Примеры информационных моделей

Определим информационную модель как связанную совокупность информационных объектов, описывающих информационные процессы в исследуемой предметной области. Существующие информационные модели разделим на универсальные и специализированные. Специализированные модели предназначены для описания конкретных систем, являются уникальными по своим возможностям, более дорогостоящими. Универсальные модели предназначены для использования в различных предметных областях, к ним относятся: базы данных и системы управления базами данных, автоматизированные системы управления, базы знаний, экспертные системы.

Модели конечных автоматов представляют собой перечень ограниченного числа состояний объекта и условия перехода из одного состояния в другое (эти условия могут быть однозначно заданы – детерминированный конечный автомат или включать «бросание жребия» – вероятностный автомат). Такие модели хорошо подходят для задач оперативного управления, например, выбора момента переключения светофора в зависимости от ситуации на перекрёстке или выбора модели, запускаемой на сборочный конвейер в зависимости от наличия комплектующих.

Модели графов, представляющие из себя множество вершин (узлов) и соединяющих некоторые из вершин линий (ребер, дуг). Эти модели позволяют описывать планирование строительства (сетевые графики) и задачи логистики (маршрутизации потоков), например, классическую «задачу коммивояжёра» – выбора наиболее короткого и неповторяющегося маршрута развозки товара.

Модели интеллектуальных систем, основанные на имитации рассуждений экспертов при решении сложных задач, – в компьютере формируется набор правил логического вывода, который опирается на знание эксперта в конкретной предметной области и позволяет перейти от описания исходной ситуации к заключению о наилучшем из нескольких возможных вариантов действия. Такой подход оказывается эффективным при решении задач планирования, требующих перебора огромного числа вариантов, очень быстро (по экспоненте) растущего с ростом размерности задачи (такие задачи называют экспоненциальными).

Модели эволюции используют генетические алгоритмы, которые имитируют действующие в живой природе механизмы случайной генерации наследуемых изменений с последующим естественным отбором. Такие модели перспективны для решения широкого класса задач прогнозирования развития и отбора лучших вариантов, что подтверждается впечатляющими результатами эволюции в природе.

Рассмотрим некоторые универсальные модели.

Базы данных

Базы данных представляют связанную совокупность структурированных данных, относящихся к определённому процессу или явлению, в конкретной предметной области.

Система управления базами данных представляет собой программный комплекс для создания, организации необходимой обработки, хранения и передачи баз данных.

Ядром любой БД является модель представления данных. Модель данных представляет множество структур данных и взаимосвязи между ними. Различают иерархическую, сетевую и реляционную модели данных.

Иерархическая модель представляет связи между объектами (данными) в виде дерева.

К основным понятиям иерархической модели относятся:

- узел – набор атрибутов данных, описывающих объект;

- связь – линия, связывающая узлы нижнего уровня с одним узлом вышележащего уровня. При этом узел вышележащего уровня называют предком для соответствующих ему узлов нижнего уровня, в свою очередь, узлы нижнего уровня называют потомками связанного с ними вышележащего узла (например, на рисунке 8.2 узел В1 – предок для узлов С1, С2, а узлы С1, С2 – потомки узла В1);

- уровень – номер слоя узлов, отсчитанный от корня.

Рис. 8.2. Иерархическая модель данных

Количество деревьев в БД определяется числом корневых записей. К каждому узлу существует единственный путь от корня.

Сетевая структура имеет те же составляющие, что и иерархическая, но каждый узел может быть связан с любым другим узлом (рис. 8.3). Сетевой подход к организации данных является расширением иерархического. В иерархических моделях запись потомок должна иметь только одного предка; в сетевых – потомок может иметь любое число предков.

Рис. 8.3. Сетевая модель данных

Обе эти модели не получили широкого распространения из-за сложности реализации графов в виде машинных структур данных, кроме того, в них сложно осуществить операции поиска информации.

Набольшее распространение получила третья модель данных – реляционная, она может также описывать иерархическую и сетевую модель. Реляционная модель ориентирована на организацию данных в виде двумерных таблиц и будет подробно рассмотрена во второй части данного пособия.

Искусственный интеллект

Идеи моделирования человеческого разума известны с древнейших времён. Впервые об этом упоминается в сочинении «Великое искусство» философа и теолога Раймунда Луллия (ок. 1235 – ок. 1315), который не только высказал идею логической машины для решения разнообразных задач, исходя из всеобщей классификации понятий (XIV в.), но и попытался её реализовать. Рене Декарт (1596–1650) и Готфрид Вильгельм Лейбниц (1646–1716) независимо друг от друга развивали учение о прирождённой способности ума к познанию и всеобщих и необходимых истин логики и математики, работали над созданием универсального языка классификации всех знаний. Именно на этих идеях базируются теоретические основы создания искусственного интеллекта.

Толчком к дальнейшему развитию модели человеческого мышления стало появление в 40-х гг. XX в. ЭВМ. В 1948 г. американский учёный Норберт Винер (1894–1964) сформулировал основные положения новой науки – кибернетики. В 1956 г. в Стенфордском университете (США) на семинаре под названием «Artificial intelligence» (искусственный интеллект), посвящённом решению логических задач, признано новое научное направление, связанное с машинным моделированием человеческих интеллектуальных функций и названное искусственный интеллект. Вскоре эта отрасль разделилась на два основных направления: нейрокибернетику и кибернетику «чёрного ящика».

Нейрокибернетика обратилась к структуре человеческого мозга как единственно мыслящему объекту и занялась его аппаратным моделированием. Физиологи давно выявили нейроны – связанные друг с другом нервные клетки как основу мозга. Нейрокибернетика занимается созданием элементов, аналогичных нейронам, и их объединением в функционирующие системы, эти системы называют нейросетями. В середине 80-х гг. XX в. в Японии был создан первый нейрокомпьютер, моделирующий структуру человеческого мозга. Его основная область применения – распознавание образов.

Кибернетика «чёрного ящика» использует другие принципы, структура модели не главное, важна её реакция на заданные входные данные, на выходе модель должна реагировать как человеческий мозг. Учёные этого направления занимаются разработкой алгоритмов решения интеллектуальных задач для имеющихся вычислительных систем. Наиболее значимые результаты:

- модель лабиринтного поиска (конец 50-х гг.), в которой рассматривается граф состояний объекта и в нём происходит поиск оптимального пути от входных данных к результирующим. На практике эта модель не нашла широкого применения;

- эвристическое программирование (начало 60-х гг.) разрабатывало стратегии действий на основе заранее известных заданных правил (эвристик). Эвристика – теоретически не обоснованное правило, позволяющее уменьшить количество переборов в поиске оптимального пути;

- методы математической логики. Метод резолюций, позволяющий на основе определённых аксиом автоматически доказывать теоремы. В 1973 г. создан язык логического программирования Пролог, позволяющий обрабатывать символьную информацию.

С середины 70-х гг. реализуется идея моделирования конкретных знаний специалистов-экспертов. В США появляются первые экспертные системы. Возникает новая технология искусственного интеллекта, основанная на представлении и использовании знаний. С середины 80-х гг. искусственный интеллект коммерциализируется. Растут капиталовложения в эту отрасль, появляются промышленные экспертные системы, повышается интерес к самообучающимся системам.

8.8 Вопросы и тестовые задания для самоконтроля

1. Дайте определение понятию «объект».

2. Что такое модель и в каких случаях требуется её создание?

3. Дайте определение моделированию.

4. Назовите основные цели моделирования.

5. На какие группы можно разбить способы моделирования?

6. К основным классам моделей (по способу отражения свойств объекта) относят:

1) предметные;

2) территориальные;

3) социальные;

4) медико-биологические.

7. В модели «чёрный ящик» система представляется как:

1) совокупность входных и выходных параметров объекта;

2) совокупность связей между входными параметрами и состоянием объекта;

3) наиболее абстрактное представление структуры объекта;

4) совокупность состояний объекта.

8. Модели конечных автоматов представляют собой:

1) перечень ограниченного числа состояний объекта и условия перехода из одного состояния в другое;

2) перечень ограниченного числа состояний объекта;

3) условия перехода из одного состояния в другое;

4) совокупность входных и выходных параметров объекта.

9. На ... уровне анализируется смысловое содержание информационного сообщения по отношению к источнику:

1) семантическом;

2) синтаксическом;

3) прагматическом;

4) энтропийном.

10. На ... уровне информационные сообщения рассматриваются только как данные, как последовательности символов без анализа смыслового содержания:

1) синтаксическом;

2) семантическом;

3) прагматическом;

4) энтропийном.

11. Для моделирования работы Internet используется ... структурная информационная модель:

1) сетевая;

2) иерархическая;

3) статическая;

4) табличная.

12. Отношением «объект-модель», полученным в результате предметного моделирования, является:

1) плоскость – уравнение;

2) стол – чертёж;

3) траектория полёта – ракета;

4) Земля – глобус.

13. В основе методов искусственного интеллекта лежит(-ат):

1) эвристические приёмы;

2) квантовая теория;

3) двоичная арифметика;

4) реляционная алгебра.

14. К моделированию НЕ целесообразно прибегать, когда:

1) не определены существенные свойства исследуемого объекта;

2) процесс происхождения события растянут во времени;

3) исследование самого объекта приводит к его разрушению;

4) создание объекта чрезвычайно дорого.

вернуться к содержанию

ОСНОВЫ АЛГОРИТМИЗАЦИИ

В данном разделе описываются основные этапы компьютерного решения задач, раскрываются понятия алгоритма и его исполнителя, описываются свойства алгоритма. Рассматриваются основные способы представления алгоритмов.Подробно описывается графический способ представления алгоритмов в виде блок-схем. Приводятся обозначение и функциональное назначение наиболее часто употребляемых символов в схемах данных и программ.Рассматривается метод структурной алгоритмизации и перечисляются основные алгоритмические конструкции. Раскрывается понятие структурнойблок-схемы. Приводится классификация алгоритмов в соответствии с наличием в алгоритмах управляющих структур композиции, альтернативы и итерации на линейные, разветвлённые и циклические алгоритмы. Рассматриваются способы комбинации основных алгоритмических структур. Раздел содержит большое количество примеров и тестовых заданий, поясняющих теоретический материал.

Раздел имеет большое значение для студентов данных направлений, так как понятие алгоритма, ветвящихся и циклических процессов необходимо для работы в системах автоматизированного проектирования (САПР). Так, например, САПР Грация позволяет записать с помощью условного оператора «если …, то …, иначе …» любые условные логические ситуации и перевести в автоматический режим выполнения. Например, в автоматическом режиме выполнять оформление в каждом размере одной или двух вытачек на заднем полотнище юбки в зависимости от величины суммарного раствора вытачек. Также САПР Грация позволяет организовать интеллектуальные циклические процессы проектирования. Например, если фактическая посадка по окату рукава больше заданной на определенную величину, система будет уменьшать ширину рукава и/или опускать верхнюю точку оката на небольшую величину до тех пор, пока не добьется нужного значения посадки. В результате выполнения циклического процесса будет достигнута необходимая величина посадки во всех размерах и ростах.