Вопрос 4. Стратегии слепого поиска

Слепой поиск — стратегия поиска решений в пространстве состояний, в которой не используется дополнительная информация о состояниях, кроме той, которая представлена в определении задачи. Всё, на что способен метод неинформированного поиска, — вырабатывать преемников и отличать целевое состояние от нецелевого. Стратегии слепого поиска, как правило, не относят к интеллектуальным стратегиям ввиду их неэффективности. Наиболее известными стратегиями этого типа являются поиски «в ширину» и «в глубину».

Поиск в ширину (breadth-first search, BFS) — это стратегия поиска решений в пространстве состояний, в которой вначале развёртывается корневой узел, затем — все преемники корневого узла, после этого развёртываются преемники этих преемников и т.д. Прежде чем происходит развёртывание каких-либо узлов на следующем уровне, развёртываются все узлы на данной глубине в дереве поиска.

Поиск в глубину (depth-first search, DFS)— стратегия поиска решений в пространстве состояний, при которой всегда развёртывается самый глубокий узел в текущей периферии дерева поиска. При поиске в глубину анализируется первый по списку преемник текущего узла, затем — его первый преемник и т. д. Развёрнутые узлы удаляются из периферии, поэтому в дальнейшем поиск «возобновляется» со следующего самого поверхностного узла, который всё ещё имеет неисследованных преемников

Вопрос 5. Стратегия направленного поиска
SWOT-анализ — представляет собой матрицу для классификации всех известных знаний об объекте по 4 группам: сильные стороны, слабые стороны, возможности и угрозы.
Для принятия решения необходимо распределить всю имеющуюся информацию по предложенным группам и провести анализ, а затем осуществить выбор. Данный метод подразумевает что сильные качества объекта или ситуации позволяют получить определенные возможности, а слабые стороны порождают определенные угрозы. Поэтому принимать решение нужно исходя из сильных качеств и потенциальных возможностей, а не стремиться исправить все угрозы и слабости.
Диаграмма Парето
Инструмент, с помощью которого можно выяснить основные источники проблем и обозначить очередность их решения.
Схема построения диаграммы:
1. Выделение основных факторов, влияющих на проблему. Определение сроков и методов исследования проблемы. Например, проблема — низкое качество товара. Классификация может проводиться по ответственным лицам за качество товара, по конкретным характеристикам товара, по способам поставки и т.д.
2. Формирование списка факторов и их ранжирование.
3. Суммирование появлений каждого из факторов за обозначенное время.
4. Сведение данных об исследуемом факторе в общую таблицу по убыванию числа появлений.
5. Построение системы координат и создание диаграммы, где ось абсцисс — ранг фактора, а ось ординат — частота их появлений. На основе этой диаграммы возможно построение кумулятивной кривой.
Схема Исикава
Существуют и другие названия этого метода, например, «рыбий скелет» или «причинно-следственная диаграмма», которые содержат в себе его образ и назначение: отображение основных причин решаемой проблемы. Готовая схема действительно похожа на скелет рыбы, где «голова» — это обозначенная на бумаге проблема, «хребет» — прямая линия идущая от проблемы, а «кости» — отрезки от прямой, каждый из которых обозначает возможную причину проблемы. Обычно для каждой из причин дополнительно указываются свои причины (факторы 2 уровня) и так повторяется несколько раз, пока не будут обнаружены первопричины. Если же причину не удается обнаружить, то оставляют пустую стрелку без подписи. Однако часто останавливаются на 3-4 уровнях, чтобы не перегружать схему.
Далее каждая из причин подвергается оценке по параметрам — локус контроля и степень влияния на проблему. Локус контроля предполагает распределение в соответствии с зонами влияния на проблему: устройство мира (0 баллов), устройство системы (1 балл) и ответственность принимающего решение (2 балла). Степень влияния на проблему отражает возможность изменений, указывается в процентах.

Вопрос 6. Данные и знания. Экспертные системы. Классификация моделей знаний
Данные – это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства
Знания – это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности
Знания – это правила использования данных для принятия решений
Экспертная система – это компьютерная программа, моделирующая способности эксперта к принятию решений.
Инженер по знаниям (аналитик) – это специалист, по разработке экспертной системы, в задачи которого входит получение знаний от эксперта и представление знаний в экспертной системе.
Классичекие модели подражают мышлению и структуре памяти человека, новые позволяют получить хорошие результаты, но механизм работы их не всегда ясен
Логические модели имеют в основе строгую математическую теорию. Эвристические модели основаны на применении ряда приемов для описания знаний в удобном для понимания человеком или обработки компьютером в виде
Логическая модель предствления знаний
Достоинства логической модели:
1. Высокий уровень формализации
2. Согласованность знаний как единого целого, облегчающее оценку независимости и полноты системы аксиом
Единое средство описания как знаний о предметной области, так и способов решения, что позволяет свести любую задачу к определению истинности любой формулы (рис. 58 или 93)
Недостатки:
1. Ненаглядность представления знаний
2. Недопустимость противоречий или нечеткость
3. Невозможность применения в качестве параметров предикатов других предикатов, т. е. невозможность формулирования знаний о знаниях
Продукционная модель представления знаний. Основана на правилах вида «если условие, то действие»
Достоинства:
1. Наглядность
2. Легкость внесения дополнений или изменений
3. Простота механизма логического вывода
Недостатки:
1. При большом числе правил сложно проверить непротиворечивость базы знаний
2. Если число правил больше 1000, то мало шансов что система во всех случаях будет правильно функционировать.