Что такое адаптивная система сообщение по информатике

Обновлено: 17.06.2024

Адаптивная система в кибернетике — система, которая в процессе эволюции и функционирования демонстрирует способность системы к целенаправленному приспосабливающемуся поведению в сложных средах. Адаптивная система может приспосабливаться к изменениям как внутренних, так и внешних условий.

Самонастраивающаяся система — кибернетическая (или динамическая) адаптивная система, в которой запоминание информации (накопление опыта) выражается в изменении тех или иных её параметров, существенных для целей системы.

Адаптивное управление — совокупность методов теории управления, позволяющих синтезировать системы управления, которые имеют возможность изменять параметры регулятора или структуру регулятора в зависимости от изменения параметров объекта управления или внешних возмущений, действующих на объект управления. Подобные системы управления называются адаптивными. Адаптивное управление широко используется во многих приложениях теории управления.

Адаптация в кибернетике — процесс накопления и использования информации в системе, направленный на достижение определённого, обычно оптимального в некотором смысле, состояния или динамики (поведения) системы при начальной неопределённости и изменяющихся внешних условий, изменений окружающей среды. При адаптации могут изменяться параметры и структура системы, алгоритм её функционирования, управляющие воздействия и т. п.

Саморазвивающаяся система — кибернетическая (или динамическая) система, которая самостоятельно выбирает цели своего развития и критерии их достижения, изменяет свои параметры, структуру и другие характеристики в заданном направлении.

Упоминания в литературе

Механизмом организации сложной адаптивной системы является тегирование, создание тегов. Это, например, создание баннеров, лозунгов, флагов, имиджа, которые определяют принадлежность к определенной фирме, предприятию, партии или сообществу. Внутренние модели – это схемы, образцы, паттерны поведения, сложившиеся для сложной адаптивной системы. Они определяют и способы антиципации будущего. Сложная адаптивная система строится из крупных блоков, кластеров, ее подсистемы – это метаагенты, поведение которых может быть подобным поведению агентов.

2. Охарактеризуйте ДОО как искусственную, социально-педагогическую, изменчивую, адаптирующую и адаптивную систему .

Связанные понятия (продолжение)

Ультраустойчивость или ультрастабильность (ultrastability) в кибернетике — способность системы изменять свою внутреннюю структуру реагируя таким образом на те состояния внешней среды, которые могут воспрепятствовать необходимым активности и поведению системы или изменить значение существенной для системы переменной. Ультрастабильность или ультраустойчивость отличается от стабильности тем, что для последней характерно установление соответствия с внешней средой без изменения внутренней структуры. Для.

Каскадная система - это последовательность элементов, реализующих независимые или зависимые операции над входными объектами.

Систе́ма управле́ния — систематизированный (строго определённый) набор средств сбора сведений о подконтрольном объекте и средств воздействия на его поведение, предназначенный для достижения определённых целей. Объектом системы управления могут быть как технические объекты, так и люди. Объект системы управления может состоять из других объектов, которые могут иметь постоянную структуру взаимосвязей.

Дисфункция экономической системы и её элементов — это показатель нарушений в процессе и, как следствие, результате оптимального — или, по крайней мере, нормального — функционирования системы, имеющего целью её устойчивое развитие.

Техническая система — искусственно созданная система, предназначенная для удовлетворения определенной потребности, существующая 1) как изделие производства, 2) как устройство, потенциально готовое совершить полезный эффект, 3) как процесс взаимодействия с компонентами окружающей среды, в результате которого образуется полезный эффект.

Роба́стное управле́ние — совокупность методов теории управления, целью которых является синтез такого регулятора, который обеспечивал бы хорошее качество управления (к примеру, запасы устойчивости), если объект управления отличается от расчётного или его математическая модель неизвестна. Таким образом, робастность означает малое изменение выхода замкнутой системы управления при малом изменении параметров объекта управления. Системы, обладающие свойством робастности, называются робастными (грубыми.

Кибернетический эксперимент состоит в том, что исходная система управления заменяется моделью, которая затем изучается. Принципиально моделирование состоит в создании системы управления, изоморфной или приближенно изоморфной данной, и в наблюдении за её функционированием .

Индивидуальные человеко-машинные системы (ИЧМС) — слабопредсказуемые системы, глубокое знание устройства не позволяет точно определить их функции, это сложные системы кибернетики.

Сре́да (в теории систем) — совокупность объектов, изменение свойств которых влияет на систему, а также тех объектов, чьи свойства меняются под воздействием поведения системы.

Нейроуправление (англ. Neurocontrol) — частный случай интеллектуального управления, использующий искусственные нейронные сети для решения задач управления динамическими объектами. Нейроуправление находится на стыке таких дисциплин, как искусственный интеллект, нейрофизиология, теория автоматического управления, робототехника. Нейронные сети обладают рядом уникальных свойств, которые делают их мощным инструментом для создания систем управления: способностью к обучению на примерах и обобщению данных.

Декомпозиция — разделение целого на части. Также декомпозиция — это научный метод, использующий структуру задачи и позволяющий заменить решение одной большой задачи решением серии меньших задач, пусть и взаимосвязанных, но более простых.

Имитационные модели связаны не с аналитическим представлением, а с принципом имитации с помощью информационных и программных средств сложных процессов и систем в самом сложном аспекте — динамическом.

Гибридный компьютер, гибридная вычислительная машина, аналого-цифровая система — вид гибридной вычислительной системы (ГВС), сочетающий в себе свойства аналоговых и цифровых вычислительных устройств.

Адаптивная антенная решётка (ААР) — тип антенны, в которой динамическое изменение параметров и характеристик антенн меняется адаптивно к воздействиям внешних или внутренних факторов . Возможность адаптации повышает качество приёма сигнала. В зарубежной литературе адаптивная антенная решётка называется adaptive antenna array.

Линейно-квадратичное гауссовское управление (англ. Linear quadratic Gaussian control, LQG control) — набор методов и математического аппарата теории управления для синтеза систем управления с отрицательной обратной связью для линейных систем с аддитивным гауссовским шумом. Синтез проводится путём минимизации заданного квадратичного функционала.

Многоагентная система (МАС, англ. Multi-agent system) — это система, образованная несколькими взаимодействующими интеллектуальными агентами. Многоагентные системы могут быть использованы для решения таких проблем, которые сложно или невозможно решить с помощью одного агента или монолитной системы. Примерами таких задач являются онлайн-торговля, ликвидация чрезвычайных ситуаций, и моделирование социальных структур.

Объект управления — обобщающий термин кибернетики и теории автоматического управления, обозначающий устройство или динамический процесс, управление поведением которого является целью создания системы автоматического управления.

Модель согласованности — подход, используемый в той или иной распределённой системе (распределённой общей памяти, СУБД, файловой системе), для обеспечения гарантий согласованности данных.

Статическая система — это такая система автоматического регулирования, в которой ошибка регулирования стремится к постоянному значению при входном воздействии, стремящемся к некоторому постоянному значению. Иными словами статическая система не может обеспечить постоянства управляемого параметра при переменной нагрузке.

Нодализационная схема — схема ключевых узлов, использующая узловую топологию (например, сети) для достоверного математического моделирования сложных взаимосвязанных систем. Разрабатывается согласно требованиям моделирования системы на основе знаний физических принципов и опыта разработчика. Для успешной разработки нодализационной схемы необходимы глубокие знания принципов работы моделируемой системы.

Гибридные системы — математические модели систем управления, в которых непрерывная динамика, порождаемая в каждый момент времени одной из априорно заданного набора непрерывных систем, перемежается с дискретными операциями, подающими команды либо на мгновенное переключение с одной системы на другую, либо на мгновенную перестройку с заданных текущих координат на другие координаты, либо на то и другое одновременно.

Цель (кибернетика) — желаемое состояние кибернетической системы, достигаемое в управляемом процессе развития системы. Состояние системы, как и её траектория в пространстве состояний, оценивается с точки зрения их соответствия или несоответствия цели. Математически выражением такой оценки является целевая функция, целевой функционал или критерий качества системы, критерий оптимизации.

Нелинейное управление — подраздел теории управления, изучающий процессы управления в нелинейных системах. Поведение нелинейных систем не может быть описано линейными функциями состояния или линейными дифференциальными уравнениями.

Моделирование биологических систем - процесс создания моделей биологических систем с характерными им свойствами. Объектом моделирования может стать любая биологическая система. Биологическое моделирование является важной задачей системной и математической биологии. Вычислительные системы биологии нацелены на развитие и использование эффективных алгоритмов, структур данных, визуализации и средств коммуникации для компьютерного моделирования биологических систем. Это предполагает использование компьютерного.

Сети адаптивного резонанса — разновидность искусственных нейронных сетей, основанная на теории адаптивного резонанса Стивена Гроссберга и Гейла Карпентера. Включает в себя модели обучения с учителем и без учителя, которые используются при решении задач распознавания образов и предсказания.

Дискретно-событийное моделирование (англ. discrete-event simulation, DES) — это вид имитационного моделирования. В дискретно-событийном моделировании функционирование системы представляется как хронологическая последовательность событий. Событие происходит в определенный момент времени и знаменует собой изменение состояния системы.

Обучающаяся система — система, способная с течением времени улучшать свою работу, используя поступающую информацию.

В информатике параллели́зм — это свойство систем, при котором несколько вычислений выполняются одновременно, и при этом, возможно, взаимодействуют друг с другом. Вычисления могут выполняться на нескольких ядрах одного чипа с вытесняющим разделением времени потоков на одном процессоре, либо выполняться на физически отдельных процессорах. Для выполнения параллельных вычислений разработаны ряд математических моделей, в том числе сети Петри, исчисление процессов, модели параллельных случайных доступов.

Динамическая модель — теоретическая конструкция (модель), описывающая изменение состояний объекта. Динамическая модель может включать в себя описание этапов или фаз или диаграмму состояний подсистем. Часто имеет математическое выражение и используется главным образом в общественных науках (например, в социологии), имеющих дело с динамическими системами, однако современная парадигма науки способствует тому, что данная модель также имеет широкое распространение во всех без исключения науках, в том.

Открытая система в теории систем — система, которая непрерывно взаимодействует со своей средой. Взаимодействие может принимать форму информации, энергии или материальных преобразований на границе с системой. Открытая система противопоставляется изолированной, которая не обменивается энергией, веществом или информацией с окружающей средой.

Оптимизирующий компилятор — компилятор, в котором используются различные методы получения более оптимального программного кода при сохранении его функциональных возможностей. Наиболее распространённые цели оптимизации: сокращение времени выполнения программы, повышение производительности, компактификация программного кода, экономия памяти, минимизация энергозатрат, уменьшение количества операций ввода-вывода.

Виброизображение (англ. Vibraimage) — тип обработки видеозаписи объекта или группы объектов, основанный на анализе и графической репрезентации вибрационных характеристик этих объектов. Суть.

Искусственная иммунная система (ИИС) - это класс автоматизированных вычислительных систем, которые основаны на принципах и процессах иммунной системы позвоночных. Обычно такие алгоритмы используют память и обучаемость иммунной системы для решения заданных проблем.

Нелинейная система — динамическая система, в которой протекают процессы, описываемые нелинейными дифференциальными уравнениями.

Нейро-нечёткие системы или Нечёткие нейронные сети — это системы из области искусственного интеллекта, были предложены Ж. С. Р. Чангом, которые комбинируют методы искусственных нейронных сетей и систем на нечёткой логике. Нейро-нечёткие системы являются результатом попытки создания гибридной интеллектуальной системы, которая бы давала синергетический эффект этих двух подходов путём комбинирования человекоподобного стиля рассуждений нечётких систем с обучением и коннекционистской структурой нейронных.

Абстра́ктный тип да́нных (АТД) — это математическая модель для типов данных, где тип данных определяется поведением (семантикой) с точки зрения пользователя данных, а именно в терминах возможных значений, возможных операций над данными этого типа и поведения этих операций.

Теория автоматического управления (ТАУ) — научная дисциплина, которая изучает процессы автоматического управления объектами разной физической природы. При этом при помощи математических средств выявляются свойства систем автоматического управления и разрабатываются рекомендации по их проектированию.

Шаблон фасад (англ. Facade) — структурный шаблон проектирования, позволяющий скрыть сложность системы путём сведения всех возможных внешних вызовов к одному объекту, делегирующему их соответствующим объектам системы.

Циклы обратной связи представляют собой ключевую особенность систем, которым посвящена статья, таких как экосистемы и отдельные организмы. Они также существуют в человеческом мире, сообществах, организациях и семьях.

Искусственные системы такого рода включают роботов с системами управления, которые используют отрицательную обратную связь для поддержания желаемых состояний.

Основные признаки

В адаптивной системе параметр изменяется медленно и не имеет предпочтительного значения. Однако в саморегулирующейся системе значение параметра зависит от истории динамики системы. Одним из наиболее важных качеств саморегулирующихся систем является адаптация к краю хаоса или способность избегать хаоса. Практически говоря, направляясь к краю хаоса, не идя дальше, наблюдатель может действовать спонтанно, но без катастроф. Физики доказали, что адаптация к краю хаоса происходит практически во всех системах с обратной связью. Пусть читателя не удивляет вычурная терминология, ведь подобные теории непосредственно затрагивают теорию хаоса.

Практопоэзис

Практопоэзис как термин, введенный Данко Николичем, является ссылкой на своего рода адаптивную или саморегулирующуюся систему, в которой аутопоэз организма или клетки происходит посредством аллопоэтических взаимодействий между его компонентами. Они организованы в поэтическую иерархию: один компонент создает другой. Теория предполагает, что живые системы демонстрируют иерархию из четырех таких поэтических операций:

эволюция (i) → экспрессия генов (ii) → не связанные с генами гомеостатические механизмы (анапоэз) (iii) → функция клеток (iv).

Практопоэзис бросает вызов современной доктрине нейробиологии, утверждая, что умственные операции в основном происходят на анапоэтическом уровне (iii), то есть, что умы возникают из быстрых гомеостатических (адаптивных) механизмов. Это контрастирует с широко распространенным убеждением, что мышление является синонимом нейронной активности (функция клетки на уровне iv).

Каждый более низкий уровень содержит знания, которые являются более общими, чем более высокий уровень. Например, гены содержат более общие знания, чем анапоэтические механизмы, которые, в свою очередь, содержат более общие знания, чем функции клеток. Эта иерархия знаний позволяет анапоэтическому уровню напрямую хранить понятия, необходимые для появления ума.

Сложная система

Сложная адаптивная система - это комплексный механизм, в котором совершенное понимание отдельных частей автоматически не обеспечивает идеального понимания всей конструкции. Изучение этих механизмов, которые являются своего рода подмножеством нелинейных динамических систем, является в высшей степени междисциплинарным и объединяет знания естественных и социальных наук для разработки моделей и представлений самого высокого уровня, которые учитывают гетерогенные факторы, фазовый переход и другие нюансы.

Они сложны тем, что являются динамическими сетями взаимодействий, и их отношения не являются совокупностями отдельных статических объектов, то есть поведение ансамбля не предсказывается поведением компонентов. Они адаптивны в том, что индивидуальное и коллективное поведение мутируют и самоорганизуются в соответствии с инициирующим изменения микро-событием или набором событий. Они представляют собой сложную макроскопическую совокупность относительно похожих и частично связанных микроструктур, сформированных для адаптации к изменяющейся среде и повышения их выживаемости в качестве макроструктуры.

Применение

Термин "сложные адаптивные системы" (CAS) или наука о сложности часто используются для описания слабо организованной академической области, которая выросла вокруг изучения таких систем. Наука сложности не является единой теорией - она охватывает более одной теоретической основы и является в высшей степени междисциплинарной, ищет ответы на некоторые фундаментальные вопросы о живых, адаптируемых, изменчивых системах. Исследование CAS фокусируется на сложных, эмерджентных и макроскопических свойствах системы. Джон Х. Холланд сказал, что CAS представляют собой системы, которые имеют большое количество компонентов, часто называемых агентами, которые взаимодействуют, адаптируются или обучаются.

Примеры

Типичные примеры адаптивных систем включают:

климат;
города;
фирмы;
рынки;
правительства;
промышленность;
экосистемы;
социальные сети;
электрические сети;
стаи животных;
транспортные потоки;
колонии социальных насекомых (например, муравьев);
мозг и иммунную систему;
клетки и развивающийся эмбрион.

Но это еще не все. Также в этот список можно включить адаптивные системы в кибернетике, которые набирают все большую популярность. Организации, основанные на социальных группах людей такие, как политические партии, общины, геополитические сообщества, войны и террористические сети, также считаются CAS. Интернет и киберпространство, состоящие, сотрудничающие и управляемые сложным комплексом взаимодействия человека с компьютером, также рассматриваются как сложная адаптивная система. CAS может быть иерархической, но при этом она всегда будет чаще проявлять аспекты самоорганизации. Таким образом, некоторые современные технологии (например, нейросети) можно назвать самообучающимися и самонастраивающимися информационными системами.

Отличия

Что отличает CAS от чистой многоагентной системы (MAS), так это внимание к свойствам и функциям верхнего уровня таким, как самоподобие, сложность структуры и самоорганизация. MAS определяется как система, состоящая из нескольких взаимодействующих агентов в то время, как в CAS агенты и система являются адаптивными, и сама по себе система самоподобна.

CAS - это сложная совокупность взаимодействующих адаптивных агентов. Такие системы характеризуются высокой степенью адаптации, что придает им необычайную устойчивость перед лицом перемен, кризисов и катастроф. Это стоит учитывать при разработке адаптивной системы.

Другими важными свойствами являются: адаптация (или гомеостаз), общение, сотрудничество, специализация, пространственная и временная организация и воспроизводство. Их можно найти на всех уровнях: клетки специализируются, адаптируются и размножаются, как это делают более крупные организмы. Коммуникация и сотрудничество происходят на всех уровнях, от агента до системного уровня. Силы, движущие сотрудничество между агентами в такой системе, в некоторых случаях могут быть проанализированы с помощью теории игр.

Моделирование

CAS - это системы, способные к адаптации. Иногда они моделируются с помощью агентных и сложных сетевых моделей. Те, которые основаны на агентах, разрабатываются с помощью различных методов и инструментов, в первую очередь, путем сначала идентификации различных агентов внутри модели. Другой метод разработки моделей для CAS включает разработку сложных сетевых моделей посредством использования данных взаимодействия различных компонентов CAS, таких как адаптивная система связи.

В 2013 году SpringerOpen / BioMed Central выпустил онлайн-журнал с открытым доступом на тему моделирования сложных систем (CASM).

Живые организмы представляют собой сложные адаптивные системы. Хотя сложность количественно определить в биологии затруднительно, эволюция породила несколько удивительных организмов. Это наблюдение привело к тому, что распространенное заблуждение об эволюции является прогрессивным.

Стремление к сложности

Если бы описанное выше в целом было верно, эволюция имела бы активную тенденцию к сложности. В этом типе процесса значение наиболее распространенной степени сложности со временем будет увеличиваться. Действительно, некоторые искусственные симуляции жизни предполагают, что генерация CAS является неизбежной особенностью эволюции.

Тем не менее идея общей тенденции к сложности в эволюции также может быть объяснена с помощью пассивного процесса. Это включает в себя увеличение дисперсии, но наиболее распространенное значение, режим, не меняется. Таким образом, максимальный уровень сложности увеличивается с течением времени, но только как косвенный продукт от общего количества организмов. Этот тип случайного процесса также называется ограниченным случайным блужданием.

В этой гипотезе очевидная тенденция к усложнению строения организмов является иллюзией. Она возникает из-за концентрации на небольшом количестве крупных, очень сложных организмов, населяющих правый хвост распределения сложности, и игнорирования более простых и гораздо более распространенных организмов. Эта пассивная модель подчеркивает, что подавляющее большинство видов является микроскопическими прокариотами, которые составляют около половины биомассы в мире и подавляющее большинство биоразнообразия Земли. Поэтому простая жизнь остается доминирующей на Земле, а сложная жизнь кажется более разнообразной только из-за смещения выборки.

Если в биологии отсутствует общая тенденция к усложнению, это не помешает существованию сил, которые ведут системы к сложности в подмножестве случаев. Эти незначительные тенденции будут уравновешены другими эволюционными давлениями, которые ведут системы к менее сложным состояниям.

Иммунная система

Адаптивная иммунная система (так же известная, как приобретенная или, реже, как специфическая) является подсистемой общей иммунной системы. Она состоит из узкоспециализированных клеток и процессов, которые устраняют патогенные микроорганизмы или предотвращают их рост. Приобретенная иммунная система является одной из двух основных стратегий иммунитета у позвоночных (другая - врожденная иммунная система). Приобретенный иммунитет создает иммунологическую память после первоначального ответа на определенный патоген и приводит к усиленному ответу на последующие встречи с ним же. Этот процесс приобретенного иммунитета является основой вакцинации. Как и врожденная система, приобретенная система включает не только компоненты гуморального иммунитета, но и компоненты клеточного иммунитета.

История термина

Биологическая адаптация

Преимущество такой адаптивной информационной системы состоит в том, что можно редактировать базу знаний и влиять на работу системы в целом (изменять критические алгоритмы или данные, которые участвуют при выборе решения). Структура интеллектуальной части системы является универсальной и не зависит от её наполнения. Следовательно, эту часть системы можно использовать в разных адаптивных информационных системах без каких-либо изменений.

Вложенные файлы: 1 файл

Адаптивная инф.система.doc

Введение

Большинство автоматизированных информационных систем работают по жёстко запрограммированным алгоритмам. Но существуют такие предметные области и задачи автоматизации, в которых использование данного принципа создания автоматизированной системы не является оптимальным. Как правило, данные предметные области (задачи автоматизации) имеют сложную структуру, которую трудно алгоритмизировать. В них происходят частые изменения, которые могут затрагивать как бизнес-процессы, так и значения некоторых данных, участвующих при выработке решений. Поэтому при необходимости изменить какой-либо бизнес-процесс системы нужно прибегать к помощи программистов, которым приходится анализировать большие объёмы кода, даже если эти изменения несущественны. Примерами таких предметных областей могут служить области, связанные с системой управления вузом [1, 2], системой управления персоналом, экономикой и т.д.

В предметных областях, которые постоянно развиваются, возникает потребность в адаптивных информационных системах. Адаптивные информационные системы должны удовлетворять двум главным требованиям:

a) адекватно отражать знания о предметной области в каждый момент времени;

b) быть пригодными для лёгкой и быстрой реконструкции при изменении предметной области [3].

Адаптивные свойства информационных систем обеспечиваются за счёт интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель предметной области, поддерживаемая в специальной базе знаний.

Таким образом, при разработке адаптивной информационной системы целесообразно разделить её функции на два типа:

a) функции, которые легко алгоритмизировать ( обработка и отображение данных);

b) функции, которые можно отнести к интеллектуальным (функции принятия решений).

В соответствии с этим, адаптивную информационную систему можно разделить на две части:

a) подсистема обработки, хранения и отображения данных;

b) интеллектуальная подсистема.

В результате адаптивная информационная система имеет две независимые подсистемы, которые взаимодействуют друг с другом.

1 Структура адаптивной информационной системы

Структура адаптивной информационной системы представлена на рис. 1.

Подсистема обработки данных состоит из базы данных и приложения, взаимодействующего с ней. Приложение взаимодействует также с пользователем, получая от него команды, и запускает соответствующие процессы по обработке данных, которые содержат обращения к интеллектуальной подсистеме. Приложение взаимодействует с интеллектуальной подсистемой, когда необходимо выполнить действие, связанное с принятием определённого решения, или необходимо получить информацию, хранящуюся в базе знаний.

Рис.1. Структура адаптивной информационной системы

Приложение вызывает соответствующий Web-сервис и передаёт ему данные, описывающие текущее состояние системы, и запрос, который должна выполнить интеллектуальная подсистема. С помощью Web-сервисов реализуется механизм логического вывода, а каждый Web-сервис реализует решение определённого класса задач. Web-сервис ищет решение (ответ на запрос) на основе входных данных и информации, хранящейся в базе знаний. Затем, ответ передаётся приложению, которое использует его для дальнейшего выполнения процесса обработки данных.

Преимуществом Web-сервисов является то, что они позволяют использовать различные средства для разработки приложения и базы данных. В этом случае интеллектуальная подсистема не зависит от практической реализации подсистемы обработки и хранения данных, т.к. обмен информацией между ними происходит с использованием языка XML, который в настоящее время широко используется для интеграции разнородных систем.

На схеме, представленной на рис. 1, база знаний представляет собой специально спроектированную базу данных. В ней хранится информация о фактах и правилах предметной области, а также структурная информация, описывающая интерпретацию фактов.

2 Выбор модели представления знаний

Выбор способа представления знаний в интеллектуальной системе является ключевым моментом разработки. С точки зрения человека, желательно, чтобы описательные возможности используемой модели были как можно выше. С другой стороны, сложное представление знаний требует специальных способов обработки (усложняется механизм вывода), что затрудняет проектирование и реализацию интеллектуальной подсистемы [3].

Существуют четыре основные модели описания знаний: логические модели, сетевые модели, продукционные модели и фреймовые модели. Каждая из этих моделей имеет свои достоинства и недостатки.

Сетевая модель является наиболее общей моделью представления знаний. Но такая универсальность имеет и негативную сторону. Если допускать в сетевой модели произвольные типы отношений и связей, не являющихся отношениями в математическом смысле (например, ассоциативные связи), то резко возрастает сложность работы с такой моделью [4]. Также построение сетевой модели зависит от взгляда на проблему самого разработчика. Поэтому разные инженеры по знаниям могут спроектировать разные модели одной предметной области, что может сказываться негативно на реализации процедур обработки знаний.

Во фреймовых моделях соединены основные особенности моделей перечисленных типов. Но в отличие от них, во фреймовых моделях фиксируется жёсткая структура информационных единиц [4]. Это существенно снижает гибкость такой модели.

Логические модели предназначены для использования в исследовательских системах, и основной их задачей является доказательство теорем и организация вывода в логике. К недостатку этих моделей относится то, что они предъявляют высокие требования к качеству и полноте знаний о предметной области [3].

Продукционные модели наряду с фреймами являются наиболее популярными средствами представления знаний. Продукции, с одной стороны, близки к логическим моделям, что позволяет организовать на них эффективные процедуры вывода, а с другой стороны, отражают знания более наглядно, чем классические логические модели [5].

Продукционные модели имеют, по крайней мере, два недостатка. При большом числе продукций становится сложной проверка непротиворечивости системы правил. Это заставляет при добавлении новых продукций тратить много времени на проверку непротиворечивости полученной системы. Из-за присущей системе недетерминированности (неоднозначного выбора выполняемой продукции из множества активизированных продукций) возникают принципиальные трудности при проверке корректности работы системы [4].

Каждой модели представления знаний отвечает свой язык. Однако на практике при разработке системы редко удаётся обойтись рамками одной модели представления знаний за исключением самых простых случаев [3].

Для реализации базы знаний адаптивной информационной системы можно выбрать сочетание продукционной и логической моделей. Совместное использование этих моделей представления знаний обладает рядом преимуществ:

a) снижаются требования к качеству и полноте хранящихся знаний;

b) увеличивается эффективность обработки продукций;

c) увеличивается наглядность представления знаний, т.к. подавляющая часть человеческих знаний может быть записана в виде продукций.

3 Структура базы знаний, использующая логическую и продукционную модели

3.1 Логическая структура базы знаний

Логическая структура базы знаний, использующая логическую и продукционную модели, приведена на рис.2.

Рис.2. Логическая структура базы знаний, использующая логическую и продукционную модели

В базе знаний можно выделить три основные части:

b) предикатная база данных;

c) логический блок.

Для описания базы правил или модели данных воспользуемся следующими понятиями.

Классам сущностей предметной области отвечают сорта (или типы), т.е. имена сортов интерпретируются как классы сущностей

Сигнатурой называется множество S выражений вида

где A_j, B – сорта, а f – функция.

Сигнатура задаёт структурные связи между понятиями предметной области, представленные предикатами и функциями. Логические связи между этими понятиями задаются формулами в этой сигнатуре (интерпретирующая сигнатуру структура). Структурные и логические связи выражают некоторое знание о предметной области.

Таким образом, все формулы строятся на основе сигнатуры S. Произвольная формула составляется из атомарных формул (атомов) с использованием логических связок ù, Ù. Ú, ® и кванторов " и $. Атомы составляются из термов (переменная, принимающая значение из сорта А), предикатных символов и символа равенства. Всякая входящая в атом переменная считается свободной в этом атоме. Если при составлении формулы используются кванторы, то переменные, с которыми они используются, считаются связанными.

Пусть Q – логическая модель предметной области. Тогда Q состоит из двух частей: Q ï и Q | | , которые описывают соответственно структурные свойства предметной области и логические её свойства. В нашем случае Q ï есть сигнатура S, а Q ïï есть совокупность замкнутых формул (т.е. формулы, не включающие свободные переменные), записанных в сигнатуре S. Часть Q ïï служит для представления ограничений, которым удовлетворяют сущности и отношения предметной области, закономерностей, описывающих поведение сущностей [4].

Если из Q ïï отдельно записать правила, по которым можно проверять истинность новых утверждений, то можно предложить разбиение логической модели предметной области Q на три части: Q ï , Q ïï и Q ïïï . При этом в Q ïï останется описание только ограничений, которым удовлетворяют сущности и отношения предметной области, а в Q ïïï мы будем записывать продукционные правила.

Предикатная база данных (рис. 2) хранит факты о предметной области (атомарные константные формулы), которые используются системой продукций Q ïïï . Набор типов фактов определяется Q ï , а правильность их написания – Q ïï . Факты отражают знания эксперта о предметной области, которые всегда являются истинными, как правило, это какие-либо постоянные связи или значения термов.

Логический блок содержит основные алгоритмы работы с фактами и правилами, а также механизмы логического вывода и средства взаимодействия с внешним миром. Данный блок принимает входные факты и запросы, проверяет, соответствуют ли переданные факты хранящейся в базе знаний логической модели предметной области, осуществляет логический вывод, исходя из входного запроса, а также формирует результат выполнения этого запроса.

3.2 Структура продукционных правил

В общем виде под продукцией понимается выражение следующего вида:

Здесь i – имя продукции, с помощью которого данная продукция выделяется из всего множества продукций. В качестве имени может выступать некоторая лексема, отражающая суть данной продукции, или порядковый номер продукции в их множестве. На основании имени можно строить деревья вывода.

Основным элементом продукции является её ядро: А Þ В (ЕСЛИ А ТО В). Продукция может истолковываться в обычном логическом смысле как знак логического следования В из истинного А (если А не является истинным выражением, то о В ничего сказать нельзя). Но в нашей базе знаний интерпретация ядра продукции является следующей: А описывает некоторые условия, необходимые для того, чтобы можно было совершить В.

Элемент N описывает постусловия продукции. Они актуализируются только в том случае, если ядро продукции реализовалось. Постусловия продукции описывают действия, которые необходимо выполнить после реализации [4, 7].

3.3 Пример описания базы правил и предикатной базы данных

Рассмотрим описание логической структуры базы знаний в предметной области, связанной с управление персоналом. Возьмём задачу определения размера ставки, на которую можно принять работника.

Пусть Q ï имеет описание, представленное в формуле (2).

Если использовать аналогию с описанием баз данных, то Q ï соответствует описанию таблиц базы данных.

Формула (2) означает, что в нашей базе знаний используются два типа фактов: вид_работы_ставка (задаёт зависимость между видом работы и размером ставки) и вход_данные_работника_ставка (задаёт структуру фактов, которые будут поступать в систему как входные данные, рис. 2).

Для учеников 1-11 классов и дошкольников
Бесплатные сертификаты учителям и участникам

Рожкова Юлия Викторовна

1. Становление и развитие адаптивные обучающих систем (АОС)

2. Модели адаптивного обучения в компьютеризованных системах

3. Управление качеством процесса разработки адаптивных обучающих систем

Список использованной литературы

В современном образовании важное место в компьютеризированном обучении имеет такое перспективное направление, как адаптивные и мультимедиа технологии. Большое распространение получили системы адаптивного тестирования и адаптивных гипермедиа. Адаптивные обучающие системы (АОС), которые базируются на принципах адаптации и различных видах обратных связей, способны повысить существенно возможности современного компьютеризированного учебного процесса, что и обуславливает актуальность выбранной темы.

Данные адаптивные технологии содержат в себе широкий спектр программно-аппаратных решений, которые позволяют приспосабливать различные способы передачи информации, представления различных видов информации под разнообразные характеристики пользователя в автоматическом режиме.

Также можно отметить, что различные мультимедиа компоненты, включаемые все чаще в последнее время в учебный процесс, позволяют делать компьютеризированное обучение более эффективным, а иногда и незаменимым.

Одной из важнейших центральных проблем компьютерного обучения является проблема создания машинных обучающих программ, которые способны обеспечить эффективную организацию содержания учебного курса, также стратегий усвоения и режимов активного взаимодействия обучающегося с машиной.

Отмечая роль автоматизированных обучающих систем, можно сказать, что они очень сильно помогают преподавателю и обучающемуся во время выполнения различных действий и в различных разделах курса, но есть и отрицательный момент такой, как: каждая отдельно взятая система очень мало помогает при работе с курсом в целом.

1. Становление и развитие адаптивных обучающих систем (АОС)

Становление и развитие адаптивных обучающих систем проходило в контексте идеологии гипертекста. Именно текст в частности его содержательная сторона и иногда графическая составляющая, а также гиперссылки являются единственными объектами адаптации в обучающих системах такого рода. Подобные ограничения делают сегодня применяемые принципов адаптации в новой парадигме обучения менее эффективными. В это и заключается одна из важнейших проблем в области адаптивных обучающих систем.

Обращаясь к истории развития адаптивных обучающих систем, то можно отметить, что первоначально адаптивные технологии развивались в рамках гипертекстовых, гипермедиа систем. Это подход выступал в качестве подхода, направленного на решение задач, связанных с повышением функциональности гипертекста. Развитию следующего поколения адаптивной методики в значительной мере способствовали работы Т. Бернерса-Ли по созданию Всемирной паутины. В середине 90-х годов XX столетия адаптивные техники стали применяться при создании интернет ресурсов (например, техники адаптивной поддержки навигации и сокрытия ссылок).

Значительных успехов удалось достичь в применении адаптивной методики в автоматизированных обучающих системах. Говоря о вкладе ученых в данной направление, то следует отметить такие выдающие фигуры, работающих в данной проблемной области, а именно П.Л. Брусиловский, Г.В. Рыбина, Т.А. Гаврилова, А. Kobsa , M . Spechi , P . De Bra , D . Benoyon , W . Nejdl и другие исследователи 1 .

В последние годы в практике образования наблюдается ситуация, под значимым влиянием которой традиционное тестирование, которое осуществляется с помощью стандартных тестов фиксированной длины, перерастает в современные более эффективные формы адаптивного тестирования.

За рубежом, а именно с начала 90-х годов, адаптивное тестирование получило широкое распространение и признание. Данному процессу принятия адаптивного тестирования способствовали прикладные исследования, нашедшие широкое применение в практике профессионального отбора.

Исследователь М.Б. Челышкова отмечает, что основная идея, движущая исследователями в сфере адаптивного тестирования заключается в следующем: тестовые задания необходимо адаптировать по трудности к уровню подготовленности испытуемых в тестируемой группе. При этом данные исследователи исходят из соображений о том, что слабым испытуемым малоэффективно давать сложные задания, потому что с большой вероятностью они не смогут выполнить их верно. И наоборот, столь же малоэффективным являются легкие задания при тестировании сильных испытуемых. В связи с тем, что все испытуемые имеют различный набор компетенций, то становится очевидным, что очевидное задание приходится подбирать, подстраивать под текущие оценки, из этого следует, что адаптивный тест должен состоять из заданий, каждое их которых на момент представления было оптимальным по трудности для текущего результата тестируемого. Также М.Б. Челышкова отмечает, что все адаптивные тесты внутри группы тестируемых состоят из различных заданий и отличаются по количеству и трудности тем сильнее, чем больше разброс по подготовленности среди тестируемых группы. Таким образом, исследователь под адаптивным тестированием понимает совокупность процессов генерации, предъявления и оценки результатов выполнения адаптивных тестов, обеспечивающую прирост эффективности измерений по сравнению с традиционным тестированием благодаря оптимизации подбора характеристик заданий, их количества, последовательности и скорости предъявления применительно к особенностям подготовки тестируемых обучающихся. Ученый М.Б. Челышкова дает следующее определение адаптивным гипермедиа – это направление исследований в области адаптивных пользовательских систем. Данные исследования направлены на увеличение функциональных возможностей гипермедиа за счет ее индивидуализации. Системы адаптивных гипермедиа формируют модель целей, предпочтений и знаний конкретного пользователя и используют это в процессе взаимодействия с пользователей для адаптации к его потребностям 2 .

Исследователь П.Л. Брусиловский считает, что системы адаптивной гипермедиа могут быть полезны в таких прикладных областях, в которых прогнозируется использование системы людьми с разнообразными целями и знаниями, а также и там, где размер гипермедиа достаточно велик, а именно онлайновые информационные системы, система оперативной помощи, обучающие гипермедиа системы. Пользователи с различными совокупностями целей и уровнями знаний могут быть заинтересованы в получении различной информации, которая представлена на страницах гипермедиа, могут использовать различные ссылки для навигации. Что касается адаптивных гипермедиа, то данный ученый отмечает, что именно адаптивная гипермедиа делает попытку преодолеть существующую проблему используя данные, хранящиеся в модели пользователя, для адаптации информации и ссылок, которые предоставлены конкретному пользователю. Также адаптация помогает пользователю в навигации по гиперпространству, особенно при наличии большого массива информации. Системы такого рода, зная уровень компетенции и цели пользователя, могут осуществлять навигационную поддержку пользователей, через ограничивание рабочего пространства, предлагая наиболее подходящие ссылки для дальнейшей навигации или через обеспечивание адаптивного комментирования видимых ссылок. П.Л. Брусиловский дает следующее определение адаптивной гипермедиа – это все гипертекстовые и гипермедиа системы, отражающие некоторые характеристики пользователя в модели пользователя и применяют эту модель для адаптации различных визуальных аспектов системы к нуждам пользователя, т.е. адаптивные гипермедиа системы предоставляют персонализированных доступ информационным гипермедиа ресурсам. Реальное содержание информационных страниц также различается для всех пользователей 3 .

Таким образом, П.Л. Брусиловский отмечает, что системы адаптивной гипермедиа могут быть полезны в таких прикладных областях:

- где прогнозируется использование системы людьми с различными целями и знаниями;

- где размер гипермедиа довольно велик, онлайновые информационные системы, системы оперативной помощи;

- в обучающих системах, которые используют технологию гипертекста.

Наиболее изученной технологией гипермедиа-адаптации сегодня является адаптивное представление текста. В настоящее время достаточно проработаны и широко используются технические приемы адаптивной поддержки навигации. Суть данных приемов сводится к помощи пользователям найти свой путь в гиперпространстве.

Исследователь П.Л. Брусиловский дает следующую классификацию данных технических приемов в соответствии с методом, который они используют для адаптации процесса представления ссылок:

- адаптация глобальных, локальных карт гипермедиа 4 .

В результате анализа подходов к реализации адаптивной методики автоматизированных обучающих системах, были выявлены следующие тенденции:

1) авторами многих разработанных за последние пятнадцать лет адаптивных автоматизированных обучающих систем являлись специалисты с техническим образованием, в результате ими же предлагались и разрабатывались методики адаптации. Изучение механизмов работы техник адаптации с позиции человеко-машинного взаимодействия, их психологического воздействия на человека проходило уже на практике. Большинство практических исследователей отмечали большую эффективность адаптивных обучающих систем, если была включена какая-либо техника адаптации и наоборот отсутствие данной техники адаптации способствовало снижению эффективности мотивации, формирования компетенций обучающегося. Создание техник адаптации является технической задачей, которая решается самим разработчиком на стадии программной реализации.

2) количество принципов, методов адаптации на сегодняшний день значительно, но программная реализация самих техник адаптации остается уникальной для каждой системы. Автору, решившему дополнить свою систему каким-либо уже известным принципом адаптации, необходимо вновь прорабатывает алгоритмы и программные решения, также создавать, по сути, копии уже много раз реализованных техник адаптации, при этом данная система будет иметь уникальную архитектуру. Здесь же можно и сказать и об уникальности внутренних форматах представления модели пользователя, которые разработаны для каждой системы отдельно, без которых невозможно функционирование техники адаптации.

3) П.Л. Брусиловский и другие специалисты отмечают, что многие разработанные адаптивные системы содержат нетекстовые, мультимедийные элементы, но не могут представлять эти элементы адаптивно 6 .

Таким образом, многие современные адаптивные обучающие системы используют принципы адаптации или мультимедийные компоненты в учебных курсах. Данное применение технологий эффективно и не подлежит сомнению. Адаптивные технологии позволяют автоматизировать индивидуальный подход к каждому обучающемуся в процессе компьютеризированного обучения, в частности мультимедиа дает широкие возможности в предоставлении информации и взаимодействии с обучающимися – наглядности, интерактивности.

Читайте также: