Помощь в написании студенческих работ
Антистрессовый сервис

Методы и программные средства поиска решения на основе аналогий в интеллектуальных системах поддержки принятия решений

Диссертация: Методы и программные средства поиска решения на основе аналогий в интеллектуальных системах поддержки принятия решений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Вопросы о природе аналогии, ее формальном определении, правомерности использования вывода на основе аналогий возникли довольно давно и были весьма актуальны еще во времена эпикурейцев и стоиков. Начиная с первой попытки формализовать понятие аналогии, предпринятой Лейбницем в своем сочинении «Фрагменты логики», и до настоящего момента не удалось дать исчерпывающего формального определения этому… Читать ещё >

Методы и программные средства поиска решения на основе аналогий в интеллектуальных системах поддержки принятия решений (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. Модели и методы рассуждения на основе аналогий
    • 1. 1. Аналогия и рассуждения на основе аналогий
    • 1. 2. Типы аналогий
    • 1. 3. Методы рассуждения на основе аналогий
      • 1. 3. 1. Символьные модели рассуждения на основе аналогий
      • 1. 3. 2. Коннекционистские модели рассуждения на основе аналогий
      • 1. 3. 3. Гибридные модели рассуждения на основе аналогий
    • 1. 4. Методы рассуждения на основе прецедентов
    • 1. 5. Методы рассуждения на основе аналогий и на основе прецедентов для ИСППРРВ
      • 1. 5. 1. Семиотическая
  • ИСППР РВ
    • 1. 5. 2. Требования к разработке моделей и методов рассуждения на основе аналогий для
  • ИСППР РВ
    • 1. 6. Выводы по главе 1
  • ГЛАВА 2. Структурная аналогия
    • 2. 1. Представление знаний для рассуждения на основе аналогий
      • 2. 1. 1. Представление знаний в виде СС
      • 2. 1. 2. Структура СС
    • 2. 2. Метод рассуждения на основе структурной аналогии свойств с учетом контекста
      • 2. 2. 1. Структура аналогии с учетом контекста
      • 2. 2. 2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста
    • 2. 3. Метод рассуждения на основе структурной аналогии отношений
      • 2. 3. 1. Теория структурного отображения SMT
      • 2. 3. 2. Механизм структурного отображения SME
    • 2. 4. Выводы по главе 2
  • ГЛАВА 3. Методы поиска решения на основе структурной аналогии и на основе прецедентов для
  • ИСППР РВ
    • 3. 1. Методы поиска решения на основе структурной аналогии
      • 3. 1. 1. Модифицированная структура аналогии с учетом контекста
      • 3. 1. 2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения
      • 3. 1. 3. Алгоритм поиска решения на основе структурной аналогии с учетом контекста, использующий минимальные пересечения
      • 3. 1. 4. Обобщенный алгоритм поиска решения на основе структурной аналогии
      • 3. 1. 5. Методы оценки полученных аналогий
    • 3. 2. Метод поиска решения на основе прецедентов
      • 3. 2. 1. Специфика рассуждения на основе прецедентов для
  • ИСППР РВ
    • 3. 2. 2. Структура БП, ориентированная на применение в рамках
  • ИСППР РВ
    • 3. 2. 3. Алгоритм поиска решения на основе прецедентов для
  • ИСППР РВ
    • 3. 3. Экспериментальное исследование алгоритмов
    • 3. 4. Выводы по главе 3
  • ГЛАВА 4. Реализация и применение системы поиска решения на основе аналогий и на основе прецедентов для
  • ИСППР РВ
    • 4. 1. Архитектура и функциональные возможности системы поиска решения на основе аналогий и прецедентов
    • 4. 2. Программная реализация системы поиска решения на основе аналогий и прецедентов
    • 4. 3. Описание системы КО в контуре
  • ВВЭР АЭС
    • 4. 4. Пример применения системы поиска решения на основе аналогий и прецедентов в рамках
  • ИСППР РВ для поддержки оперативно-диспетчерского персонала энергоблока
    • 4. 4. 1. Схема функционирования
  • ИСППР РВ
    • 4. 4. 2. Разработка структуры БП для системы КО в контуре
  • ВВЭР АЭС
    • 4. 4. 3. Пополнение БП для системы КО в контуре
  • ВВЭР АЭС новыми прецедентами
    • 4. 4. 4. Тестирование БП для системы КО в контуре
  • ВВЭР АЭС
    • 4. 5. Выводы по главе 4

В работе исследованы и разработаны методы, модели и программные средства поиска решения на основе аналогий в интеллектуальных системах (ИС) типа интеллектуальных систем поддержки принятия решений (ИСППР).

Полученные результаты были использованы для разработки архитектуры и выполнения программной реализации системы поиска решения на основе аналогий и на основе прецедентов, ориентированной на применение в рамках современных ИС типа ИСППР реального времени (ИСППР РВ) [1—6].

Разработанная система поиска решения на основе аналогий и прецедентов была использована в составе прототипа ИСППР РВ для мониторинга и управления сложными объектами типа энергоблоков и другими процессами различной природы [7, 8].

Актуальность темы

исследования.

Изучение механизмов, участвующих в процессе построения умозаключений на основе аналогий, является важной задачей, как для психологов, так и для специалистов в области искусственного интеллекта (ИИ) [9—13]. Аналогия может использоваться в различных приложениях ИИ и для решения разнообразных задач, например, для генерации гипотез о незнакомой предметной области, для обобщения некоторого опыта в виде абстрактной схемы или понимания естественного языка (ЕЯ). Моделирование рассуждений на основе аналогий позволяет обеспечить разработку более гибких моделей рассуждений и систем обучения.

Вопросы о природе аналогии, ее формальном определении, правомерности использования вывода на основе аналогий возникли довольно давно и были весьма актуальны еще во времена эпикурейцев и стоиков [14]. Начиная с первой попытки формализовать понятие аналогии, предпринятой Лейбницем в своем сочинении «Фрагменты логики», и до настоящего момента не удалось дать исчерпывающего формального определения этому понятию. На данный момент уже существует достаточно большое количество различных моделей, схем и методов рассуждения на основе аналогий, отражающих в той или иной степени механизмы вывода на основе аналогий [9, 10, 12−60]. Широко известны подходы, использующие механизмы вывода на основе аналогий, в области доказательства теорем и в задачах программирования роботов [21, 22, 24], в области понимания ЕЯ [27−29, 42], в системах машинного обучения [33, 34] и других областях [15, 18, 25, 26].

Большой интерес к моделям и методам рассуждения на основе аналогий обусловлен тем, что на сегодняшний день весьма актуальна проблема моделирования человеческих рассуждений (рассуждений так называемого «здравого смысла») для ИС и, в частности, для ИСППР и ИСППР РВ [61−67].

ИСППР РВ предназначены для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в реальном масштабе времени при наличии в имеющейся информации (данных и знаниях) различного рода неопределенностей (неполноты, неточности, противоречивости и т. п.), называемых для краткости «НЕ-факторами» [1−3, 7, 8, 67]. Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с тысячами взаимосвязей, отследить которые в полном объеме достаточно трудно, с большим количеством контролируемых и управляемых параметров, которые изменяются в процессе функционирования объекта, и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы (например, энергоблок включает в себя такие подсистемы как реактор, первый контур, компенсатор объема и др.) и могут функционировать в различных режимах (в штатном, нештатном и аварийном, когда включаются системы автоматической защиты).

ИСППР РВ принадлежат к классу интегрированных ИС, сочетающих строгие математические методы и модели поиска решения с нестрогими, эвристическими моделями и методами, базирующимися на экспертных знаниях, моделях человеческих рассуждений и накопленном системой опыте [63, 64, 67].

ИСППР РВ характеризуются, как правило, жестким ограничением на время поиска решения. Нужно отметить, что при использовании методов и моделей рассуждения на основе аналогий в ИСППР РВ необходимо учитывать ряд важных требований, которые предъявляются к таким системам и которые подробно обсуждаются в первой главе диссертации.

Применение моделей и методов поиска решения на основе аналогий в ИСППР позволяет ЛПР в реальном масштабе времени при наличии разного рода НЕ-факторов как в исходной информации, получаемой от объекта управления и среды, так и в экспертных знаниях принимать более адекватные управляющие воздействия на объект управления в различных нештатных (аномальных) ситуациях.

Актуальность исследования обуславливается практической значимостью ИСППР РВ, способных оперировать механизмами поиска решения на основе аналогий и прецедентов.

В настоящее время большинство отечественных и зарубежных средств, использующих рассуждения на основе аналогий, ориентировано на использование в системах понимания ЕЯ [27, 42], машинного обучения [33] и для выдвижения гипотез о предметной области (например, ДСМ-метод автоматического порождения гипотез, активно разрабатываемый научной группой В.К. Финна) [15, 68−71]. В тоже время отсутствуют развитые средства поиска решения на основе аналогий для ИСППР (ИСППР РВ). Кроме того, весьма ощутим недостаток отечественных программных средств, сопоставимых с зарубежными системами.

Отметим, что наряду с методами рассуждения на основе аналогий, активно разрабатываются и применяются методы рассуждения на основе прецедентов (опыта) [72—75]. Как и рассуждения на основе аналогий, рассуждения на основе прецедентов базируются на понятии аналогии, однако методы их реализации имеют отличия.

Выполненные исследования опираются на результаты работ в области конструирования ИСППР, моделирования рассуждений с использованием аналогий и в области ИИ Д. А. Поспелова, О. И. Ларичева, Э. В. Попова, А. И. Уемова, В. К. Финна, В. Н. Вагина, А. А. Башлыкова, А. П. Еремеева, О. П. Кузнецова, Г. С. Осипова, А. Б. Петровского, И. Б. Фоминых, В. Ф. Хорошевского и др., а также зарубежных ученых Г. Лейбница, Г. Саймона (Н. Simon), Н. Нильсона (N. Nilson), Д. Пойя (G. Polya), Д. Мак-Дермотта (D. McDermott), Д. Милля (J. Mill), Р. Клинга (R. Kling), Д. Плейстида (D. Plaisted), Дж. Карбонела (J. Carbonell), П. Уинстона (P. Winston), Д. Гентнер (D. Gentner), Д. Лонга (D. Long), Р. Гариглиано (R. Garigliano) и др.

Объектом исследования являются методы поиска решения (рассуждения) на основе аналогий. Предметом исследования являются методы поиска решения на основе структурной аналогии для ИСППР РВ.

Целью работы является исследование и разработка методов и программных средств поиска решения на основе аналогий и на основе прецедентов, повышающих эффективность и расширяющих интеллектуальные возможности современных компьютерных систем типа ИСППР РВ.

Для достижения указанной цели необходимо решить следующие задачи:

• исследование методов и моделей поиска решения на основе аналогий и на основе прецедентов;

• разработка методов поиска решения на основе структурной аналогии для ИСППР РВ;

• разработка структуры библиотек прецедентов (БП), ориентированной на применение в рамках ИСППР РВ;

• разработка архитектуры системы поиска решения на основе аналогий и прецедентов;

• программная реализация системы поиска решения на основе аналогий и прецедентов;

• использование разработанной системы поиска решения на основе аналогий и прецедентов в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях.

Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, искусственного интеллекта, теории графов, теории алгебраических моделей и методов оценки вычислительной сложности алгоритмов.

Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе.

Научная новизна исследования состоит в следующем:

1. Предложена структура аналогии с учетом контекста, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах.

2. Предложены методы оценки аналогий с учетом контекста и важности параметров объекта.

3. Разработан обобщенный алгоритм поиска решения на основе структурной аналогии, учитывающий ограничения на время поиска решения и позволяющий применять различные схемы поиска решения на основе аналогий.

4. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ.

Практическая значимость работы заключается в создании программной системы поиска решения на основе аналогий и на основе прецедентов, повышающей эффективность и расширяющей интеллектуальные возможности компьютеров и компьютерных систем на примере ИСППР РВ для мониторинга и управления сложными объектами и процессами.

Практическая значимость работы подтверждается использованием разработанной программной системы в прототипе ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях, о чем имеются акты о внедрении.

Реализация результатов. Разработанная система поиска решения на основе аналогий и на основе прецедентов использована в ОАО «ЦНИИКА» в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблоков, в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), что подтверждается соответствующими актами о внедрении.

Результаты работы использованы в НИР, выполняемых в рамках гранта РФФИ проект № 02−07−90 042 «Исследование и разработка инструментальных средств создания экспертных систем семиотического типа» (Научные руководители д.т.н., проф. Вагин В. Н., д.т.н., проф. Еремеев А.П.), гранта для поддержки научно-исследовательской работы аспирантов государственных образовательных учреждений высшего профессионального образования, находящихся в ведении Федерального агентства по образованию, проект № 2 369 040 «Методы и программные средства автоматизации процессов принятия решений и управления на основе аналогий» (Научный руководитель д.т.н., проф. Еремеев А. П., ответственный исполнитель асп. Варшавский П.Р.) и в рамках Федеральной целевой научно-технической программы «Исследования и разработки по приоритетным направлениям развития науки и техники» на 2002;2006 годы (государственный контракт от 1 февраля 2002 г. № 37.011.11.0021 и дополнительное соглашение от 18 августа 2004 г. № 5), Блок 2 — «Поисково-прикладные исследования и разработки», Раздел — «Информационно-телекоммуникационные технологии и электроника», подраздел — «Информационные технологии», по теме «Системы мониторинга и поддержки принятия решений на основе аппарата нетрадиционных логик» (Научный руководитель д.т.н., проф. Еремеев А.П.).

Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБП) зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (СВИДЕТЕЛЬСТВО № 2 005 610 761 от 31.03.2005 г.).

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 7-й, 8-й, 9-й, 10-й, 11-й научных конференциях аспирантов и студентов «Радиотехника, электроника, энергетика» в МЭИ (ТУ), (г. Москва, 2001;2005 гг.), на 4-й международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа — 2000). (Беларусь, г. Браслав, 2000 г.), на «Научных сессиях МИФИ» (г. Москва, 2002;2005 гг.), на втором международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте «(г. Коломна, 2003 г.), на 9-й национальной конференции по искусственному интеллекту с международным участием КИИ'2004 (г. Тверь, 2004 г.), на Международных форумах информатизации МФИ-2003 и МФИ-2004 (Международные конференции «Информационные средства и технологии») (г. Москва, 2003, 2004 гг.).

Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 16 печатных работах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (112 наименований) и приложений. Диссертация содержит 157 страниц машинописного текста (без приложений) и 55 страниц приложений.

Основные результаты диссертационной работы:

1. Проведено исследование различных моделей и методов поиска решения на основе аналогий и на основе прецедентов для ИС и установлено, что для моделей на основе аналогий, удовлетворяющих требованиям к современным ИСППР РВ, целесообразно использовать методы на основе структурной аналогии.

2. Предложена структура аналогии, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах. Возможность более детального уточнения контекста позволяет сократить время поиска решения на основе аналогий, а возможность определения аналогии в различных контекстах позволяет решить проблему обнаружения потенциальных аналогов.

3. Разработаны алгоритмы поиска решения на основе структурной аналогии свойств и отношений, ориентированные на применение в ИСППР РВ. Предложен обобщенный алгоритм поиска решения на основе структурной аналогии, позволяющий в зависимости от исходных данных и времени, выделяемого на поиск решения, применять различные схемы поиска решения на основе аналогий. Проведено компьютерное моделирование по оценке времени работы предложенных алгоритмов поиска решения на основе структурной аналогии и их сравнению с базовым алгоритмом.

4. Разработаны методы оценки аналогий с учетом контекста и важности параметров объекта.

5. Предложен модифицированный (с учетом специфики ИСППР РВ) метод поиска решения на основе прецедентов и структура библиотеки прецедентов. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ, позволяющая обеспечить интеграцию двух подходов на основе структурной аналогии и на основе прецедентов.

6. Выполнена реализация программных средств поиска решения на основе аналогий и прецедентов для ИСППР.

7. Разработанные методы и программные средства применены для решения задач диагностики состояний сложного технического объекта и обнаружения управляющих воздействий с использованием аппарата аналогий и прецедентов в прототипе ИСППР РВ для подсистемы КО в контуре ВВЭР АЭС, а также в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), о чем имеются акты о внедрении. Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБП) зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (СВИДЕТЕЛЬСТВО № 2 005 610 761 от 31.03.2005 г.).

Перечислим основные направления дальнейших исследований:

• Интеграция моделей и методов поиска решения на основе аналогий и прецедентов с другими моделями и методами рассуждения, базирующимися на аппарате нетрадиционных логик — индуктивных, абдуктивных, нечетких, аргументации;

• Расширение возможностей разработанной системы в рамках ИСППР РВ на основе аппарата нетрадиционных логик за счет применения различных типов аналогии.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. О.И. Теория и методы принятия решений, а также хроника событий в волшебных странах: Учебник. — М.: Логос, 2002. — 392 с.
  2. Статические и динамические экспертные системы: Учеб. пособие / Э. В. Попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. М.: Финансы и статистика, 1996. — 320 с.
  3. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. — 384 с.
  4. А.А., Еремеев А. П. Экспертные системы поддержки принятия решений в энергетике / Под ред. А. Ф. Дьякова. — М.: Издательство МЭИ, 1994,-216 с.
  5. А.А., Еремеев А. П. Экспертная диагностическая система как компонент интеллектуальной системы поддержки принятия решенийреального времени // Новости Искусственного Интеллекта. — 2001. -№ 3.-С. 35−40.
  6. Gentner D., Markman А.В. Structure Mapping in Analogy and Similarity // American Psychologist. 1997. — Vol. 52. -№ 1. — P. 45−56.
  7. Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.: Радио и связь, 1989. 184 с.
  8. Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, Пер. с англ. 4-е изд. — М.: Издательский дом «Вильяме», 2003.-864 с.
  9. В.К. Об интеллектуальном анализе данных // Новости Искусственного Интеллекта. 2004. — № 3. — С. 3—18.
  10. А.И. Логические основы метода моделирования. -М.: Мысль, 1971.-311 с.
  11. В.К. Синтез познавательных процедур и проблема индукции // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 1−2,-С. 8−45.
  12. Reitman W.R. Cognition and thought: an information processing approach // New York, NY: John Wiley and Sons, 1965.
  13. Evans Т. A program for the solution of a class of geometric analogy intelligence test questions // In Semantic Information Processing. Cambridge, MA: MIT Press, 1968,-P. 271−353.
  14. Becker J. D. The modeling of simple analogic and inductive processes in a semantic memory system // Proceedings of IJCAI-69, Washington, DC, 1969, -P. 655−668.
  15. McDermott J. Learning to Use Analogies // Proceedings of the International Joint Conference on Artificial Intelligence (IJCAI-79), Tokyo, 1979.
  16. Kling R.E. A paradigm for reasoning by analogy // Artificial Intelligence, 2, 1971,-P. 147−178.
  17. Haraguchi M, Arikawa S. A Foundation of Reasoning by Analogy. Analogical Union of Logic Programs. Proc. Logic Programming Conf. — 1986, June, Tokyo, — P. 103−110.
  18. Carbonell J.G. Learning by Analogy: Formulating and Generalizing Plans from Past Experience // Machine Learning: An Artificial Intelligence Approach, Vol. 1, Morgan Kaufmann Publishers Inc., Los Altos, California, 1983.
  19. Plaisted D.A. Theorem proving with abstraction, Artificial Intelligence 16(1), March 1981,-P. 47−108.
  20. Meyer J.-J.Ch. van Leeuwen J.C. Possible World Semantics for Analogous Reasoning // Practical Reasoning. International Conference on Formal and Applied Practical Reasoning, FAPRX96, Germany, 1996, P. 414−430.
  21. JI.C., Боженюк A.B. Нечеткие модели принятия решений: дедукция, индукция, аналогия // Таганрог: Изд-во ТРТУ, 2001. 110 с.
  22. P. Н. Learning by creating and justifying transfer frames // Artificial Intelligence, 10(2), 1978,-P. 147−172.
  23. Winston P. H. Learning and reasoning by analogy // Communications of the ACM, 23(12), 1980,-P. 689−703.
  24. Winston P. H. Learning new principles from precedents and exercises // Artificial Intelligence, 19, 1982, P. 321−350.
  25. Gentner D. Structure-mapping: A theoretical framework for analogy // Cognitive Science, 7 (2), 1983, P. 155−70.
  26. Falkenhainer В., Forbus К., Gentner D. The Structure-Mapping Engine // Proceedings of AAAI-86, Philadelphia, PA, 1986.
  27. Falkenhainer В., Forbus K., Gentner D. The Structure-Mapping Engine: Algorithm and examples // Artificial Intelligence, 41, 1989, — P. 1−63.
  28. Gentner D. Similarity and analogical reasoning // London: Cambridge University Press, 1993, P. 673−694.
  29. Long D., Garigliano R. Reasoning by analogy and causality: a model and application // Ellis Horwood Series in Artificial Intelligence, 1994, — 200 p.
  30. Holyoak К. J., Thagard P. Analogical mapping by constraint satisfaction // Cognitive Science, 13, 1989, P. 295−355.
  31. Thagard P., Holyoak K., Nelson G., Gochfeld D. Analog retrieval by constraint Satisfaction // Artificial Intelligence, 46, 1990, P. 259−310.
  32. Hummel J. E., Holyoak K.J. Distributed representations of structure: A theory of analogical access and mapping // Psychological Review, 104, 1997, P. 427−466.
  33. Shastri L., Ajjanagadde V. From Simple Associations to Systematic Reasoning: A connectionist representation of rules, variables and dynamic bindings using temporal synchrony // Behavioral and Brain Sciences, 16, 1993,-P. 417−494.
  34. Sougne J. A connectionist model of reflective reasoning using temporal properties of node firing // Proceedings of the Eighteen conference of the Cognitive Science Society. NJ: LEA, 1996, P. 666−671.
  35. Smolensky P. Tensor product variable binding and the representation of symbolic structures in connectionist systems // Artificial Intelligence, 46 (1— 2), 1990,-P. 159−216.
  36. Wilson W., Halford G. Gray В., Phillips S. The STAR-2 Model for Mapping Hierarchically Structured Analogs // In: D. Gentner, K. Holyoak, B. Kokinov (eds.) The Analogical Mind. Cambridge, MA: MIT Press, 2001.
  37. Eliasmith С., Thagard P. Integrating structure and meaning: a distributed model of analogical mapping // Cognitive Science, 25, 2001, P. 245−286.
  38. Plate T. Holographic Reduced Representations // IEEE Transactions on Neural Networks, 6(3), 1995, P. 623−641.
  39. Jani N., Levine D. A Neural Network Theory of Proportional Analogy-Making // Neural Networks, 13, 2000, P. 149−183.
  40. Mitchell M. Analogy-making as Perception: A computer model // Cambridge, MA: MIT Press, 1993.
  41. French R. The Subtlety of Sameness: A theory and computer model of analogy-making // Cambridge, MA: MIT Press, 1995.
  42. Marshall J., Hofstadter D. The Metacat Project: A Self-Watching Model of Analogy Making // Cognitive Studies: Bulletin of the Japanese Cognitive Science Society, special issue on similarity and analogical reasoning, 4(4), 1997,-P. 57−71.
  43. Hofstadter D. R. The Copycat project: An experiment in nondeterminism and creative analogies // MIT AI Memo № 755, Cambridge, MA, 1984.
  44. Kokinov B. Associative memory-based reasoning: How to represent and retrieve cases // In T. O’Shea & V. Sgurev (eds.) Artificial Intelligence III: Methodology, systems, and applications, Amsterdam: Elsevier, 1988, — P. 51−58.
  45. Kokinov B. The context-sensitive cognitive architecture DUAL // In Proceedings of the Sixteenth Annual Conference of the Cognitive Science Society. NJ: LEA, 1994,-P. 502−507.
  46. Kokinov В., Petrov A. Dynamic extension of episode representation in analogy-making in AMBR // Proceedings of the 22nd Annual Conference of the Cognitive Science Society, NJ: LEA, 2000, P. 274−279.
  47. Eskeridge Т. A hybrid model of continuous analogical reasoning // In Holyoak K. and Barnden J. (Eds.) Advances in Connectionist and Neural Computation Theory, Volume 2: Analogical Connections, NJrAblex, 1994, — P. 207−246.
  48. П.P., Еремеев А. П. Поиск решения на основе структурной аналогии для интеллектуальных систем поддержки принятия решений // Известия РАН. Теория и системы управления. — № 1. — 2005. -С. 97—109.
  49. Varshavskii P.R., Eremeev А.Р. Analogy-Based Search for Solutions in Intelligent Systems of Decision Support // Journal of Computer and Systems Sciences International, Vol. 44, № 1, 2005, -P. 90−101.
  50. Логический подход к искусственному интеллекту: От классической логики к логическому программированию. Пер. с франц. / А. Тейз, П. Грибомон, Ж. Луи и др. М.: Мир, 1990. — 432 с.
  51. Логический подход к искусственному интеллекту: От модальной логики к логике баз данных. Пер. с франц. / А. Тейз, П. Грибомон, Г. Юлен и др. М.: Мир, 1998. — 494 с.
  52. П. Введение в экспертные системы.: Пер. с англ.: Уч. пос. — М.: Издательский дом «Вильяме», 2001. — 624 с.
  53. Э.А. Компьютерная поддержка принятия решений // Научно-практическое издание. -М: Синтег, 1998. — 376 с.
  54. В.Н., Головина Е. Ю., Загорянская А. А., Фомина М. В. Достоверный и правдоподобный вывод в интеллектуальных систем / Под ред. Вагина В. Н., Д. А. Поспелова. -М.: ФИЗМАТЛИТ, 2004. 704 с.
  55. Финн В. К ДСМ-метод автоматического порождения гипотез с отношением порядка // Семиотика и информатика.- 1990 .— Вып. 31. — С. 69−103.
  56. В.К. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ.-1991 .—№ 15.-С. 55−102.
  57. М.И., Ивашко В. Г., Кузнецов С. О., Михеенкова М. А., Хазановский К. П., Аншаков О. М. Алгоритмические и программные средства ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1987. № 10.-С. 1−14.
  58. С.А. Алгоритмические аспекты ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 1−2, С. 64−75.
  59. Kolodner J. L. Improving human decision making through case-based decision aiding // AI Magazine, 12(2), 1991, P. 52−68.
  60. Kolodner J. L. Case-based reasoning // San Mateo, CA: Morgan Kaufmann Publishers, 1993.
  61. Leake D. B. CBR in Context: The Present and Future // Case-Based Reasoning: Experiences, Lessons and Future Directions, AAAI Press/The MIT Press, 1996,-P. 3−31.
  62. Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological variations, and system approaches // AI Communications. 1994, № 7.
  63. French R. M. The Computational Modeling of Analogy-Making // Trends in Cognitive Sciences, 6(5), 2002,-P. 200−205.
  64. Russell S.J., Markman A.B. The Use of Knowledge in Analogy and Induction // San Mateo, CA: Morgan Kauffmann, 1989.
  65. Goldstone R.L., Medin D.L., Gentner D. Relational similarity and the non-independence of features in similarity judgments // Cognitive Psychology, 23, 1991,-P. 222−262.
  66. B.H. Дедукция и обобщение в системах принятия решений // -М.: Наука, 1988.-384 с.
  67. О.М. Об одной интерпретации ДСМ-метода автоматического порождения гипотез // ВИНИТИ НТИ. Сер. 2. ИНФОРМ. ПРОЦЕССЫ И СИСТЕМЫ. 1999. № 12, С. 45−53.
  68. Bareiss E.R., Porter B.W., Weir С.С. Protos: An exemplar-based learning apprentice // International Journal of Man-Machine Studies, 29, 1988, P. 549−561.
  69. Rissland E.L. Examples in legal reasoning: Legal hypotheticals // Proceedings of IJCAI-83. San Mateo, CA: Morgan Kaufmann, 1983.
  70. Skinner J.M., Luger G.F. An architecture for integrating reasoning paradigms I I Principles of Knowledge Representation and Reasoning. B. Nobel, C. Rich and W. Swartout, ed. San Mateo, CA: Morgan Kaufmann, 1992.
  71. Stern C.R., Luger G.F.Abduction and abstraction in diagnosis: a schema-based account // Situated Cognition: Expertise in Context. Ford et. al. ed. Cambridge, MA: MIT Press, 1997.
  72. Samuel A.L. Some studies in machine learning using the game of checkers // IBM Journal of R&D, 3, 1952, P. 211−229.
  73. Д.А., Осипов Г. С. Прикладная семиотика // Новости искусственного интеллекта. 1999. № 1. — С. 9−35.
  74. Д.А., Осипов Г. С. Введение в прикладную семиотику // Новости искусственного интеллекта. 2002. № 6. С. 3−7.
  75. 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.
  76. Forbus К. Exploring analogy in the large // Analogy: Perspectives from Cognitive Science, Cambridge, MA: MIT Press, 2000, P. l-27.
  77. Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. — М.: Наука. Физматлит, 1997. — 112 с.
  78. Schank R.C., Abelson R. Scripts, Plans, Goals and Understanding // Hillsdale, NJ: Erlbaum, 1977.
  79. Minsky M. A framework for representing knowledge // In The Psychology of Computer Vision / Winston P., Eds. — New York: McGraw-Hill, 1975.
  80. Sowa J.F. Conceptual Structures: Information Processing in Mind and Machine // Reading, MA: Addison-Wesley, 1984.
  81. Quillian M.R. Semantic memory // Semantic Information Processing / M Minsky- MIT Press. Cambridge, Mass., 1968. — P. 227−270.
  82. T.X. Атомные электрические станции: Учебник для вузов. — 4-е изд., перераб. и доп. изд. М.: Высш. шк., 1984. — 304 с.
  83. Forbus К., Gentner D., Law К. MAC/FAC: A model of Similarity-based Retrieval // Cognitive Science, 19(2), April-June 1995, -P. 141−205.
  84. Mostec Т., Forbus К., Meverden С. Dynamic Case Creation and Expansion for Analogical Reasoning // Proceedings of AAAI-2000, 2000. -P. 1−3.
  85. Э.Р., Мине У.С. XML. Справочник / Пер. с англ. СПб.: Издательство «Символ», 2002. -576 с.
  86. Янг М. XML. Шаг за шагом: Практ. Пособ. / Пер. с англ. М.: Издательство ЭКОМ, 2002. — 384 с.
  87. Пол А. Объектно-ориентированное программирование на С++ / 2-е изд. Пер. с англ. — СПб.- М.: «Невский Диалект» — «Издательство БИНОМ», 1999.-462 с.
  88. Д., Сворт Б., Кэишан М., Густавсон 77. Borland С++ Builder 6. Руководство разработчика.: Пер. с англ. — М.: Издательский дом «Вильяме», 2003.-976 с.
  89. Х.М., Дейтел П. Дж. Как программировать на С++ / 3-е изд. Пер. с англ. М.: «Издательство БИНОМ», 2001. — 1152 с.
  90. А.П., Гаврилова Т. А., Белов Д. Л. Разработка экспертных систем. Среда CLIPS // Издательство: «БХВ-Петербург», 2003. 608 с.
  91. В.А., Башлыков А. А., Бритков В. Б., Вязилов ЕД. Интеллектуальные системы поддержки принятия решений в нештатных ситуациях с использованием информации о состоянии природной среды. //- М.: Эдитореал УРСС, 2001. 304 с.158
Заполнить форму текущей работой

Сессия? Спокойно!