Экспертные системы

    3) Взять из списка ОТКРЫТ ту вершину, для которой f имеет наименьшее значение, и поместить ее в список ЗАКРЫТ. Дать этой вершине название n. (В случае совпадения значений выбирать вершину с минимальными f произвольно, но всегда отдавая предпочтение целевой вершине.)

    4) Если n есть целевая вершина, то  на выход выдать решающий путь, получаемый прослеживанием соответствующих  указателей; в противном случае переходить к следующему шагу.   

    5) Раскрыть вершину n, построив все  непосредственно следующие за  ней вершины. (Если таковых нет переходить к шагу (2).) Для такой дочерней вершины n_i вычислить значение f(n_i).

    6) Связать с теми из вершин n_i , которых еще нет в списках ОТКРЫТ или ЗАКРЫТ, только что прочитанные значения f(n_i). Поместить эти вершины в список ОТКРЫТ, и провести от них к вершине n указатели.

    7) Связать с теми  из непосредственно  следующих за n вершинами. которые уже были в списке  ОТКРЫТ или ЗАКРЫТ, меньшие из прежних или только что вычисленных значений f. Поместить в список ОТКРЫТ  те из непосредственно следующих за n вершин, для которых новое значение f оказалось ниже, и изменить направление указателей от всех вершин, для которых значение f уменьшилось, направив их к n..

    8) Перейти к (2).

    Общая структура алгоритма идентична  структуре алгоритма равных цен, поэтому мы не приводим для него блок-схему. Отметим, что множество вершин и указателей, порождаемых этим алгоритмом, образует дерево (дерево перебора), причем на концах этого дерева расположены вершины из списка ОТКРЫТ.

    Использование других эвристик.

    Перебор этапами.

    Использование эвристической информации может  существенно уменьшить объем  перебора, необходимого для поиска приемлемого пути. Следовательно, ее использование, позволяет осуществлять перебор на гораздо больших графах. и тем не менее могут возникнуть случаи, когда имеющаяся в нашем распоряжении память оказывается исчерпанной раньше, чем будет найден удовлетворительный путь. В этих случаях может быть полезным не отказываться полностью от продолжения перебора, а “отсечь” часть ветвей дерева, построенного к этому моменту в процессе перебора, освободив тем самым пространство памяти, необходимое для углубления перебора.

    Такой процесс перебора может осуществляться этапами, которые отделяются друг от друга операциями отсечения дерева, необходимыми для освобождения памяти. В конце каждого этапа удерживается некоторое подмножество открытых вершин, например вершины с наименьшими значениями f. Наилучшие пути к этим вершинам запоминаются, а остальная часть дерева отбрасывается. Затем начинается перебор снова, уже от этих “лучших” открытых вершин. Этот процесс продолжается до тех пор, пока либо будет найдена целевая вершина, либо будут исчерпаны все ресурсы. Хотя весь процесс заканчивается построением некоторого пути, тем не менее, у нас нет теперь гарантии, что этот путь будет оптимальным.

    Ограничение числа дочерних вершин.

    Другой  путь уменьшения перебора, состоит  в том, чтобы использовать более информированный оператор Г, который не порождал бы слишком много ненужных вершин, а порождал бы лишь вершины, расположенные на оптимальном пути, снимая тем самым полностью необходимость перебора.

    Один  из приемов, который может позволить  снизить требуемый объем перебора, состоит в том, чтобы сразу же после раскрытия вершины отбросить почти все дочерние вершины, оставив лишь небольшое их число с наименьшими значениями функции f. Конечно, отброшенные вершины могут оказаться расположенными на наилучших (и даже только на наилучших) путях, так что только эксперимент может определить пригодность такого метода отсечения ветвей графа для конкретных задач.

    Поочередное построение дочерних вершин.

    Когда вершины, непосредственно следующие  за некоторой, вычисляются с помощью операторов в пространстве состояний, то очевидно, что эти последующие вершины могут строиться по отдельности и независимо друг от друга. Кроме того, существуют случаи, когда применение всех применимых операторов было бы очень расточительно в смысле вычислительных затрат. Как указывалось выше, более информированный оператор Г выделял бы несколько наиболее перспективных операторов и строил бы только те последующие вершины, которые возникают в результате их применения. Более гибкий подход состоит в том, чтобы сначала допускать применение самого перспективного оператора (что приведет к одно из последующей вершине), оставляя в дальнейшем возможность в процессе перебора построить и другие вершины, непосредственно следующие за данной. Для того, чтобы воспользоваться этой идеей вместе с оценочными функциями для упорядочения вершин, в алгоритм упорядоченного перебора следует внести соответствующие изменения.[5]  

    Заключение  

    ЭС  не должны работать только на уровне человека-эксперта; представления на уровне эксперта не всегда достаточны. Психологи, разработавшие простые описательные линейные модели, обнаружили, что их использование часто дает лучшие результаты, чем те, на которые способны в своих оценках эксперты. Для ЭС важен также фактор различия между знаниями и когнитивным контролем. Можно различать знание – знать в общем, как превратить информацию в суждение, и когнитивный контроль – возможность претворить эти знания в содержательный образ действий.

    Возможности использования ЭС часто искусственно ограничиваются владением данными  и действенной системой правил. Наличие  знаний и возможность доступа к ним часто ошибочно считаются критерием качества экспертизы, даже когда способность прогнозировать и диагностировать является более подходящим критерием. Более того, часто качество экспертных прогнозов и предположений трудно оценить самим экспертам. В таком случае разумнее положиться на набор фактов как заменитель экспертизы, даже если точность прогноза была бы в данной ситуации более подходящим критерием. Но ценность таких ЭС, которые воспроизводят изученное поведение экспертов, обладающих невысокими прогностическими способностями, весьма проблематична. [3]

    В настоящее время в области  ЭС можно получать ценную информацию из полученных результатов и опыта  многолетних исследований в области  психологии экспертных оценок и использовать ее в интересах развития ЭС. 
 
 
 
 
 
 
 
 
 
 
 
 
 

    Список  литературы 

    1. А.Э.Саак, Е.В.Пахомов, В.Н.Тюшняков. Информационные технологии управления.-«Питер» - М.2005.

    2.  Г. Долин. Что такое ЭС.- Компьютер  Пресс  № 2, 1992.

    3.  Н.Н.Пушкарев. Информационные системы в экономике.- М.2004.

    4. Д. Н. Марселлус. Программирование  экспертных систем на Турбо  Прологе.- М.: Финансы и статистика, 1999.

    5. К. Нейлор. Как построить свою  экспертную систему.- М.: Энергоатомиздат, 2003.

    6.  Н. Д. Нильсон. Искусственный  интеллект. Методы поиска решений.- М.: Мир, 1999.

    7.  В. О. Сафонов. Экспертные системы - интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества “Знания” России, 1992.

    8.  К. Таунсенд, Д. Фохт. Проектирование  и программная реализация  экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 2002.

     9.  В. Н. Убейко. Экспертные системы.- М.: МАИ, 2001.

    10. Д. Уотермен. Руководство по экспертным  системам.- М.: Мир, 2000.

    11. Д. Элти, М. Кумбс. Экспертные  системы: концепции и примеры.- М.: Финансы и статистика, 1999.   

    12. В.П.Косарев и др. Компьютерные системы и сети./Под ред. В.П.Косарева и Л.В.Еремина / - М.: Финансы и статистика,1999.

    13. Г.Н.Смирнова и др. Проектирование экономических информационных систем./ Под.ред. Ю.Ф.Тельнова. – М.: Финансы и статистика, 2002.

    14. В.Б.Уткин, К.В.Балдин. Информационные системы в экономике. – М.: Академия, 2004.