XI Международная студенческая научная конференция Студенческий научный форум - 2019

Модели представления знаний – это одно из важнейших направлений исследований в области искусственного интеллекта. Без знаний искусственный интеллект не может существовать. На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

Во многих случаях для принятия решений в той или иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность действий, заведомо приводящих к необходимому результату. Например:

проектирование развития тяжелой промышленности;

оптимальное размещение персонала внутри здания;

лечение больного человека.

При принятии решения в таких случаях необходимо иметь некоторую сумму знаний о самой этой области. Например, при выборе наилучшего хода в конкретной шахматной позиции необходимы знания о правилах игры, силе шахматных фигур, стратегии и тактике и многое другое. Под знаниями понимается то, что стало известно после изучения. Совокупность знаний, нужных для принятия решений, принято называть предметной областью или знаниями о предметной области.

В любой предметной области есть свои понятия и связи между ними, своя терминология, свои законы, связывающие между собой объекты данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения задач.

Решая задачи такого вида на ЭВМ используют ИС, ядром которых являются базы знаний, содержащие основные характеристики предметных областей [1, 2].

При построении баз знаний традиционные языки, основанные на численном представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний. Различные авторы по-разному эти модели классифицируют. Основные модели знаний представлены на рисунке 1.

Рисунок 1. Основные модели знаний

Применим метод анализа иерархий для определения наилучшей модели представления знаний (табл. 1-4) [3]. Первым этапом выполняем парные сравнения критериев, чтобы определить, какие критерии наиболее важны для выбора МПЗ.

В рейтинге МПЗ оценивались по таким параметрам:

Наличие механизма структурирования знаний (П1)

Степень универсальности модели (П2)

Степень сложности процедур вывода (П3)

Объем памяти для хранения элемента знаний модели (П4)

Количество формируемых правил в базе знаний для реальной задачи (П5)

Возможность одновременно манипулировать специальными знаниями из разных предметных областей (П6)

Уровень сложности элемента знаний (П7)

Естественность и наглядность (П8)

Наличие возможности наследования свойств (П9)

Таблица 1 - Матрица парных сравнений критериев

	П1	П2	П3	П4	П5	П6	П7	П8	П9
П1	1	1/4	1	1/5	4	1/2	3	2	1/6	0,054527
П2	4	1	5	1/2	9	3	8	7	1/3	0,181594
П3	1	0,2	1	1/5	4	1/2	3	2	1/6	0,053191
П4	5	2	5	1	9	4	8	7	1/2	0,234538
П5	0,25	0,1111	0,25	0,1111	1	1/7	1/2	1/3	1/9	0,016424
П6	2	0,3333	2	0,25	7	1	5	4	1/5	0,090261
П7	0,3333	0,125	0,3333	0,125	2	0,2	1	1/2	1/9	0,022768
П8	0,5	0,1429	0,5	0,1429	3	0,25	2	1	1/8	0,032527
П9	6	3	6	2	9	5	9	8	1	0,31417

Таким образом, при выборе МПЗ наиболее важны следующие критерии: Объем памяти для хранения элемента знаний модели, Степень универсальности модели, Возможность одновременно манипулировать специальными знаниями из разных предметных областей.

Заполним МПС критериев. В таблицах 2-3 приведены примеры заполнения матриц парных сравнений для критериев Наличие механизма структурирования знаний и Степень универсальности модели. Остальные таблицы были заполнены аналогично.

Таблица 2 - Матрица парных сравнений МПЗ по критерию Наличие механизма структурирования знаний

П1	Продукционная модель	Логическая модель	Семантическая сеть	Фреймовая модель
Продукционная модель	1	1	1/3	1/4	0,10943872
Логическая модель	1	1	1/3	1/4	0,10943872
Семантическая сеть	3	3	1	1/2	0,29666714
Фреймовая модель	4	4	2	1	0,48445542

По критерию Наличие механизма структурирования знаний наилучшими МПЗ оказались Фреймовая модель и Семантическая сеть.

Таблица 3 - Матрица парных сравнений МПЗ по критерию Степень универсальности модели

универс м	Продукционная модель	Логическая модель	Семантическая сеть	Фреймовая модель
Продукционная модель	1	2	1/4	1/5	0,09704292
Логическая модель	1/2	1	1/7	1/8	0,05304682
Семантическая сеть	4	7	1	1/2	0,33380732
Фреймовая модель	5	8	2	1	0,51610295

По критерию Степень универсальности модели наилучшими МПЗ оказались Фреймовая модель и Семантическая сеть.

По критерию Степень сложности процедур вывода наилучшими МПЗ оказались Продукционная модель и Фреймовая модель.

По критерию Объем памяти для хранения элемента знаний модели наилучшими МПЗ оказались Фреймовая модель и Семантическая сеть.

По критерию Количество формируемых правил в базе знаний для реальной задачи наилучшими МПЗ оказались Продукционная и логическая модели.

По критерию Возможность одновременно манипулировать специальными знаниями из разных предметных областей наилучшими МПЗ оказались Продукционная модель и Семантическая сеть.

По критерию Уровень сложности элемента знаний наилучшими МПЗ оказались Семантическая сеть и Фреймовая модель.

По критерию Естественность и наглядность наилучшими МПЗ оказались Семантическая сеть и Фреймовая модель.

По критерию Наличие возможности наследования свойств наилучшими МПЗ оказались Фреймовая модель и Продукционная модель.

На основе проведенных расчетов был сформирован вектор глобальных приоритетов альтернатив (табл. 4).

Таблица 4 – Вектор глобальных приоритетов

Продукционная модель	0,158616315
Логическая модель	0,079838599
Семантическая сеть	0,269979256
Фреймовая модель	0,491565829

Таким образом, наиболее предпочтительна фреймовая модель.

Литература

Представление и использование знаний / Под ред. X. Уэно, М. Исидзука. URL: http://bookre.org/reader?file=564371 (дата обращения: 08.01.2019)

Барышев М.В., Гатчин И.Ю., Гатчин Ю.А. Модели представления знаний экспертных систем // Научно-технический вестник информационных технологий, механики и оптики. 2006. №29. URL: https://cyberleninka.ru/article/n/modeli-predstavleniya-znaniy-ekspertnyh-sistem (дата обращения: 08.01.2019). 

Саати, Т. Принятие решений. Метод анализа иерархий / Т. Саати; пер. с англ. Р.Г. Вачнадзе. URL: http://bsuir-helper.ru/sites/default/files/2011/03/11/ met/Tomas_Saati_-_Prinyatie_Resheii._Metody_analiza_ierarhii.1993.pdf (дата обращения: 10.01.2019)

Фреймовая модель представления знаний URL: https://itteach.ru/predstavlenie-znaniy/freymovaya-model-predstavleniya-znaniy (дата обращения: 10.01.2019)

Код для цитирования: Скопировать