорянская А.А., Фомина М.В. Достоверный и правдоподобный вывод в интеллектуальных системах. 2-е издание// Под редакцией В.Н. Вагина, Д.А. Поспелова. – М.: Физматлит, 2008.

  2. Арский Ю.М., Финн В.К. Принципы конструирования интеллектуальных систем// Информационные технологии и вычислительные системы. – 2008. – №4. – С.4-38.

  3. Вагин В.Н., Еремеев А.П. Некоторые базовые принципы построения интеллектуальных систем поддержки принятия решений реального времени// Известия РАН. Теория и системы управления. – 2001. – №6. – С.114-123.

  4. Варшавский П.Р., Еремеев А.П. Методы правдоподобных рассуждений на основе аналогий и прецедентов для интеллектуальных систем поддержки принятия решений// Новости искусственного интеллекта. – 2006. – №3. – С.39-62.

  5. Варшавский П.Р., Еремеев А.П. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений// Известия РАН. Теория и системы управления. – 2005. – № 1. – С.97-109.

  6. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches// Artificial Intelligence Communications. IOS Press. – 1994. – Vol.7, №1. – P.39-59.

  7. Варшавский П.Р. Механизмы правдоподобных рассуждений на основе прецедентов (накопленного опыта) для систем экспертной диагностики// Труды 11-й национальной конференции по искусственному интеллекту с международным участием (Дубна, 28 сентября – 3 октября 2008 г.). – М: URSS, 2008. – Т.2. – С.106-113.

  8. Еремеев А.П., Варшавский П.Р. Методы структурной аналогии для интеллектуальных систем поддержки принятия решений реального времени// Интегрированные модели и мягкие вычисления в искусственном интеллекте. Труды III-го Международного научно-практического семинара (Коломна, 15-17 мая 2005 г.). – М.: Физматлит, 2005. – С.81-87.

  9. Геловани В.А., Башлыков А.А., Бритков В.Б., Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. – М.: Эдиториал УРСС, 2001.




*Работа выполнена при поддержке РФФИ, проекты № 08-01-00437а и № 09-01-00076а; Фонда Президента РФ МК-6009.2008.9
скачать файл



Смотрите также: