توسعه رابط های زبان طبیعی و ترجمه ماشینی. "مهندسی انفورماتیک و کامپیوتر"

موسسه کلومنا (شعبه)

موسسه آموزش عالی دولتی

آموزش حرفه ای

"دانشگاه باز دولتی مسکو"

گروه انفورماتیک و فناوری اطلاعات

"تایید شده"

آموزشی-روشی

شورای KI (f) MGOU

رئیس هیئت مدیره

استاد

صبح. لیپاتوف

"___" ____________ 2010

P.S. رومانوف

مبانی هوش مصنوعی

راهنمای مطالعه بر اساس جهت رشته

"انفورماتیک و مهندسی کامپیوتر»

برای دانشجویان بالاتر موسسات آموزشی

کلومنا - 2010

دارند

منتشر شده مطابق با تصمیم شورای آموزشی و روش شناسی موسسه کلمنا (شعبه) GOU VPO "MGOU" به تاریخ __________ 2010 شماره شهر ________

DK 519.6

P69 Romanov P.S.

اصول اولیه هوش مصنوعی... آموزش. - Kolomna: KI (f) MGOU، 2010 .-- 164 p.

این آموزش اصول اولیه هوش مصنوعی را پوشش می دهد. مفاهیم اساسی هوش مصنوعی ارائه شده است. مفاد تئوری مجموعه های فازی ارائه شده است. اصلی سیستم های هوشمند، هدف آنها، طبقه بندی، ویژگی ها، مشکلات خلقت، مثال ها.

این کتاب درسی برای دانشجویان مؤسسات آموزش عالی در حال تحصیل در گرایش "مهندسی انفورماتیک و کامپیوتر" در نظر گرفته شده است. می توان از آن در مطالعه سیستم های اطلاعاتی هوشمند توسط دانشجویان سایر تخصص ها استفاده کرد.

بازبین:دکترای علوم فنی، پروفسور V.G. نوویکوف

© Romanov P.S.

© KI (f) MGOU، 2010

مقدمه…………………………………………………………………………………………… 5

فصل 1. مفاهیم اساسی هوش مصنوعی ................................ 6

§ 1.1. اصطلاحات و تعاریف اساسی ................................ ...................... ..... 6

§ 1.2. تاریخچه توسعه سیستم های هوش مصنوعی .......................................... ....................12

§ 1.4. جهت های اصلی توسعه و کاربرد

سیستم های هوشمند ................................ ...................... ................ 25

فصل 2. مفاد تئوری مجموعه های فازی .......................................... ... 32

§ 2.1. مجموعه فازی. عملیات روی مجموعه های فازی ... ..32

§ 2.1.1. عملیات اساسی در مجموعه های فازی ..................... 35

§ 2.2. ساخت تابع عضویت .......................................... 38

§ 2.2.1. چند روش برای ساخت تابع عضویت ... 39

§ 2.3. اعداد فازی ..................................................... ................................ 44

§ 2.4. عملیات با اعداد فازی (L-R) -نوع ................................... 46

§ 2.5. متغیرهای فازی و زبانی .......................................... 47

§ 2.6. رابطه فازی ...................................................... ..............50

§ 2.7. منطق فازی ................................................ ................................ 51

§ 2.8. نتیجه گیری های مبهم ..................................................... ................................ 53

§ 2.9. اتوماسیون پردازش اطلاعات با استفاده از

سیستم های فازی ..................................................... ................................ 59

فصل 3. سیستم های هوشمند پایه .......................................... 64

§ 3.1. داده ها و دانش ..................................................... ................................ 64

§ 3.2. مدل های بازنمایی دانش ................................................ ......... 66

§ 3.3.1. قوانین تولید................................................ .............. 69

§ 3.3.2. قاب ها ...................................... ...................................... 72

§ 3.3.3. شبکه های معنایی ...................................... ...................... 74

§ 3.4. سیستم های خبره. حوزه های موضوعی ................................... 76

§ 3.5. هدف و دامنه سیستم های خبره ................. 77

§ 3.6. روش شناسی توسعه سیستم های خبره ................................ 81

§ 3.7. سیستم های خبره اصلی ..................................................... ......... 86

§ 3.8. مشکلات در توسعه سیستم های خبره و راه های آنها

فائق آمدن ................................................. ..................................... 90

§ 3.9. هدف، طبقه بندی ربات ها ............................................ 94

§ 3.10. نمونه هایی از ربات ها و سیستم های رباتیک .......................... 97

§ 3.10.1. ربات های خانگی (خانگی) ...................................... .... 97

§ 3.10.2. ربات های نجات و ربات های تحقیقاتی ................... 99

§ 3.10.3. ربات های صنعت و پزشکی .......................... 100

§ 3.10.4. روبات های نظامی و سیستم های رباتیک .................. 101

§ 3.10.5. مغز به عنوان یک دستگاه آنالوگ دیجیتال ................................ 104

§ 3.10.6. ربات ها - اسباب بازی ها ...................................... ................. 104

§ 3.11. مشکلات پیاده سازی فنی ربات ها ................................ 105

§ 3.12. ربات های صنعتی تطبیقی ​​...................................... 114

§ 3.12.1. انطباق و آموزش ..................................................... ............. 114

§ 3.12.2. طبقه بندی سیستم های کنترل تطبیقی

ربات های صنعتی ................................ ...................... ... 117

§ 3.12.3. نمونه هایی از سیستم های کنترل ربات تطبیقی ​​........... 123

§ 3.12.4. مشکلات ایجاد ربات های صنعتی ................... 128

§ 3.13. شبکه های عصبی و فناوری های کامپیوتری عصبی ................................ 132

§ 3.13.1. مشخصات کلی جهت ...................................... 132

§ 3.13.2. بسته های عصبی ................................................ ...................... 140

§ 3.14. شبکه های عصبی................................................ ............................ 147

§ 3.14.1. پرسپترون و توسعه آن ...................................... ..... 147

3.14.1.1. نورون ریاضی مک کالوخ پیتس ................ 147

3.14.1.2. پرسپترون روزنبلات و قانون هب ...................... 148

3.14.1.3. قاعده دلتا و تشخیص حروف ............................ 150

3.14.1.4. آدالین، مدالین و قانون دلتای تعمیم یافته .......... 152

§ 3.14.2. الگوریتم پرسپترون چند لایه و معکوس

انتشار خطا ...................................... ..... 155

§ 3.14.3. انواع توابع فعالسازی ............................................ 160

معرفی

علمی به نام «هوش مصنوعی» در مجموعه علوم رایانه گنجانده شده است و فناوری های ایجاد شده بر اساس آن متعلق به فناوری اطلاعات است. وظیفه این علم ارائه استدلال و اقدامات منطقی با استفاده از سیستم های محاسباتی و سایر وسایل مصنوعی است. هوش مصنوعی (AI) بیش از ربع قرن است که به عنوان یک حوزه علمی مستقل وجود داشته است. در طول این مدت، نگرش جامعه نسبت به متخصصان درگیر در چنین تحقیقاتی از شک و تردید به احترام تبدیل شده است. در کشورهای پیشرفته، کار در زمینه سیستم های هوشمند در تمام سطوح جامعه مورد حمایت قرار می گیرد. یک عقیده قوی وجود دارد که این مطالعات هستند که ماهیت جامعه اطلاعاتی را تعیین می کنند که در حال حاضر جایگزین تمدن صنعتی شده است که در قرن بیستم به بالاترین نقطه شکوفایی خود رسید. در طول سال‌های اخیر شکل‌گیری هوش مصنوعی به عنوان یک رشته علمی خاص، مدل‌های مفهومی آن شکل گرفته، روش‌ها و تکنیک‌های خاصی که فقط متعلق به آن است انباشته شده‌اند و پارادایم‌های اساسی ایجاد شده‌اند. هوش مصنوعی به یک علم کاملاً محترم تبدیل شده است که از فیزیک یا زیست شناسی ارجمند و ضروری نیست.

هوش مصنوعی یک علم تجربی است. ماهیت آزمایشی هوش مصنوعی در این واقعیت نهفته است که محقق با ایجاد مدل‌ها و بازنمایی‌های رایانه‌ای، رفتار آنها را با یکدیگر مقایسه می‌کند و با نمونه‌هایی از حل مشکلات مشابه توسط متخصص، آنها را بر اساس این مقایسه اصلاح می‌کند و سعی می‌کند به مطابقت بهتر نتایج برای اینکه برنامه‌ها را به شیوه‌ای «یکنواخت» برای بهبود نتایج اصلاح کنید، باید مدل‌ها و مدل‌های اولیه معقولی داشته باشید. آنها توسط مطالعات روانشناختی آگاهی، به ویژه، روانشناسی شناختی ارائه می شوند.

ویژگی مهم روش‌های هوش مصنوعی این است که فقط با مکانیسم‌های شایستگی سروکار دارد که ماهیت کلامی دارند (اجازه به نمایش نمادین می‌دهند). به هیچ وجه همه مکانیسم هایی که یک فرد برای حل مشکلات استفاده می کند به شرح زیر نیست.

این کتاب مبانی هوش مصنوعی را ارائه می دهد که امکان پیمایش در تعداد زیادی از انتشارات اختصاص داده شده به مشکلات هوش مصنوعی و کسب دانش لازم در این زمینه از علم را فراهم می کند.

توسعه هوش مصنوعی

تاریخچه هوش مصنوعینه چندان دور شروع شد در نیمه دوم قرن بیستم، این مفهوم فرموله شد هوش مصنوعی(هوش مصنوعی) و تعاریف متعددی از آن ارائه شده است. یکی از اولین تعاریف که با وجود گستردگی قابل توجه تفسیر، موضوعیت خود را از دست نداده است، ارائه هوش مصنوعی به این صورت است: «راهی برای وادار کردن ماشین محاسباتی مانند یک انسان فکر کند».

ارتباط فکری سیستم های محاسباتی به دلیل نیاز یک فرد به یافتن راه حل در واقعیت های دنیای مدرن مانند عدم دقت، ابهام، عدم قطعیت، اطلاعات مبهم و غیر منطقی است. نیاز به افزایش سرعت و کفایت این فرآیند، ایجاد سیستم‌های محاسباتی را تحریک می‌کند، از طریق تعامل با دنیای واقعی با استفاده از رباتیک، تجهیزات تولید، ابزار و سایر سخت‌افزارها، می‌تواند به اجرای آن کمک کند.

سیستم‌های محاسباتی مبتنی بر منطق کاملاً کلاسیک - یعنی الگوریتم‌هایی برای حل مسائل شناخته شده، مشکلات مواجهه، مواجهه با موقعیت‌های نامشخص. در مقابل آنها، موجودات زنده با وجود اینکه سرعت خود را از دست می دهند، می توانند در چنین شرایطی تصمیمات موفقیت آمیزی بگیرند.

نمونه ای از هوش مصنوعی

به عنوان مثال، سقوط بازار سهام در سال 1987، زمانی که برنامه های رایانه ای صدها میلیون دلار سهام فروختند تا چند صد دلار سود کنند، که در واقع پیش نیازهای سقوط را ایجاد کرد. این وضعیت پس از انتقال کنترل کامل بر معاملات مبادله ای به سیستم های هوشمند پروتوپلاسمی، یعنی به افراد، اصلاح شد.

با تعریف مفهوم هوش به عنوان یک مقوله علمی، باید آن را مناسب بودن سیستم برای یادگیری دانست. بنابراین، به نظر ما، یکی از دقیق ترین تعاریف هوش مصنوعی به عنوان توانایی سیستم های خودکار برای به دست آوردن، انطباق، اصلاح و دوباره پر کردن دانش به منظور یافتن راه حل هایی برای مشکلاتی که رسمی کردن آنها دشوار است، تفسیر می شود.

در این تعریف، واژه «دانش» با مفهوم اطلاعات تفاوت کیفی دارد. این تفاوت با بازنمایی این مفاهیم در فرم به خوبی منعکس می شود هرم اطلاعاتدر شکل 1.

شکل 1 - هرم اطلاعات

این بر اساس داده ها است، سطح بعدی توسط اطلاعات اشغال شده است، سطح دانش هرم را تکمیل می کند. با بالا رفتن از هرم اطلاعات، حجم داده ها به ارزش اطلاعات و سپس به ارزش دانش تبدیل می شوند. یعنی اطلاعات در لحظه تعامل بین داده های ذهنی و روش های عینی پردازش آنها به وجود می آید. دانش بر اساس شکل گیری روابط توزیع شده بین اطلاعات ناهمگون و در عین حال ایجاد یک سیستم رسمی شکل می گیرد - راهی برای انعکاس آنها در مفاهیم یا اظهارات دقیق.

این پشتیبانی از چنین سیستمی است - یک سیستم دانش، در چنین وضعیت به روز، که امکان ساخت برنامه های عملی برای یافتن راه حل برای وظایف محول شده به آنها را با در نظر گرفتن موقعیت های خاص ایجاد می کند. در یک مقطع زمانی خاص در محیط، وظیفه هوش مصنوعی است. بنابراین، هوش مصنوعی را می‌توان به عنوان یک الگوریتم بیش از حد جهانی که قادر به ایجاد الگوریتم‌هایی برای حل مسائل جدید است، تصور کرد.

Maslennikova O.E. , پوپووا I.V.

آموزش. Magnitogorsk: MAGU, 2008. 282 pp. در آموزش، مدل های بازنمایی دانش، نظریه سیستم های خبره، مبانی برنامه نویسی منطقی و عملکردی ارائه شده است. توجه زیادی به تاریخچه توسعه هوش مصنوعی می شود. ارائه مطالب با تعداد زیادی تصویر همراه است، تمرین ها و سوالاتی برای خودکنترلی ارائه شده است.
این کار بر روی دانش آموزان تمام وقت و پاره وقت ثبت نام شده در زمینه های "انفورماتیک"، "آموزش فیزیک و ریاضیات (نمایه - انفورماتیک)" مقدمه ای بر هوش مصنوعی متمرکز است.
تاریخچه توسعه هوش مصنوعی به عنوان یک جهت علمی.
جهات اصلی تحقیق در زمینه هوش مصنوعی.
جنبه های فلسفی مسئله هوش مصنوعی.
سوالاتی برای خودکنترلی
ادبیات.
مدل های بازنمایی دانش
دانش.
مدل منطقی بازنمایی دانش
شبکه های معنایی
قاب ها
مدل تولید.
مدل های دیگر بازنمایی دانش
تمرینات
سوالاتی برای خودکنترلی
ادبیات.
سیستم های خبره.
مفهوم یک سیستم خبره
انواع سیستم های خبره و انواع وظایفی که باید حل شوند.
ساختار و نحوه عملکرد سیستم خبره.
فناوری توسعه سیستم های خبره
ابزارهای سیستم خبره
سیستم های اطلاعاتی هوشمند
تمرینات
سوالاتی برای خودکنترلی
ادبیات.
Prolog به عنوان یک زبان برنامه نویسی منطقی.
مفهوم برنامه نویسی منطقی
بازنمایی دانش در مورد حوزه موضوعی در قالب حقایق و قوانین پایگاه دانش Prolog.
حس توصیفی، رویه ای و ماشینی یک برنامه Prolog.
تکنیک های اصلی برنامه نویسی در Prolog
محیط ویژوال پرولوگ
تمرینات
ادبیات.
مفهوم برنامه نویسی تابعی
تاریخچه برنامه نویسی تابعی.
ویژگی های زبان های برنامه نویسی تابعی
وظایف برنامه نویسی کاربردی
تمرینات
پاسخ برای خودآزمایی.
ادبیات.
ssary
پیوست 1.
ضمیمه 2.
پیوست 3.

فایل به آدرس ایمیل انتخاب شده ارسال خواهد شد. ممکن است 1 تا 5 دقیقه قبل از دریافت آن طول بکشد.

فایل به حساب Kindle شما ارسال می شود. ممکن است 1 تا 5 دقیقه قبل از دریافت آن طول بکشد.
لطفاً توجه داشته باشید که باید ایمیل ما را اضافه کنید [ایمیل محافظت شده] به آدرس های ایمیل تایید شده ادامه مطلب

می توانید یک نقد کتاب بنویسید و تجربیات خود را به اشتراک بگذارید. سایر خوانندگان همیشه به نظر شما در مورد کتاب هایی که خوانده اید علاقه مند می شوند. چه کتاب را دوست داشته باشید یا نه، اگر افکار صادقانه و دقیق خود را بیان کنید، مردم کتاب های جدیدی را پیدا می کنند که برای آنها مناسب است.

وزارت آموزش و پرورش و علوم فدراسیون روسیه GOU VPO "دانشگاه دولتی Magnitogorsk" O.E. ماسلنیکوا، I.V. Popova Fundamentals of Artificial Intelligence Textbook Magnitogorsk 2008 UDC 681.142.1.01 LBC Z97 M داوران: دکترای علوم فیزیکی و ریاضی، پروفسور S.I. Kadchenko دکترای علوم فنی، پروفسور A، S. سرواروف M Maslennikova O.E.، Popova I.V. مبانی هوش مصنوعی: کتاب درسی. دفترچه راهنما / O.E. ماسلنیکوا، I.V. پوپوف - Magnitogorsk: MAGU، 2008 .-- 282 p. ISBN 978-5.86781-609-4 این آموزش مدل های بازنمایی دانش، نظریه سیستم های خبره، مبانی برنامه نویسی منطقی و عملکردی را شرح می دهد. توجه زیادی به تاریخچه توسعه هوش مصنوعی می شود. ارائه مطالب با تعداد زیادی تصویر همراه است، تمرین ها و سوالاتی برای خودکنترلی ارائه شده است. تمرکز این کار بر روی دانشجویان تمام وقت و پاره وقت است که در زمینه های "انفورماتیک"، "آموزش فیزیک و ریاضی (نمایه - انفورماتیک)" تحصیل می کنند. UDC 681.142.1.01 BBK Z97 ISBN 978-5.86781-609-4  Maslennikova O.E., Popova I.V., 2008  Magnitogorsk State University, 2008 -2- CONTENTS I. I.V. ........ 5 1.1. تاریخچه توسعه هوش مصنوعی به عنوان یک جهت علمی ...................................... ................................................... ..... ........... 9 1.2. جهات اصلی تحقیق در زمینه هوش مصنوعی .......................................... ................................................... ............. 13 1.3. جنبه های فلسفی مسئله هوش مصنوعی ....... 16 سوال برای خودکنترلی ............................. ..... ...................................... 21 مراجع . ................................................... ................................................... .... 21 فصل 2. مدل های بازنمایی دانش ...................................... .. 22 2.1. دانش ................................................ ................................................ ...... 22 2.2. مدل منطقی بازنمایی دانش .......................................... 25 2.3. شبکه های معنایی ...................................... ................................ 58 2.4. قاب ها ................................................ ................................................ ...... 59 2.5. نمونه محصول ..................................... ................................ 62 2.6. سایر مدل های بازنمایی دانش ................................................ .... 64 تمرین ...................................... ................................................ ......... 78 سوال برای خودکنترلی ................................... .. ...................................... 83 مراجع ....... .................................................. .. ...................................... 84 فصل 3. سیستم های خبره ...................................... .. .......... 86 3.1. مفهوم سیستم خبره ...................................... .............. 86 3.2. انواع سیستم های خبره و انواع مشکلات حل شده ............................. 89 3.3. ساختار و حالت های عملیاتی سیستم خبره .............................. 99 3.4. فن آوری توسعه سیستم های خبره ................................... 102 3.5. ابزارهای سیستم خبره .......................... 113 3.6. سیستم های اطلاعاتی هوشمند ................................ 129 تمرین ............ ................................................ ..................................... 135 سوال برای خودکنترلی ..... .................................................. .. ................. 136 مراجع ............................. .................................................. .. ...................... 138 فصل 4. مقدمه به عنوان یک زبان برنامه نویسی منطقی ............... .................................................... .... ........... 139 4.1. مقدمه ای در مورد برنامه ریزی منطقی ............................ 139 4.2. ارائه دانش در مورد حوزه موضوعی نوع حقایق و قواعد مقدمه پایگاه دانش ................................. ................................................... ... 140 4.3 ... حس توصیفی، رویه ای و ماشینی برنامه در مقدمه ................................... ................................................... ............. 148 4.4. تکنیک های اساسی برنامه ریزی در مقدمه ............................. 151 4.5. محیط پرولوگ بصری ..................................... ................................. 154 تمرین ............... ................................................ ................................. 194 مراجع ........ ................................................ ................................... 197 -3- فصل 5. ارائه برنامه نویسی عملکردی ................................................ ............................ 199 5.1. تاریخچه برنامه نویسی تابعی ................................. 200 5.2. ویژگی های زبان های برنامه نویسی کاربردی ............... 203 5.3. وظایف برنامه نویسی تابعی ................................... 207 تمرین ........... ................................................ ...................................... 210 پاسخ برای خودآزمایی .... .................................................. .. ..................... 210 مراجع ......................... .................................................. .. .......................... 211 واژه نامه ................... .................................................. .. .............................. 213 ضمیمه 1 ................ .................................................. .. .......................... 221 ضمیمه 2 ................... .................................................. .. ....................... 252 ضمیمه 3 ...................... .................................................. .. ................. 265-4- پیشگفتار ب اخیراافزایش علاقه به هوش مصنوعی، ناشی از افزایش نیاز به سیستم‌های اطلاعاتی است. بشریت به طور پیوسته به سوی یک انقلاب اطلاعاتی جدید در حال حرکت است که از نظر مقیاس با توسعه اینترنت قابل مقایسه است. هوش مصنوعی جهتی از علوم رایانه است که هدف آن توسعه ابزارهای سخت افزاری و نرم افزاری است که به کاربر غیر برنامه نویس اجازه می دهد تا وظایف فکری خود را که به طور سنتی در نظر گرفته می شود را تنظیم و حل کند و با رایانه در زیر مجموعه محدودی از طبیعی ارتباط برقرار کند. زبان تاریخچه هوش مصنوعی به عنوان یک جهت علمی جدید از اواسط قرن بیستم آغاز می شود. در این زمان، پیش نیازهای بسیاری برای منشأ آن شکل گرفته بود: برای مدت طولانی در بین فیلسوفان اختلافاتی در مورد ماهیت انسان و روند شناخت جهان وجود داشت، فیزیولوژیست های عصبی و روانشناسان تعدادی نظریه در مورد کار انسان ایجاد کردند. مغز و تفکر، اقتصاددانان و ریاضیدانان سوالاتی را در مورد محاسبات بهینه و بازنمایی دانش در مورد جهان به شکل رسمی پرسیدند. سرانجام، پایه و اساس نظریه ریاضی محاسبات - نظریه الگوریتم ها - متولد شد و اولین رایانه ها ایجاد شد. هدف این راهنما ترسیم جهات و روش های اصلی مورد استفاده در هوش مصنوعی و همچنین تعیین امکان استفاده از آنها در فعالیت های آموزشی حرفه ای است. این آموزش در پنج فصل تقسیم شده است. اولین مقدمه ای کوتاه بر هوش مصنوعی ارائه می دهد: تاریخچه توسعه آن را به عنوان یک جهت علمی بررسی می کند، زمینه های اصلی هوش مصنوعی را برجسته می کند، جنبه های فلسفی مسئله را مانند امکان وجود، ایمنی و سودمندی مصنوعی در نظر می گیرد. هوش فصل دوم به تشریح مدل های کلاسیک بازنمایی دانش: منطقی، معنایی، چارچوب، تولید و شبکه عصبی اختصاص دارد. فصل سوم به مسائل نظری و عملی توسعه سیستم های خبره می پردازد. بسته بندی XpertRule را توصیف می کند. فصل چهارم به تشریح اصول اولیه برنامه نویسی در زبان پرولوگ، تشریح محیط ویژوال پرولوگ می پردازد. فصل پنجم مبانی برنامه نویسی تابعی را با مثال هایی در زبان LISP تشریح می کند. دفترچه راهنما شامل تعداد زیادی ازتصاویر، تمرین ها و سوالات برای خودکنترلی. برای سهولت مطالعه مطالب، واژه نامه ارائه شده است. -5- فصل 1. مقدمه ای بر هوش مصنوعی هوش مصنوعی (AI) جهت جدیدی از انفورماتیک است که موضوع مطالعه آن هر گونه فعالیت فکری انسانی است که از قوانین شناخته شده تبعیت می کند. به طور مجازی، این جهت "پسر ارشد علوم کامپیوتر" نامیده می شود، زیرا بسیاری از مشکلات حل نشده به تدریج در چارچوب هوش مصنوعی راه حل خود را پیدا می کنند. شناخته شده است که موضوع انفورماتیک پردازش اطلاعات است. حوزه هوش مصنوعی شامل موارد (وظایفی) از این پردازش است که با روش های الگوریتمی ساده و دقیق قابل انجام نیستند و تعداد آنها بسیار زیاد است. هوش مصنوعی بر دانش در مورد فرآیند تفکر انسان متکی است. در عین حال، دقیقاً مشخص نیست که مغز انسان چگونه کار می کند، با این حال، برای توسعه برنامه های کارآمد با عناصر هوش مصنوعی، دانش در مورد ویژگی های هوش انسانی که علم امروز دارد از قبل کافی است. در عین حال، هوش مصنوعی سعی نمی کند دقیقاً کار مغز انسان را کپی کند، بلکه سعی می کند عملکردهای آن را با استفاده از فناوری رایانه شبیه سازی کند. از زمان پیدایش، هوش مصنوعی به عنوان یک جهت بین رشته ای در تعامل با علوم کامپیوتر و سایبرنتیک، علوم شناختی، منطق و ریاضیات، زبان شناسی و روانشناسی، زیست شناسی و پزشکی در حال توسعه بوده است (شکل 1). انفورماتیک و سایبرنتیک. بسیاری از متخصصان از علوم کامپیوتر و سایبرنتیک به هوش مصنوعی آمدند. همچنین بسیاری از مشکلات ترکیبی که با روش های سنتی در علوم کامپیوتر قابل حل نیستند، به حوزه هوش مصنوعی مهاجرت کرده اند. علاوه بر این، نتایج به‌دست‌آمده در هوش مصنوعی در ایجاد نرم‌افزار وام گرفته شده و بخشی از علوم کامپیوتر (انفورماتیک) می‌شود. علوم شناختی. علوم شناختی، علوم معرفتی هستند. هوش مصنوعی نیز در مورد دانش است. اما علوم شناختی نه تنها از اطلاعات و رویکردهای عصب زیستی استفاده می کنند، بلکه جنبه های اجتماعی و روان زبانی استفاده از دانش را نیز در نظر می گیرند. منطق و ریاضیات. منطق زیربنای تمام فرمالیسم های شناخته شده برای نمایش دانش و همچنین زبان های برنامه نویسی مانند Lisp و Prolog است. برای حل مسائل هوش مصنوعی از روش های ریاضیات گسسته، نظریه بازی ها و تئوری عملیات استفاده می شود. به نوبه خود، AI می تواند برای اثبات قضایا، حل مسائل در مورد استفاده شود مناطق مختلفریاضیات: هندسه، حساب انتگرال. روانشناسی و زبانشناسی. اخیراً متخصصان هوش مصنوعی به جنبه های روانی رفتار انسان علاقه مند شده اند تا آن را مدل کنند. روانشناسی به ساختن مدل هایی از ارزیابی ارزش، تصمیم گیری ذهنی کمک می کند. روانشناسی ارتباطات -6- "انسان-رایانه"، روانشناسی زبان مورد توجه است. زبان شناسی محاسباتی بخشی از هوش مصنوعی است که بر اساس روش های ریاضی پردازش طبیعی و زبان های مصنوعیاز یک سو و از سوی دیگر در پدیدارشناسی زبان. زیست شناسی و پزشکی به شما امکان می دهد تا کار مغز، سیستم های بینایی، شنوایی و سایر حسگرهای طبیعی را بهتر مطالعه و درک کنید و انگیزه جدیدی به مدل سازی کار آنها بدهید. برنج. 1. تعامل هوش مصنوعی با سایر رشته ها هیچ تعریف واحدی از هوش مصنوعی وجود ندارد، همانطور که هیچ تعریف واحدی از هوش طبیعی وجود ندارد. در میان بسیاری از دیدگاه ها در این زمینه علمی، اکنون سه دیدگاه غالب است. 1. تحقیق در زمینه هوش مصنوعی یک تحقیق بنیادی است که در چارچوب آن مدل ها و روش هایی برای حل مسائل ایجاد می شود که به طور سنتی هوشمندانه تلقی می شدند و قبلاً قابل رسمی سازی و اتوماسیون نبودند. 2. هوش مصنوعی یک جهت جدید از انفورماتیک است که با ایده های جدید برای حل مسائل در رایانه همراه است، با توسعه یک فناوری برنامه نویسی اساساً متفاوت، با گذار به یک معماری رایانه ای که معماری کلاسیک را رد می کند، که به اولین دوره بازمی گردد. کامپیوترها 3. در نتیجه کار در زمینه هوش مصنوعی، سیستم های کاربردی زیادی متولد می شوند که مشکلاتی را حل می کنند که سیستم های ایجاد شده قبلی برای آنها مناسب نبودند. -7- برای نشان دادن رویکرد اول می توان از یک مثال با ماشین حساب استفاده کرد. در آغاز قرن محاسبات حسابیبا اعداد مبهم تعداد معدودی افراد مستعد بود و توانایی انجام چنین اعمال حسابی در ذهن به حق هدیه ای منحصر به فرد طبیعت تلقی می شد و یک شیء بود. تحقیق علمی... امروزه اختراع ماشین حساب این قابلیت را حتی در اختیار دانش‌آموزان کلاس سوم قرار داده است. در هوش مصنوعی هم همینطور است: توانایی های فکری یک فرد را افزایش می دهد و راه حل هایی را بر عهده می گیرد که قبلاً رسمی نشده بودند. برای نشان دادن رویکرد دوم، می‌توانیم تاریخچه تلاش برای ایجاد یک کامپیوتر نسل پنجم را در نظر بگیریم. در اواسط دهه 1980، ژاپن شروع یک پروژه بلندپروازانه برای ایجاد یک کامپیوتر نسل پنجم را اعلام کرد. این پروژه بر اساس ایده پیاده سازی سخت افزاری زبان PROLOGUE بود. با این حال، این پروژه با شکست مواجه شد، اگرچه تأثیر زیادی بر توسعه و گسترش زبان PROLOGUE به عنوان یک زبان برنامه نویسی داشت. دلیل شکست این نتیجه گیری عجولانه بود که یک زبان (البته نسبتاً جهانی) می تواند یک راه حل واحد برای همه مشکلات ارائه دهد. تمرین نشان داده است که تا کنون یک الگوی برنامه نویسی جهانی برای حل همه مشکلات ابداع نشده است و بعید است که ظاهر شود. این به دلیل این واقعیت است که هر کار بخشی از حوزه موضوعی است که نیاز به مطالعه دقیق و رویکرد خاصی دارد. تلاش ها برای ایجاد معماری های کامپیوتری جدید ادامه دارد و با محاسبات موازی و توزیع شده، کامپیوترهای عصبی، پردازنده های احتمالی و فازی همراه است. کار در زمینه ایجاد سیستم های خبره (ES) را می توان به سومین جهت عملگرایانه در هوش مصنوعی نسبت داد. سیستم‌های خبره، سیستم‌های نرم‌افزاری هستند که جایگزین متخصصان انسانی در حوزه‌های محدود فعالیت‌های فکری می‌شوند که نیاز به استفاده از دانش ویژه دارد. ایجاد یک ES در زمینه پزشکی (مانند MYCIN) امکان انتشار دانش را به دورافتاده ترین مناطق می دهد. بنابراین، در ترکیب با دسترسی از راه دور، هر پزشک روستایی می تواند از چنین سیستمی مشاوره دریافت کند که جایگزین ارتباط او با یک متخصص در یک موضوع محدود می شود. در روسیه، هوش مصنوعی تقریباً از زمان پیدایش حامیان خود را پیدا کرده است. با این حال، این رشته به یکباره به رسمیت شناخته نشد. هوش مصنوعی به عنوان زیرشاخه ای از سایبرنتیک مورد انتقاد قرار گرفته است که «شبه علم» در نظر گرفته می شود. نام تکان دهنده «هوش مصنوعی» نیز تا یک مقطع زمانی نقش منفی داشت. بنابراین، در هیئت رئیسه فرهنگستان علوم یک شوخی وجود داشت که "کسانی که طبیعی نیستند، به هوش مصنوعی مشغول هستند." با این حال، امروزه هوش مصنوعی یک جهت علمی رسمی در روسیه است، مجلات «سیستم‌های کنترل و ماشین‌ها» و «اخبار هوش مصنوعی» منتشر می‌شوند. کنفرانس های علمی و سمینارها انجمن روسیه هوش مصنوعی با حدود 200 عضو وجود دارد که رئیس آن D.A. Pospelov، دکترای علوم فنی و رئیس افتخاری آکادمی RAS G.S. Pospelov است. موسسه روسی برای هوش مصنوعی زیر نظر شورای رئیس فدراسیون روسیه برای انفورماتیک و علوم کامپیوتر وجود دارد. در چارچوب آکادمی علوم روسیه، یک شورای علمی در مورد مشکل "هوش مصنوعی" وجود دارد. با مشارکت این شورا، کتاب‌های زیادی با موضوعات هوش مصنوعی، ترجمه منتشر شده است. آثار شناخته شده D.A. Pospelov، Litvintseva و Kandrashina - در زمینه بازنمایی و پردازش دانش، E.V. پوپوف و خروشفسکی - در زمینه پردازش زبان طبیعی و سیستم های خبره، آورکین و ملیخوف در زمینه منطق فازی و مجموعه های فازی، استفانیوک - در زمینه سیستم های یادگیری، کوزنتسوف، فین و واگین - در زمینه منطق و دانش. نمایندگی. در روسیه، یک مکتب زبان شناسی کامپیوتری به طور سنتی قوی وجود دارد که از کار بر روی مدل "SmyslText" توسط Melchuk سرچشمه می گیرد. زبان شناسان معروف کامپیوتر عبارتند از: Apresyan، Gorodetsky، Paducheva، Narinyani، Leontyeva، Chaliapin، Zaliznyak Sr.، Kibrik Sr.، Baranov و بسیاری دیگر. دیگران 1.1. تاریخچه توسعه هوش مصنوعی به عنوان یک جهت علمی ایده ایجاد یک شباهت مصنوعی از ذهن انسان برای حل مسائل پیچیده و مدل سازی توانایی تفکر از زمان های قدیم در هوا وجود داشته است. در مصر باستان، یک مجسمه مکانیکی "احیا کننده" از خدای آمون ساخته شد. در ایلیاد هومر، خدای هفائستوس موجودات ماشین مانند را جعل کرد. در ادبیات، این ایده بارها مطرح شده است: از گالاتیا پیگمالیون تا پینوکیو پاپ کارلو. با این حال، جد هوش مصنوعی را فیلسوف، ریاضیدان و شاعر قرون وسطایی اسپانیایی R. Llull (حدود 1235-c. 1315) می دانند که در قرن XIV. سعی شد ماشینی برای حل مسائل مختلف بر اساس طبقه بندی کلی مفاهیم ایجاد کند. در قرن هجدهم. G. Leibniz (1646 - 1716) و R. Descartes (1596 - 1650) به طور مستقل این ایده را توسعه دادند و زبان های جهانی را برای طبقه بندی همه علوم پیشنهاد کردند. این ایده ها اساس تحولات نظری در زمینه هوش مصنوعی را تشکیل دادند (شکل 2). توسعه هوش مصنوعی به عنوان یک جهت علمی تنها پس از ایجاد رایانه ممکن شد. این اتفاق در دهه 40 رخ داد. قرن XX در همان زمان N. Wiener (1894 - 1964) آثار اساسی خود را در مورد علم جدید - سایبرنتیک ایجاد کرد. اصطلاح هوش مصنوعی در سال 1956 در سمیناری با همین نام در دانشگاه استنفورد (ایالات متحده آمریکا) مطرح شد. این سمینار به توسعه مشکلات منطقی و نه محاسباتی اختصاص داشت. به زودی پس از به رسمیت شناختن هوش مصنوعی به عنوان شاخه ای مستقل از علم، به دو حوزه اصلی تقسیم شد: نوروسیبرنتیک و سایبرنتیک جعبه سیاه. و تنها در زمان حاضر -9- تمایل به اتحاد دوباره این بخشها در یک کل واحد آشکار شده است. در اتحاد جماهیر شوروی در سال 1954 در دانشگاه دولتی مسکو تحت هدایت پروفسور A. A. Lyapunov (1911 - 1973) سمینار "Automata and Thinking" کار خود را آغاز کرد. در این سمینار فیزیولوژیست ها، زبان شناسان، روان شناسان، ریاضیدانان بزرگ شرکت داشتند. به طور کلی پذیرفته شده است که در این زمان بود که هوش مصنوعی در روسیه متولد شد. و همچنین در خارج از کشور، جهت‌های نوروسیبرنتیک و سایبرنتیک "جعبه سیاه" ظاهر شده است. در سال 1956 - 1963. جستجوهای فشرده برای مدل ها و الگوریتم های تفکر انسان و توسعه اولین برنامه ها وجود داشت. معلوم شد که هیچ یک از علوم موجود - فلسفه، روانشناسی، زبانشناسی - نمی توانند چنین الگوریتمی را ارائه دهند. سپس سایبرنتیک پیشنهاد ساخت مدل های خود را داد. رویکردهای مختلفی توسعه یافته و آزمایش شده است. اولین تحقیق هوش مصنوعی مربوط به ایجاد برنامه ای برای بازی شطرنج بود، زیرا اعتقاد بر این بود که توانایی بازی شطرنج نشان دهنده هوش بالا است. در سال 1954، نیوول دانشمند آمریکایی ایده ایجاد چنین برنامه ای را در سر داشت. شانون روشی را برای ایجاد چنین برنامه ای پیشنهاد کرد و تورینگ اصلاح کرد. شاو و سایمون آمریکایی با همکاری گروهی از روانشناسان هلندی از آمستردام به رهبری دی گروت چنین برنامه ای را ایجاد کردند. در طول راه، یک زبان ویژه IPL1 (1956) ایجاد شد که برای دستکاری اطلاعات به شکل نمادین طراحی شده بود، که پیشین زبان لیسپ بود (مک کارتی، 1960). با این حال، اولین برنامه هوش مصنوعی، برنامه منطق نظری بود که برای اثبات قضایا در حساب گزاره ای طراحی شد (9 اوت 1956). برنامه شطرنج در سال 1957 ایجاد شد (NSS - Newell, Shaw, Simon). ساختار آن و ساختار برنامه نظریه‌پرداز منطق، پایه‌ای را برای ایجاد برنامه GPS-General Problem Solving تشکیل داد. این برنامه با تجزیه و تحلیل تفاوت بین موقعیت ها و ساختن اهداف، در حل پازل هایی مانند برج هانوی یا محاسبه انتگرال های نامعین خوب عمل می کند. EPAM (برنامه درک و حفظ ابتدایی) - برنامه ابتداییبرای درک و به خاطر سپردن، توسط Feigenbaum تصور شده است. در سال 1957، مقاله‌ای از چامسکی، یکی از بنیان‌گذاران زبان‌شناسی محاسباتی، در مورد دستور زبان‌های دگرگونی منتشر شد. در اواخر دهه 50. مدل جستجوی هزارتوی متولد شد. این رویکرد مشکل را به صورت نموداری که فضای حالت را منعکس می‌کند ارائه می‌کند و در این نمودار، جستجوی مسیر بهینه از داده‌های ورودی به داده‌های حاصل انجام می‌شود. کارهای زیادی برای توسعه این مدل انجام شده است، اما در حل وظایف عملیاین ایده به طور گسترده منتشر نشد. 1 فضای حالت یک نمودار است که رئوس آن مربوط به موقعیت هایی است که در مسئله با آن مواجه می شوند ("موقعیت های مشکل") و حل مسئله به یافتن مسیری در این نمودار خلاصه می شود. - 10 - اوایل دهه 60. - عصر برنامه نویسی اکتشافی. اکتشافی قاعده ای است که از نظر تئوری غیر قابل توجیه است، اما به شما امکان می دهد تعداد جستجوها را در فضای جستجو کاهش دهید. برنامه نویسی اکتشافی توسعه یک استراتژی عمل مبتنی بر اکتشافی های شناخته شده و از پیش تعریف شده است. در دهه 60، اولین برنامه هایی ایجاد شد که با پرس و جوها به زبان طبیعی کار می کردند. برنامه بیسبال (گرین و همکاران، 1961) به سؤالات در مورد نتایج بازی های بیسبال گذشته پاسخ داد، برنامه STUDENT (بابرو، 1964) به حل مسائل جبری که به زبان انگلیسی فرموله شده بود دسترسی داشت. برنج. 2. نقاط عطف در توسعه هوش مصنوعی به عنوان یک جهت علمی امیدهای زیادی به کار در زمینه ترجمه ماشینی بسته شد که آغاز آن با نام بلسکایا زبان شناس روسی مرتبط است. با این حال، سال‌ها طول کشید تا محققان متوجه شوند که ترجمه خودکار یک مشکل مجزا نیست و برای موفقیت به گامی ضروری مانند درک نیاز دارد. از مهم ترین نتایج به دست آمده توسط دانشمندان داخلی در دهه 60، باید به الگوریتم "Bark" M. Bongard اشاره کرد که فعالیت مغز انسان را در تشخیص الگو شبیه سازی می کند. در سال 1963 - 1970 روش های منطق ریاضی شروع به اتصال به حل مسائل کردند. یک رویکرد جدید به منطق رسمی، مبتنی بر کشاندن استدلال به تناقض، در 1965 - 11 - ظاهر شد (J. Robinson). بر اساس روش تفکیک‌ها، که امکان اثبات خودکار قضایا را در حضور مجموعه‌ای از بدیهیات اولیه فراهم می‌کرد، زبان Prolog در سال 1973 ایجاد شد. در اتحاد جماهیر شوروی در سال 1954 - 1964. برنامه های جداگانه ایجاد می شود و جستجوی راه حل برای مشکلات منطقی بررسی می شود. در لنینگراد (LOMI - شعبه لنینگراد موسسه ریاضی Steklov)، برنامه ای در حال ایجاد است که به طور خودکار قضایا را اثبات می کند (ALPEV LOMI). این بر اساس نتیجه گیری معکوس اصلی S.Yu Maslov، مشابه روش قطعنامه های رابینسون است. در سال 1965-1980. در حال توسعه است علم جدید- مدیریت موقعیتی (منطبق با بازنمایی دانش در اصطلاحات غربی). موسس این مکتب علمی پروفسور د.ا. پوسپلوف مدل‌های ویژه‌ای برای نمایش موقعیت‌ها - بازنمایی دانش ایجاد شده‌اند. در خارج از کشور، تحقیقات در زمینه هوش مصنوعی با توسعه زبان های برنامه نویسی نسل جدید و ایجاد سیستم های برنامه نویسی پیچیده تر (Lisp، Prolog، Plannar، QA4، Macsyma، Reduce، Refal، ATNL، TMS) همراه است. نتایج به‌دست‌آمده در رباتیک، هنگام کنترل ربات‌ها، ثابت یا متحرک، که در فضای سه‌بعدی واقعی کار می‌کنند، شروع به استفاده می‌کنند. این مشکل ایجاد اندام های مصنوعی ادراک را مطرح می کند. تا سال 1968، محققان عمدتاً با "ریزفضاهای" جداگانه کار می کردند، آنها سیستم های مناسب برای کاربردهای خاص و محدود مانند بازی ها، هندسه اقلیدسی، حساب انتگرال، "دنیای مکعب ها"، پردازش عبارات ساده و کوتاه با واژگان کوچک ایجاد کردند. ... تقریباً همه این سیستم ها از یک رویکرد استفاده می کردند - ساده سازی ترکیبات بر اساس کاهش شمارش ضروری گزینه ها بر اساس عقل سلیم، با استفاده از توابع تخمین عددی و اکتشافی های مختلف. اوایل دهه 1970 شاهد یک جهش کوانتومی در تحقیقات در زمینه هوش مصنوعی بودیم. دو دلیل برای این وجود دارد.  اول همه محققان به تدریج دریافتند که همه برنامه های ایجاد شده قبلی فاقد مهمترین چیز - دانش عمیق در زمینه مربوطه است. تفاوت یک متخصص با یک فرد عادی در این است که کارشناس در این زمینه تجربه دارد، یعنی. دانش انباشته شده در طول سالها  دوما. یک مشکل خاص ایجاد می شود: چگونه می توان این دانش را به برنامه منتقل کرد، در صورتی که خالق فوری آن این دانش را نداشته باشد. پاسخ واضح است: خود برنامه باید آنها را از داده های دریافتی از متخصص استخراج کند. تحقیق در مورد حل مسئله و درک زبان طبیعی یک ویژگی مشترک دارد یک مشکل رایج- بازنمایی دانش تا سال 1970، 12 برنامه بر اساس این ایده ها ایجاد شد. اولین مورد از این برنامه DENDRAL است. این برای تولید فرمول های ساختاری ترکیبات شیمیایی بر اساس اطلاعات یک طیف سنج جرمی طراحی شده است. این برنامه در استنفورد با مشارکت برنده جایزه نوبل D. Lederberg توسعه داده شد. او در روند عملکرد خود تجربه کسب کرد. متخصص در آن هزاران حقایق ابتدایی را ارائه کرد که در قالب قوانین جداگانه ارائه شده است. سیستم مورد نظر یکی از اولین سیستم های خبره بوده و نتایج کار آن شگفت انگیز است. این سیستم در حال حاضر همراه با یک طیف سنج در اختیار مصرف کنندگان قرار می گیرد. در سال 1971، تری وینوگراد سیستم SHRDLU را توسعه داد که رباتی را شبیه سازی می کند که مکعب ها را دستکاری می کند. می توانید با ربات انگلیسی صحبت کنید. این سیستم نه تنها به نحو عبارات علاقه مند است، بلکه به لطف دانش معنایی و عملی "دنیای مکعب" خود، معنای آنها را نیز به درستی درک می کند. از اواسط دهه 1980، تجاری سازی هوش مصنوعی در خارج از کشور در حال انجام است. مخارج سرمایه سالانه در حال رشد است و سیستم های خبره صنعتی در حال ایجاد هستند. علاقه فزاینده ای به سیستم های خودآموز وجود دارد. در کشور ما، 1980-1990. تحقیقات فعال در زمینه بازنمایی دانش در حال انجام است، زبان های نمایندگی دانش، سیستم های خبره (بیش از 300) در حال توسعه هستند. زبان REFAL در دانشگاه دولتی مسکو ایجاد می شود. در سال 1988، AII - انجمن برای هوش مصنوعی ایجاد شد. بیش از 300 محقق در آن عضویت دارند. رئیس انجمن - د.ا. پوسپلوف بزرگترین مراکز - در مسکو، سنت پترزبورگ، Perslavl-Zalessky، نووسیبیرسک. 1.2. جهت گیری های اصلی تحقیق در زمینه هوش مصنوعی در حال حاضر، هوش مصنوعی یک حوزه علمی به سرعت در حال توسعه و بسیار گسترده است. سالانه بیش از 40 کنفرانس تنها در زمینه زبان شناسی محاسباتی در جهان برگزار می شود. تقریباً همه کشورهای اروپایی، و همچنین ایالات متحده آمریکا، کانادا، ژاپن، روسیه، آسیای جنوب شرقی، به طور منظم میزبان کنفرانس های ملی در زمینه هوش مصنوعی هستند. در روسیه، این رویداد هر دو سال یک بار تحت نظارت انجمن روسیه برای هوش مصنوعی (RAII) برگزار می شود. علاوه بر این، کنفرانس بین المللی مشترک هوش مصنوعی (IJCAI) هر دو سال یکبار برگزار می شود. بیش از 3 هزار نشریه نتایج علمی در این زمینه منتشر می کنند. هیچ طبقه‌بندی کامل و دقیقی برای همه حوزه‌های هوش مصنوعی وجود ندارد؛ تلاشی برای طبقه‌بندی وظایفی که هوش مصنوعی حل می‌کند در شکل نشان داده شده است. 3. طبق طبقه بندی د.ا. پوسپلوف در هوش مصنوعی، دو رویکرد غالب برای تحقیق در زمینه هوش مصنوعی وجود دارد: نوروبیونیک و اطلاعاتی (شکل 4 و 5). - 13 - مشکلات بازیهای ادراکات تخصصی رسمی عمومی (شطرنج، برو، پازل) مهندسی زبان طبیعی پردازش ریاضیات تجزیه و تحلیل علمی عقل سلیم استدلال هندسه تجزیه و تحلیل مالی برنامه کنترل ربات تأیید تشخیص پزشکی شکل. 3. وظایف هوش مصنوعی طرفداران اولین هدف خود را بازتولید مصنوعی فرآیندهایی که در مغز انسان اتفاق می افتد تعیین می کنند. این منطقه در تقاطع پزشکی، زیست شناسی و سایبرنتیک قرار دارد. در همان زمان، آنها مغز انسان را مطالعه می کنند، راه های کار آن را شناسایی می کنند، ابزارهای فنی برای تکرار ساختارهای بیولوژیکی و فرآیندهای رخ داده در آنها ایجاد می کنند. حوزه هوش مصنوعی را می توان تقریباً به پنج بخش بزرگ تقسیم کرد: - ساختارهای عصبی مانند. - برنامه هایی برای حل مشکلات فکری؛ - سیستم های مبتنی بر دانش؛ - برنامه نویسی فکری - سیستم های هوشمند هر یک از بخش ها را می توان به صورت زیر نشان داد (شکل 4-9 را ببینید). - 14 - شکل. 4. ساختارهای عصبی شکل. 5. برنامه های حل مسائل فکری شکل. 6. سیستم های مبتنی بر دانش - 15 - شکل. 7. برنامه نویسی هوشمند شکل. 8. سیستم های هوشمند 1.3. جنبه های فلسفی مسئله هوش مصنوعی اصلی ترین مشکل فلسفی در زمینه هوش مصنوعی به جستجوی پاسخی برای این سوال مربوط می شود: آیا می توان تفکر انسان را الگوبرداری کرد یا خیر؟ در صورتی که پاسخ منفی به این سوال داده شود، دیگر سوالات در زمینه هوش مصنوعی کوچکترین منطقی نخواهد بود. بنابراین هنگام شروع مطالعه هوش مصنوعی، از قبل پاسخ مثبت فرض می شود. شواهدی از امکان الگوسازی تفکر انسان. 1. اسکولاستیک: سازگاری هوش مصنوعی و کتاب مقدس. ظاهراً حتی کسانی که از دین دور هستند، این کلمات کتاب مقدس را می دانند: "و خداوند انسان را به صورت و شباهت خود آفرید...". بر اساس این سخنان می توان نتیجه گرفت که چون خداوند اولاً مردم را آفریده است و ثانیاً آنها ذاتاً شبیه به او هستند، پس مردم کاملاً قادرند شخصی را به صورت و شبیه انسان بیافرینند. 2. بیولوژیکی. ایجاد یک ذهن جدید با ابزارهای بیولوژیکی برای یک فرد کاملاً معمول است. با مشاهده کودکان، می بینیم که - 16 - آنها بیشتر دانش را از طریق یادگیری به دست می آورند، نه آنطور که از قبل در آنها مقرر شده است. این بیانیه در سطح مدرن ثابت نشده است، اما با توجه به نشانه های خارجی، همه چیز دقیقا شبیه به این است. 3. تجربی. چیزی که قبلاً اوج خلاقیت انسان به نظر می رسید - بازی شطرنج، چکرز، تشخیص تصاویر بصری و صوتی، ترکیب جدید راه حل های فنی، در عمل معلوم شد که اینطور نیست وظیفه چالش برانگیز... اکنون کار نه در سطح امکان یا عدم امکان اجرای موارد فوق، بلکه در یافتن بهینه ترین الگوریتم انجام می شود - اغلب از این مشکلات حتی به عنوان مشکلات هوش مصنوعی نیز یاد نمی شود. امید است شبیه سازی کامل تفکر انسان نیز امکان پذیر باشد. 4. امکان بازتولید خود. توانایی تولید مثل خود از دیرباز حق موجودات زنده در نظر گرفته شده است. با این حال، برخی از پدیده هایی که در طبیعت بی جان رخ می دهند (به عنوان مثال، رشد کریستال، سنتز مولکول های پیچیده با کپی کردن) بسیار شبیه به خود تولید مثل هستند. در اوایل دهه 1950، J. von Neumann مطالعه کاملی را در مورد بازتولید خود آغاز کرد و پایه های نظریه ریاضی "اتوماتای ​​خودبازتولید" را بنا نهاد. او همچنین امکان ایجاد آنها را به صورت نظری اثبات کرد. همچنین شواهد غیررسمی مختلفی در مورد امکان خود تکراری وجود دارد، اما برای برنامه نویسان، قابل توجه ترین دلیل شاید وجود ویروس های کامپیوتری باشد. 5. الگوریتمی. امکان اساسی خودکار کردن حل مشکلات فکری با استفاده از رایانه توسط ویژگی جهانی بودن الگوریتمی فراهم می شود. این ویژگی یک کامپیوتر به این معنی است که امکان پیاده‌سازی برنامه‌ای (یعنی نمایش در قالب یک برنامه کامپیوتری) هر الگوریتمی برای تبدیل اطلاعات روی آنها وجود دارد. علاوه بر این، فرآیندهای تولید شده توسط این الگوریتم ها به طور بالقوه امکان پذیر هستند، یعنی در نتیجه تعداد محدودی از عملیات ابتدایی امکان پذیر هستند. امکان سنجی الگوریتم ها به ابزارهای موجود بستگی دارد که ممکن است با پیشرفت تکنولوژی تغییر کند. بنابراین، در ارتباط با ظهور رایانه‌های پرسرعت، چنین الگوریتم‌هایی عملاً امکان‌پذیر شده‌اند، که قبلاً فقط به طور بالقوه امکان‌پذیر بودند. علاوه بر این، محتوای این ویژگی دارای ویژگی پیش بینی است: هر گاه در آینده هر نسخه ای توسط الگوریتم تشخیص داده شود، مهم نیست که در ابتدا به چه شکل و با چه وسیله ای بیان شود، می توان آن را نیز به شکل تنظیم کرد. یک برنامه ماشینی با این حال، نباید چنین فکر کرد ماشین های محاسباتیو ربات ها در اصل می توانند هر مشکلی را حل کنند. تجزیه و تحلیل انواع مسائل، ریاضیدانان را به کشف قابل توجهی سوق داد. وجود چنین نوع مسائلی به شدت ثابت شد که برای آنها یک الگوریتم کارآمد یکپارچه که همه مسائل را حل کند غیرممکن است. از این نوع; از این نظر، حل مسائل از این نوع با کمک کامپیوتر غیرممکن است. این واقعیت به درک بهتری از آنچه ماشین ها می توانند و نمی توانند انجام دهند کمک می کند. در واقع، بیانیه در مورد غیرقابل تصمیم گیری الگوریتمی یک دسته معین از مسائل، صرفاً اعتراف به ناشناخته بودن چنین الگوریتمی نیست و هنوز توسط کسی پیدا نشده است. چنین گفته ای در عین حال پیش بینی همه زمان های آینده است که این نوع الگوریتم برای ما شناخته شده نیست و توسط کسی نشان داده نخواهد شد یا به عبارت دیگر وجود ندارد. هوش مصنوعی را می‌توان در شماری از ابزارها (فکری و غیرفکری) دانست که توسط بشر در مسیر توسعه تاریخی خود ساخته و به آن تسلط یافت. این موارد عبارتند از:  ابزار دستی;  ماشین ابزار و ماشین آلات؛  زبان و گفتار؛  دستگاه های محاسبه  امکانات VT و مخابرات. فیلسوفان استدلال می کنند که ساخت ابزار (به معنای وسیع کلمه) بیش از همه است گونه های مهمفعالیتی که اجداد ما را از سایر پستانداران متمایز می کند. انسان در بین حیوانات به دلیل توانایی در تولید دانش و ابزار متمایز است. هیچ اختراع تکنولوژیکی یا اجتماعی-سیاسی دیگری باعث ایجاد چنین شکاف عظیمی در توسعه گونه‌های homo sapience از دیگر گونه‌های طبیعت زنده نشده است. توسعه فناوری رایانه را می توان به طور کلی به دو حوزه تقسیم کرد: پردازش دیجیتال و پردازش نمادین. جهت اول اطلاعات را برای ذخیره سازی، پردازش و انتقال بسیار راحت تر از همه پیشرفت های قبلی در فناوری کاغذ کرده است. کامپیوتر از همه ابزارهای محاسباتی گذشته (چرتکه، چرتکه، ماشین اضافه کردن) در سرعت، تنوع عملکرد، سهولت استفاده پیشی گرفته است. پردازش اطلاعات دیجیتال با گسترش مداوم دامنه اتوماسیون در زمینه کار ذهنی یکنواخت، دامنه ماشین چاپ و انقلاب صنعتی را به مرزهای جدیدی گسترش داده است. شاخه دوم فناوری رایانه، پردازش نشانه (اصطلاح نیول و سایمون) یا هوش مصنوعی، به رایانه این امکان را می دهد که فرآیندهای ادراک حسی و جهت گیری، استدلال و حل مسئله، پردازش زبان طبیعی و سایر توانایی های انسان را تقلید کند. به عبارت دیگر، هوش مصنوعی نوع جدیدی از جعبه ابزار، جایگزینی برای ابزارهای موجود است. این واقعیت فیلسوفان هوش مصنوعی را وادار کرده است که از این سوال دور شوند که "آیا می توان یک ماشین هوشمند ایجاد کرد؟" به مشکل تأثیر ابزارهای فکری بر جامعه. از جمله تأثیر اجتماعی احتمالی توسعه هوش مصنوعی، یعنی: - 18 - افزایش سطح هوش کل جامعه، که اکتشافات، اختراعات و درک جدیدی از خود بشریت به ارمغان خواهد آورد.  تغییر وضعیت زمانی که اکثریت مردم وسیله و ابزار تولید هستند. سوال فلسفی بعدی هوش مصنوعی هدف خلقت است. اصولاً هر کاری که در زندگی عملی انجام می دهیم معمولاً با هدف انجام هیچ چیز دیگری انجام نمی شود. با این حال، به اندازه کافی سطح بالا زندگی (مقدار زیادی از انرژی بالقوه) یک فرد در نقش های اول دیگر تنبلی (به معنای تمایل به صرفه جویی در انرژی) نیست، بلکه غرایز جستجو است. بیایید بگوییم که یک شخص توانسته است عقلی بیافریند که از عقل خود (اگر نه از نظر کیفیت، پس از نظر کمیت) فراتر از عقل باشد. اکنون چه بر سر بشریت خواهد آمد؟ شخص چه نقشی خواهد داشت؟ الان برای چیه؟ و به طور کلی آیا اصولاً ایجاد هوش مصنوعی ضروری است؟ شاید قابل قبول ترین پاسخ به این سؤالات مفهوم "افزایش دهنده هوش" (AI) باشد. به گفته S.L. Sotnik، قیاس با رئیس جمهور ایالت در اینجا مناسب است - او برای تصمیم گیری در مورد توسعه صنعت وانادیوم موظف به دانستن ظرفیت وانادیوم یا زبان برنامه نویسی جاوا نیست. هر کس کار خود را انجام می دهد - یک شیمیدان یک فرآیند تکنولوژیکی را توصیف می کند، یک برنامه نویس یک برنامه می نویسد. این اقتصاددان به رئیس جمهور می گوید که با سرمایه گذاری در جاسوسی صنعتی، کشور 20 درصد و در صنعت وانادیوم 30 درصد در سال دریافت می کند. فکر می‌کنم با چنین فرمول‌بندی سوال، هر کسی می‌تواند انتخاب درستی داشته باشد. در این مثال، رئیس جمهور از هوش مصنوعی بیولوژیکی استفاده می کند - گروهی از متخصصان با مغزهای پروتئینی خود. اما حتی در حال حاضر، از رابط های کاربری غیر زنده نیز استفاده می شود - به عنوان مثال، رایانه ها، دستگاه های محاسبه کننده روی برد. علاوه بر این، شخص مدت‌هاست که از تقویت‌کننده‌های قدرت (US) استفاده می‌کند - مفهومی که تا حد زیادی مشابه هوش مصنوعی است. ماشین‌ها، جرثقیل‌ها، موتورهای الکتریکی، پرس‌ها، توپ‌ها، هواپیماها و خیلی چیزهای دیگر به عنوان تقویت‌کننده‌های قدرت عمل می‌کنند. تفاوت اصلی بین UI و CS وجود اراده است: اولی می تواند "امیال" خود را داشته باشد و متفاوت از آنچه از او انتظار می رود عمل کند. بنابراین، مشکل امنیت سیستم های هوش مصنوعی به وجود می آید. چگونه می توانیم از پیامدهای منفی که هر دستاورد جدید انقلاب علمی و فناوری را همراهی می کند، اجتناب کنیم؟ این مشکل از زمان کارل چاپک که برای اولین بار از اصطلاح "ربات" استفاده کرد، ذهن بشر را به خود مشغول کرده است. سایر نویسندگان داستان های علمی تخیلی نیز به بحث آن کمک زیادی کردند. معروف ترین - مجموعه ای از داستان های نویسنده علمی تخیلی و دانشمند اسحاق آسیموف، که می تواند پیچیده ترین و پذیرفته شده ترین راه حل را برای مشکل امنیتی بیشتر مردم پیدا کند. ما در مورد سه قانون رباتیک صحبت می کنیم. 1. یک ربات نمی تواند به شخصی آسیب برساند یا با عدم عمل خود اجازه آسیب رساندن به شخص را بدهد.  - 19 - 2. ربات باید دستوراتی را که انسان به او داده است اطاعت کند، مگر اینکه این دستورات برخلاف قانون اول باشد. 3. ربات باید مراقب ایمنی خود باشد تا جایی که با قانون اول و دوم مغایرت نداشته باشد. متعاقباً، عظیموف "قانون صفر" را به این لیست اضافه می کند: "روبات نمی تواند به بشریت آسیب برساند یا با انفعال خود اجازه دهد آسیبی به بشریت وارد شود." در نگاه اول، چنین قوانینی با رعایت کامل آنها باید امنیت بشر را تضمین کند. با این حال، با بررسی دقیق تر، برخی از سوالات مطرح می شود. ابتدا قوانین در مورد زبان انسان، که اجازه ترجمه ساده آنها را به شکل الگوریتمی نمی دهد. فرض کنید این مشکل حل شده است. حال، سیستم هوش مصنوعی از "ضرر" به چه معناست؟ آیا او تصمیم نخواهد گرفت که وجود انسان ضرر محض است؟ از این گذشته ، او سیگار می کشد ، می نوشد ، در طول سالها پیر می شود و سلامتی خود را از دست می دهد ، رنج می برد. آیا خاتمه دادن سریع به این زنجیره رنج، شری کوچکتر نیست؟ البته می توانید اضافات مربوط به ارزش زندگی، آزادی بیان را معرفی کنید. اما اینها دیگر آن سه قانون ساده ای نخواهند بود که در اصل بودند. بعدی: سیستم هوش مصنوعی در شرایطی که نجات یک زندگی تنها به قیمت هزینه زندگی دیگر امکان پذیر است، چه تصمیمی خواهد گرفت؟ به خصوص جالب است مواردی که سیستم ندارد اطلاعات کاملدر مورد کیست کیست با این حال، علیرغم مشکلات ذکر شده، این قوانین مبنای غیررسمی بسیار خوبی برای بررسی قابلیت اطمینان سیستم امنیتی برای سیستم‌های هوش مصنوعی هستند. پس آیا واقعاً هیچ سیستم امنیتی قابل اعتمادی وجود ندارد؟ بر اساس مفهوم MI می توان گزینه زیر را پیشنهاد داد. طبق آزمایش‌های متعدد، علی‌رغم فقدان داده‌های قابل اعتماد در مورد آنچه که هر یک از نورون‌های مغز انسان مسئول هستند، بسیاری از احساسات معمولاً با برانگیختگی گروهی از نورون‌ها (گروه عصبی) در یک منطقه کاملاً قابل پیش‌بینی مطابقت دارند. آزمایشات معکوس نیز انجام شد، که در آن تحریک یک منطقه خاص نتیجه مطلوب را ایجاد کرد. اینها می تواند احساسات شادی، سرکوب، ترس، پرخاشگری باشد. بنابراین، به نظر می رسد می توان میزان رضایت مغز میزبان انسان را به عنوان یک عملکرد هدف در نظر گرفت. اگر اقداماتی را برای حذف فعالیت های خود ویرانگر در حالت افسردگی انجام دهید و همچنین برای دیگران فراهم کنید شرایط خاصروان، شما موارد زیر را دریافت می کنید. از آنجایی که فرض بر این است که یک فرد عادی به خود و بدون دلیل خاصی به دیگران آسیب نمی رساند و IA اکنون بخشی از یک فرد معین است (نه لزوماً یک جامعه فیزیکی)، پس هر سه قانون رباتیک به طور خودکار برآورده می شوند. در همان زمان، مسائل امنیتی به حوزه روانشناسی و اجرای قانون منتقل می شود، زیرا - 20 - سیستم (آموزش دیده) کاری را انجام نخواهد داد که صاحب آن نخواهد. سوالات خود بررسی 1. هوش مصنوعی چیست؟ 2. هوش مصنوعی با چه زمینه های علمی تعامل دارد؟ 3. رویکردهای درک موضوع هوش مصنوعی به عنوان یک رشته علمی را شرح دهید. 4. وضعیت فعلی هوش مصنوعی در روسیه را شرح دهید. 5. مرحله "پیش کامپیوتری" توسعه هوش مصنوعی را شرح دهید. 6. توسعه هوش مصنوعی را در دهه 40 شرح دهید. قرن XX 7. توسعه هوش مصنوعی در دهه 50 را شرح دهید. قرن XX 8. توسعه هوش مصنوعی در دهه 60 را شرح دهید. قرن XX 9. توسعه هوش مصنوعی در دهه 70 را شرح دهید. قرن XX 10. توسعه هوش مصنوعی در دهه 80 را شرح دهید. قرن XX 11. وظایف اصلی هوش مصنوعی را شرح دهید. 12. چه بخش هایی در زمینه هوش مصنوعی متمایز می شوند؟ 13. شواهدی از امکان الگوبرداری از تفکر انسان بیاورید. 14. مبنای گذار به مسئله نفوذ ابزارهای فکری بر جامعه چیست؟ 15. مشکل امنیت سیستم های هوش مصنوعی چیست و چگونه می توان آن را حل کرد؟ ادبیات 1. Luger, J., F. Artificial Intelligence: استراتژی ها و روش هایی برای حل مسائل پیچیده: trans. از انگلیسی / جورج اف. لوگر. - M.: انتشارات خانه "ویلیامز"، 2003. - 864 ص. 2. مبانی هوش مصنوعی / B.V. کوستروف، V.N. روچکین، V.A. فولین. - M .: "DESS"، "Techbook"، 2007. - 192 p. 3. سایت انجمن روسیه برای هوش مصنوعی. - حالت دسترسی: http://www.raai.org/ 4. Sotnik, S.L. مبانی طراحی سیستم های هوش مصنوعی: سخنرانی. - حالت دسترسی: http://newasp.omskreg.ru/intellect/f25.htm 5. راسل، اس. هوش مصنوعی: رویکردی مدرن / استوارت راسل، پیتر نورویگ. - م.: انتشارات"ویلیامز"، 2006. - 1408 ص. - 21 - فصل 2. مدل های بازنمایی دانش 2.1. دانش چه نوع دانشی برای ارائه رفتار «هوشمندانه» مورد نیاز است؟ "راز" پدیدارشناسی مدل دانش در دنیای اطراف ما نهفته است. V مورد کلی مدل بازنمایی دانش باید توصیف متفاوتی از اشیا و پدیده هایی ارائه دهد که حوزه موضوعی را که یک عامل هوشمند باید در آن کار کند، تشکیل می دهد. حوزه موضوعی بخشی از واقعیت است که با حل یک مشکل مرتبط است. عامل هوشمند - یک سیستم (فرد، برنامه) با توانایی های فکری. دانش الگوهای شناسایی شده حوزه موضوعی (اصول، ارتباطات، قوانین) است. دانش ساختار پیچیده تری نسبت به داده ها (فراداده) دارد. در این مورد، دانش هم به صورت بسط داده می شود (یعنی از طریق مجموعه ای از حقایق خاص مربوط به یک مفهوم معین و مربوط به حوزه موضوعی)، و هم به صورت هدفمند (یعنی از طریق ویژگی های مربوط به یک مفهوم معین، و نموداری از ارتباطات بین ویژگی های). انواع اشیاء دانش. معمولاً شخص دانش را بر حسب حقایق در مورد اشیاء اطراف خود ارائه می کند. به همین دلیل، باید راه هایی برای نمایش اشیا، کلاس ها (دسته ها، انواع) اشیاء، توصیف ویژگی ها و تعامل اشیاء وجود داشته باشد. یکی از راه های طبقه بندی اشیا از طریق سلسله مراتب کلاس است. علاوه بر این، لازم است بین اشیاء انتزاعی که برای تعیین گروه ها (مجموعه ها، طبقات) افراد استفاده می شود، تمایز قائل شد. مثال "پرندگان بال دارند" "کبوترها پرنده هستند" "برف سفید است" "این کتاب جدید است" - یک شی فردی موقعیت ها - انواع تعاملات بین اشیاء. مثال "دیروز باران بارید" "قطار 10 دقیقه تاخیر داشت" نمونه ای از طبقه بندی موقعیت های پیشنهادی توسط پادوچوا در شکل نشان داده شده است. 9. علاوه بر این، برای اینکه بتوان موقعیت ها را به تنهایی توصیف کرد، مدل بازنمایی باید امکان توصیف مکان رویدادها در محور زمان و همچنین رابطه علّی آنها را فراهم کند. موقعیت ها حالت های ایستا ویژگی ها و روابط ثابت فرآیندهای پویا حوادث پایدار نتایج موقت رویدادها شکل. 9. نمونه ای از طبقه بندی موقعیت ها پیشنهاد شده توسط پادوچوا در ارائه سلسله مراتب اشیاء و روابط، مشکل اصلی انتخاب پایه است، یعنی. خصوصیاتی (صفتی) که با آن تقسیم صورت می گیرد. معمولاً، حتی اگر شخص به راحتی بتواند بین انواع مختلف اشیا و موقعیت‌های زندگی تمایز قائل شود، تلاش برای طبقه‌بندی کلامی مشکل بزرگی است. رویه ها رفتار (مثلاً دوچرخه سواری) مستلزم دانشی است که فراتر از دانش اظهاری اشیاء و روابط بین آنهاست. این دانش در مورد چگونگی انجام این یا آن عمل است که دانش رویه ای یا تجربه (مهارت) نامیده می شود. مشابه دوچرخه سواری، بیشتر رفتارهای آگاهانه (مانند ارتباط، درک، یا اثبات قضیه) شامل دانش رویه ای است، و اغلب دشوار است که به وضوح بین دانش یک رویه و دانش یک شی تمایز قائل شویم. مثال اصطلاح "پاداگوژی" - وضعیت فقدان دانش رویه ای را در شخصی توصیف می کند که تظاهر می کند متخصص متا دانش است - دانش در مورد دانش: در مورد حجم و منشاء دانش در مورد یک شی خاص، در مورد قابلیت اطمینان اطلاعات خاص. ، یا در مورد اهمیت نسبی برخی حقایق. فرادانش همچنین شامل - 23 - چیزهایی است که مردم در مورد توانایی خود به عنوان یک پردازشگر دانش می دانند: قدرت، ضعف، سطح تجربه در زمینه های مختلف، و احساس پیشرفت در حل مشکلات. طبقه بندی دانش بر اساس عمق:  دانش سطحی (مجموعه ای از تداعی های تجربی و روابط علت و معلولی بین مفاهیم حوزه موضوعی).  دانش عمیق (انتزاعات، تصاویر، تشبیهات، که منعکس کننده درک ساختار حوزه موضوعی و رابطه مفاهیم فردی است). از طریق وجود:  حقایق (معروف احوال).  اکتشافی (دانش از تجربه متخصص). از نظر سختی:  دانش سفت و سخت (به شما امکان می دهد برای شرایط اولیه داده شده، توصیه های واضح و روشنی دریافت کنید).  دانش نرم (اجازه می دهد تصمیمات متعدد و مبهم و گزینه های مختلف توصیه ها). بر اساس اشکال ارائه:  دانش اعلامی (حقایق در قالب مجموعه ای از داده های ساخت یافته).  دانش رویه ای (الگوریتم ها در قالب رویه های پردازش واقعیت). با روش اکتساب:  دانش علمی (به دست آمده در دوره آموزش سیستماتیک و / یا مطالعه).  دانش روزمره، روزمره (کسب شده در مسیر زندگی). برای قرار دادن یک پایگاه دانش به منظور استفاده از آن برای حل مسائل کاربردی، لازم است به طور رسمی آن را با استفاده از مدل های ریاضی توصیف کرد. همانطور که قبلا ذکر شد، بازنمایی دانش با استفاده از مدل‌های اعلامی و رویه‌ای امکان‌پذیر است. مدل‌های اعلامی معمولی معمولاً شامل مدل‌های شبکه و چارچوب هستند. به رویه ای - منطقی و تولیدی. از دیدگاه رویکرد بازنمایی دانش در رایانه، مدل‌های بازنمایی دانش را می‌توان به صورت زیر طبقه‌بندی کرد: بر اساس رویکرد اکتشافی: «ترویکا»، تولید، چارچوب، مدل شبکه بر اساس رویکرد نظری: بر اساس منطق صوری و مبتنی بر «منطق انسانی» - معین و مبهم. - 24 - 2.2. مدل منطقی بازنمایی دانش مفاهیم اساسی منطق اکثر مردم فکر می کنند که کلمه "منطقی" به معنای "معقول" است. بنابراین، اگر فردی منطقی فکر کند، استدلال او موجه است، بنابراین اجازه نتیجه گیری عجولانه را نمی دهد. منطق علم اشکال و روش های تفکر صحیح است. این بدان معناست که با توجه به مقدار مورد نیاز حقایق واقعی، نتیجه باید همیشه درست باشد. از سوی دیگر، اگر استنباط باطل باشد، به این معناست که بر اساس حقایق واقعی، نتیجه نادرستی به دست آمده است. باید مفاهیم منطق رسمی و غیررسمی را تفکیک کرد. یکی از ویژگی های بارز منطق غیررسمی این است که در زندگی روزمره استفاده می شود. یک برهان منطقی پیچیده زنجیره ای از استنتاج است که در آن یک نتیجه به نتیجه ای دیگر می انجامد و غیره. در منطق صوری، که منطق نمادین نیز نامیده می‌شود، این مهم است که استنتاج چگونه انجام می‌شود، چگونه عوامل دیگری در نظر گرفته می‌شوند که صحت یا نادرستی نتیجه نهایی را به روشی قابل قبول اثبات می‌کنند. منطق نیز برای معنا بخشیدن به نمادها به معناشناسی نیاز دارد. منطق صوری از معناشناسی استفاده می کند که نه بر اساس استفاده از کلماتی که بار عاطفی را حمل می کنند، بلکه بر اساس انتخاب نام های معنی دار برای متغیرها، مانند برنامه نویسی. مانند ریاضیات، منطق به طور مستقیم به مطالعه نه اشیاء تجربی، بلکه انتزاعی می پردازد. این سؤال مطرح می شود: ماهیت یا وضعیت هستی شناختی اشیاء انتزاعی چیست؟ در مورد چه نوع اشیاء انتزاعی صحبت می کنیم؟ در منطق (کلاسیک)، دو نوع اساسی از اشیاء انتزاعی متمایز می شوند: - مفاهیم (خواص). - روابط مفاهیم می توانند ساده یا پیچیده باشند. مفاهیم پیچیده مجموعه ای از مفاهیم نسبتا ساده تر (ویژگی های ساده) هستند که توسط یک یا آن رابطه به هم مرتبط شده اند. اشیاء انتزاعی پیچیده تر، قضاوت هایی هستند که عناصر ساختاری آنها نیز مفاهیم و روابط معینی هستند. قضاوت ها نیز به نوبه خود عناصر ساختاری استدلال (سیستم های قضاوت) و استنتاج ها عناصر ساختاری مفاهیم و نظریه ها (نظام های استدلال) هستند. در شکل 10 سلسله مراتب انواع اشیاء انتزاعی را در منطق کلاسیک نشان می دهد. ویژگی منطق در این واقعیت نهفته است که کلی ترین، جهانی ترین روابط یا ارتباطات متقابل بین اشیاء انتزاعی را مطالعه می کند. مطابق با این موضوع، مفهوم زیر - 25 - تعریف منطق وجود دارد: "منطق علم روابط جهانی (عموما معتبر) بین مفاهیم، ​​قضاوت ها، استنتاج ها و سایر اشیاء انتزاعی است." مفاهیم و نظریه ها (سیستم های استنتاج) استنتاج ها (سیستم قضاوت ها) قضاوت ها مفاهیم (ویژگی ها) روابط شکل. 10. سلسله مراتب انواع اشیاء انتزاعی در منطق کلاسیک مثال "دانشجو" یک مفهوم است. «کوشش» یک خاصیت است. "دانشجوی کوشا"، "دانشجوی سال چهارم" - روابط. "فردی در دانشگاه تحصیل می کند" - یک قضاوت. "اگر شخصی در یک موسسه تحصیل می کند، پس او یا دانشجو است یا دانشجوی کارشناسی ارشد" - نتیجه گیری. «نظریه حساب محمول مرتبه اول» یک مفهوم است. مفاهیم مفهومی، جوهر اشیاء انتزاعی هستند که به عنوان ویژگی‌های ساده و پیچیده اشیاء تجربی برای درک بشر قابل دسترسی هستند. این مفهوم با موجوداتی مانند: "کلمه"، "ادراک"، "ابژه تجربی" در تضاد است. این مفهوم یک واحد جهانی تفکر و اساس فعالیت فکری است. مهمترین خصوصیاتمفاهیم محتوا و محدوده هستند. تمام خصوصیات منطقی و عملیات منطقی نتیجه دانش مشتق از قانون رابطه معکوس بین محتوا و دامنه مفهوم است. هر مفهومی دارای گستره یک مفهوم (حوزه مفهومی) و اضافه بر دامنه مفهوم است (شکل 11، 12). دامنه یک مفهوم مجموعه ای (مجموعه) از تمام آن دسته تجربی (اشیاء فردی) است که یک مفهوم معین (به عنوان یک ویژگی، ویژگی) دارند. - 26 - اضافه بر حجم - مجموع همه آن اشیاء تجربی که ذاتی این مفهوم نیستند. مفهوم X a1 a2 V حجم a3 شکل. 11. مفهوم X، حجم مفهوم X، عنصر حجم (a1، a2، a3) X نه X شکل. 12. دامنه و افزودن آن مفهوم مثال: مدل داده های واقعی. دامنه مفهوم: مدل‌های داده رابطه‌ای، شبکه‌ای، سلسله مراتبی افزودن دامنه: مدل‌های داده‌های اسنادی (توصیف‌گر، اصطلاحنامه، مدل‌های داده‌ای جهت‌یافته به قالب سند) مفاهیم می‌توانند از انواع زیر باشند: 1) از نظر حجم: الف. تک (U = 1 عنصر، کاماز)؛ ب عمومی (U> 1 عنصر، کارخانه اتومبیل مسکو)؛ 2) با وجود عناصر: الف. غیر خالی (دانشجو)؛ ب خالی (kolobok)؛ 3) با ساختار عناصر: الف. غیر جمعی (قطب شمال)؛ ب جمعی (بدهکار)؛ 4) از نظر محتوا: الف. بی ربط (مخاطب)؛ ب همبستگی (والدین)؛ 5) با وجود کیفیت ها، خواص، روابط الف. مثبت (فضیلت)؛ ب منفی (جرم)؛ 6) با کیفیت عناصر: الف. ثبت شده (ژورنال " سیستم های باز "، 1/2008)؛ ب ثبت نشده (روشنفکر)، چکیده; 7) از نظر ماهیت شی: الف. بتن (دسته)؛ - 27 - ب. چکیده (مدل). بر اساس انواع ذکر شده، می توان توصیفی منطقی از هر مفهومی ارائه داد، یعنی کاربرد مفهوم را در هر هفت معنا نشان داد. برای مثال مفهوم بدهکار عام، غیر خالی، جمعی، همبستگی، مثبت، گزارش نشده و خاص است. روشهای اساسی درک مفاهیم روشهای اصلی درک مفهوم عبارتند از: - انتزاع. - مقایسه؛ - تعمیم؛ - تحلیل و بررسی؛ - سنتز. انتزاع عبارت است از جدایی (درک) ذهنی یک ویژگی یا رابطه معین با انتزاع از سایر ویژگی ها یا روابط یک شی تجربی. مقایسه ایجاد شباهت یا تفاوت بین اشیا است. تعمیم - انزوای ذهنی یک مفهوم خاص با مقایسه سایر مفاهیم. انتزاع، مقایسه و تعمیم تکنیک هایی هستند که ارتباط نزدیکی با یکدیگر دارند. آنها را می توان "روش های شناختی" نامید. مقایسه بدون توجه به انتزاع غیر ممکن است. تعمیم مستلزم مقایسه است و در عین حال چیزی جز نوعی انتزاع پیچیده و غیره نیست. تجزیه و تحلیل عبارت است از تقسیم ذهنی یک شی تجربی یا انتزاعی به اجزای ساختاری تشکیل دهنده آن (قطعات، ویژگی ها، روابط). سنتز عبارت است از اتحاد ذهنی اشیاء مختلف به یک شی انتگرال خاص. مثال‌ها 1. مقایسه افراد بر اساس قد، انتزاع را برای برجسته کردن ویژگی «رشد» مفهوم «شخص» فرض می‌کند. 2. تعمیم: "صندلی" و "میز" - "مبلمان". ارتباط مفاهیم برای توضیح رابطه بین مفاهیم می توانید از نمودارهایی به شکل دایره های اویلر استفاده کنید (شکل 13). مثالها یکنواخت (حجم برابر): کازان پایتخت است. مستقل (تقاطع): مسافر - دانشجو. ارسال: درخت - توس. متضاد (تضاد): سفید و سیاه. - 28 - منع : سفید - نه سفید . فرعی (پیمانکاری فرعی): افسران (سرگرد کاپیتان). تقسیم منطقی یک مفهوم، تقسیم دامنه یک مفهوم به قسمت های غیر متقاطع بر اساس ویژگی خاصی است. مفاهیم X، Y ناسازگار M (X) M (Y) =  سازگار M (X) M (Y)  متناقض مستقل Y = نه-X X Y X M (X) M (Y); M (X) M (Y) M (X); M (X) M (Y) M (Y) M (X) M (Y) = U هویت متضاد (یکنواخت) X, YXYM (X) = M (Y) M (X) M (Y) UX برده به YXYM (X) M (Y) = M (X) شکل. 13. همبستگی مفاهیم در این مورد، عبارتند از: - مفهوم کلی X; - اعضای بخش (مفاهیم گونه A و B)؛ - پایگاه تقسیم (یعنی امضا کردن). - 29 - سه قاعده تقسیم منطقی. 1. قاعده ناسازگاری. دامنه مفاهیم گونه نباید همپوشانی داشته باشد (یعنی اعضای تقسیم نباید با یکدیگر ناسازگار باشند). 2. قاعده قوام. شما نمی توانید به طور همزمان بر چندین دلیل تقسیم کنید. 3. قاعده تناسب. مجموع حجم مفاهیم خاص باید برابر با حجم مفهوم عمومی باشد. تقسیم دوگانه (سخت ترین نوع) - تقسیم مفاهیم بر اساس اصل متناقض (A, not-A). طبقه بندی ها سیستم های خاصی (جمع های مرتب شده) از مفاهیم گونه ها هستند. طبقه بندی ها برای یافتن روابط جدید بین مفاهیم و همچنین برای نظام مند کردن دانش موجود استفاده می شوند. مثال 1. جدول تناوبی نمونه ای از طبقه بندی علمی عناصر شیمیایی است. 2. نمونه ای از طبقه بندی سیستم های اطلاعاتی (IS) در شکل زیر نشان داده شده است. مبانی تقسیم: هدف عملکردی. A، B، C نمونه هایی از سیستم های اطلاعاتی بر اساس این طبقه بندی هستند. سیستم های فاکتوگرافی IS سیستم های هوش مصنوعی سیستم های اسنادی IS "University" Lingvo "Consultant Plus" А В С شکل. 14. نمونه ای از طبقه بندی تکنیک های درک مفاهیم (انتزاع، مقایسه، تعمیم، تجزیه و تحلیل، ترکیب، تقسیم) رویه های شناختی جهانی و اساسی هستند که هنوز مدل سازی موفقیت آمیز در چارچوب هوش مصنوعی را نیاموخته اند. این یکی از بخش های اساسی منطق کلاسیک است که باید در نظریه پایگاه دانش ادغام شود. پس از آن، وظایف مدل‌سازی اعمال ذهنی مانند فرضیه‌ها، آموزش دانش اعلامی در دسترس قرار می‌گیرد، روش‌های استنتاج فراگیرتر می‌شوند. - 30 - قضاوت حکم یک شیء ساختاری پیچیده است که رابطه عینی بین شیء و ویژگی آن را منعکس می کند. موجوداتی مانند «پیشنهاد»، «ادراک»، «صحنه هایی از دنیای واقعی» در مقابل قضاوت قرار دارند. مثال. جملات زیر بیانگر همین قضاوت است: - "کوسه ماهی درنده است"; - "همه کوسه ها ماهی های درنده هستند." "کوسه ماهی های درنده هستند." منطق کلاسیک ساختار یک قضاوت ساده را با تفسیری کمی متفاوت با آنچه در مطالعات منطقی-زبانی مدرن پذیرفته شده در نظر می گیرد. بنابراین، مطابق با مفاهیم منطق کلاسیک در مورد ساختار یک قضاوت، قضاوت ساده یک شی انتزاعی است که عناصر اصلی ساختاری آن عبارتند از: - یک مفهوم فردی (IC); - مفهوم محمول (PC)؛ - رابطه پیش بینی (RP). مثال ها جمله داده شده است: "افلاطون یک فیلسوف است." در این جمله با بیان حکم س: «افلاطون» موضوعی منطقی است، یعنی: نمادی که بیانگر یک مفهوم فردی از یک قضاوت است. "فیلسوف" یک محمول منطقی است، یعنی نمادی که مفهوم محمولی از یک حکم S را نشان می‌دهد. «بودن» یک پیوند موضوع - محمول است. نمادی که یک رابطه پیش بینی را نشان می دهد. بنابراین، می توان نتیجه میانی زیر را به دست آورد: - یک مفهوم فردی سیستمی از مفاهیم است که به عنوان یک موجود مفهومی، یک شی تجربی در نظر گرفته می شود. - مفهوم محمول - مفهومی که به عنوان ویژگی یک شی تجربی خاص در نظر گرفته می شود. - رابطه پیش‌بینی - رابطه‌ای که مفاهیم فردی و محمولی یک شیء تجربی را به یک شی انتزاعی کل‌نگر متصل می‌کند. علاوه بر این، چندین نوع قضاوت ساده قابل تشخیص است (شکل 15 را ببینید). راه های مختلفی برای رسمیت بخشیدن به قضاوت های ابتدایی وجود دارد. - 31 - روش اول. زبان طبیعی که به طور سنتی دست و پا گیر و نادقیق در نظر گرفته می شود، اما هنوز هیچ روش رسمی ابداع نشده است که از نظر تطبیق پذیری با زبان طبیعی مقایسه شود. قضاوت های ساده انتساب در مورد روابط وجود راهبان، به عنوان یک قاعده، ماگنیتوگورسک متواضع در جنوب چلیابینسک هستند. صنوبرهای آبی وجود دارد شکل. 15. انواع احکام ساده راه دوم. منطق سنتی ارسطویی. راه سوم منطق نمادین معاصر انواع اصلی احکام پیچیده علاوه بر احکامی که در منطق ارسطویی با گزاره هایی به شکل A، E، I، O بیان می شود (نگاه کنید به ص. منطق ارسطو)، انواع مختلفی از احکام پیچیده نیز وجود دارد. هر چه قضاوت پیچیده تر باشد، رسمیت بخشیدن دقیق آن با استفاده از منطق سنتی ارسطویی دشوارتر است و در برخی موارد چنین رسمی سازی به سادگی غیرممکن است. بنابراین، تحلیل ساختار منطقی احکام پیچیده با استفاده از منطق نمادین مدرن، از جمله با استفاده از منطق گزاره‌ای و منطق محمولی (به پاراگراف‌های مربوط به پاراگراف مراجعه کنید) توصیه می‌شود. انواع اصلی احکام پیچیده عبارتند از - ربط. - منفصل - ضمنی - معین: o aletic (ضروری، شاید تصادفی)؛ o معرفتی (می دانم، معتقدم، معتقدم، معتقدم). o deontic (تصمیم شده، ممنوع)؛ o ارزش شناختی (خوب، بد)؛ o زمانی (در گذشته، زودتر، دیروز، فردا، در آینده)؛ - سوالات: o آیا - سوالات; o سوالات چیست همچنین تداوم کلاس های منطق و روش های هوش مصنوعی وجود دارد. - 32 - استنتاج منظور از استنتاج (در منطق سنتی) شکلی از تفکر است که از طریق آن یک انتقال ذهنی (به نام "استنتاج") از یک یا چند قضاوت (به نام "مقدمات") به یک قضاوت دیگر (به نام "نتیجه") انجام می شود. ")... بنابراین، استنتاج یک شی انتزاعی پیچیده است که در آن، با کمک روابط معین، یک یا چند حکم در یک کل واحد ترکیب می‌شوند. برای نشان دادن استنتاج در منطق، از اصطلاح قیاس استفاده می شود. قیاس ها رسمی و غیر رسمی هستند. اولین قیاس های رسمی توسط ارسطو استفاده شد. قیاس شناسی توسعه یافته توسط او (نظریه قیاس های رسمی، یعنی استنتاج ها) تأثیر قابل توجهی در توسعه منطق باستانی و مکتبی داشت و به عنوان پایه ای برای ایجاد یک نظریه منطقی مدرن از استنتاج عمل کرد. برای ادغام مفاهیم منطق، باید تمرینات صفحه 78 را کامل کنید. - عدم وجود تناقض (اظهارات متناقض با یکدیگر نمی توانند در همان زمان درست باشند). - ثلث منتفی (از دو قولی که با هم متضادند یکی صحیح و دیگری نادرست و سومی داده نشده است). - دلیل کافی (هر گزاره درستی دلیل کافی دارد که به موجب آن درست است و نه نادرست). بیایید هر یک از موقعیت های مشخص شده را با جزئیات بیشتری در نظر بگیریم. I. قانون هویت قانون هویت ثابت می کند که هر فکری با خودش یکسان است، "A است A" (A → A)، که در آن A هر فکری است. به عنوان مثال: "نمک خوراکی NaCl از Na و Cl تشکیل شده است". نقض این قانون ممکن است منجر به خطاهای ذکر شده در زیر شود. آمفیبول (از یونانی آمفیبولوس - ابهام، دوگانگی) یک خطای منطقی مبتنی بر ابهام عبارات زبانی است. نام دیگر این خطا "تعویض پایان نامه" است. مثال "آنها به درستی می گویند که این زبان شما را به کیف می آورد. و من دیروز یک زبان دودی خریدم. اکنون می توانم با خیال راحت به کیف بروم." - 33 - ابهام یک خطای منطقی است که بر اساس استفاده از یک کلمه در معانی مختلف است. ابهام اغلب به عنوان یک ابزار بلاغی هنری استفاده می شود. در منطق به این تکنیک «جایگزینی مفهوم» نیز می گویند. مثال «گرگ دریایی پیر واقعاً یک گرگ است. همه گرگ ها در جنگل زندگی می کنند." اشتباه در اینجا به این دلیل است که در قضاوت اول از کلمه "گرگ" به عنوان استعاره استفاده شده است و در فرض دوم - به معنای مستقیم آن. لوگوماکیا یک بحث در مورد کلمات است، زمانی که در طول بحث شرکت کنندگان نمی توانند به خود بیایند تک نقطه با توجه به اینکه مفاهیم اولیه را روشن نکرده اند. بنابراین، قانون هویت بیانگر یکی از مهم ترین الزامات تفکر منطقی - یقین است. II. قانون عدم تضاد این قانون الزام قوام تفکر را بیان می کند. قانون عدم تضاد می گوید: دو حکم که یکی از آنها چیزی را در مورد موضوع فکر بیان می کند (الف ب است) و دیگری همان موضوع را در مورد همان موضوع فکر نمی کند (الف ب نیست). نمی‌تواند همزمان درست باشد، اگر در همان زمان، صفت B در مورد موضوع فکر الف تأیید یا رد شود، و در همان زمان و به همان نسبت در نظر گرفته شود. به عنوان مثال، اگر این قضاوت ها به همان رودخانه اشاره کنند، قضاوت «کاما از شاخه های ولگا است» و «کاما از شاخه های ولگا نیست» به طور همزمان صادق نیستند. اگر چیزی را در مورد یک شخص تأیید و عین آن را انکار کنیم، تناقضی وجود ندارد، اما در زمان های مختلف مورد توجه قرار می گیرد. بنابراین، قضاوت "این شخص دانشجوی دانشگاه دولتی مسکو است" و "این شخص دانشجوی دانشگاه دولتی مسکو نیست" می تواند به طور همزمان درست باشد اگر اولین آنها به معنای یک بار باشد (زمانی که این شخص در حال تحصیل در دانشگاه است. دانشگاه دولتی مسکو)، و در دوم - دیگری (زمانی که از دانشگاه فارغ التحصیل شد). قانون عدم تناقض نشان می دهد که از دو گزاره متضاد، یکی لزوماً نادرست است. اما از آنجایی که هم در مورد قضاوت های مخالف و هم متضاد اعمال می شود، سؤال حکم دوم باز می ماند: نمی تواند هم درست باشد و هم نادرست: کاغذ نمی تواند سفید و غیرسفید باشد. III. قانون ثالث محروم قانون سوم مستثنی شده بیان می کند که دو حکم متضاد نمی توانند همزمان نادرست باشند: یکی از آنها لزوماً صادق است. دیگری لزوماً نادرست است; حکم سوم منتفی است، یعنی. یا A درست است یا نه-A. - 34 - قانون سوم حذف شده یک شرط مهم را برای تفکر شما تنظیم می کند: شما نمی توانید از درست تشخیص دادن یکی از دو گزاره متضاد منحرف شوید و به دنبال چیز سومی بین آنها باشید. اگر یکی از آنها درست تشخیص داده شود، باید دیگری را نادرست شناخت و سومی را جستجو نکرد. مثال: حیوانات می توانند مهره داران یا غیر مهره داران باشند، هیچ چیز سومی نمی تواند وجود داشته باشد. IV. قانون دلیل کافی مفاد این قانون را می توان به صورت زیر بیان کرد: برای اینکه کاملاً قابل اعتماد تلقی شود، باید هر حکمی اثبات شود، یعنی: باید دلایل کافی که بر اساس آن باور به درستی آن وجود دارد، شناخته شود. دلیل کافی ممکن است عمل دیگری باشد که قبلاً اثبات شده است و به عنوان یک فکر واقعی شناخته می شود و نتیجه ضروری آن صدق مقام اثبات شده است. مثال. منطق پشت قضاوت "اتاق گرمتر شده است" این واقعیت است که جیوه دماسنج منبسط شده است. در علم، موارد زیر به عنوان دلایل کافی در نظر گرفته می شود: الف) مقررات مربوط به حقایق گواهی شده واقعیت، ب) تعاریف علمی، ج) مفاد علمی قبلاً اثبات شده، د) بدیهیات، و همچنین ه) تجربه شخصی. استنتاج استنتاج مشتق کردن یک فرمول خاص بر اساس بسیاری از فرمول های منطقی دیگر با اعمال قوانین استنتاج است. مترجم عبارات منطقی، با استفاده از استنتاج منطقی، خودش زنجیره محاسبات لازم را بر اساس توضیحات اولیه می سازد. ارزش رویکرد منطقی در امکان ساخت یک مفسر است که کار آن به فرمول های منطقی بستگی ندارد. قوانین در بازنمایی منطقی به شکل: P0 ← P1،…، Pn. Р0 هدف نامیده می شود و Р1، Р2، ...، Рn - بدنه قانون. محمولات P1، P2، ...، Pn شرایطی هستند که برای رسیدن به هدف P0 با موفقیت باید رعایت شوند. بیایید مبانی استنتاج منطقی را با استفاده از مثال اجرای رویه تعیین درستی استدلال تحلیل کنیم. تعریف استدلال منطقی صحیح وقتی می گوییم یک جمله D به طور منطقی از P دیگر پیروی می کند، به این معناست: هر گاه جمله P درست باشد، جمله D نیز صادق است. بسته به برخی از متغیرهای X1، X2، ..، Xn. تعریف. می گوییم که فرمول D (X1, X2, ..., Xn) به طور منطقی از فرمول P (X1, X2, ..., Xn) پیروی می کند و اگر برای - 35 - هر مجموعه ای از مقادیر را نشان دهد P├ D را نشان می دهد. X1، X2، ...، Xn تحت شرط P (X1، X2، ...، Xn) = I2، شرط D (X1، X2، ...، Xn) = I. فرمول P نامیده می شود. مقدمه و D نتیجه استدلال منطقی است ... معمولاً استدلال منطقی نه از یک مقدمه P، بلکه از چندین فرض استفاده می کند. در این صورت استدالل منطقاً از ترکیب مقدمات صحیح خواهد بود و نتیجه منطقاً به دنبال دارد. بررسی صحت استدلال منطقی راه اول طبق تعریف این است: الف) همه مقدمات و نتیجه گیری ها را در قالب فرمول های منطق گزاره ها بنویسید. ب) ترکیبی از مکان های رسمی P1 & P2 & ... & Pn ,; ج) با توجه به جدول صدق بررسی کنید که آیا نتیجه D از فرمول P1 & P2 & ... & Pn حاصل می شود یا خیر. روش دوم مبتنی بر علامت نتیجه منطقی زیر است: "فرمول D به طور منطقی از فرمول P پیروی می کند اگر و فقط اگر فرمول P | - D یک توتولوژی باشد." سپس بررسی صحت استدلال منطقی به پاسخ به این سؤال خلاصه می شود: آیا یک فرمول توتولوژی است؟ این سوال را می توان با ساختن یک جدول حقیقت برای فرمول یا با کاهش این فرمول با استفاده از تبدیل های معادل به یک توتولوژی معروف پاسخ داد. راه سوم برای بررسی صحت استدلال منطقی به اختصار نامیده می شود، زیرا برای ساخت جدول حقیقت نیازی به شمارش کامل مقادیر متغیرها نیست. برای اثبات این روش، اجازه دهید شرطی را تنظیم کنیم که در آن استدلال منطقی نادرست است. اگر مجموعه ای از مقادیر برای متغیرهای X01، X02، ..، X0n وجود داشته باشد، استدلال نادرست است به طوری که فرض D (X01، X02، ..، X0n) = Л 3، و نتیجه P (X01، X02، ..، X0n) = و. مثال. دلیل آورده شده است: "اگر باران می بارد، پس گربه در اتاق یا زیرزمین است. موش در اتاق یا در لانه است. اگر گربه در زیرزمین است، پس موش در اتاق است. اگر گربه در اتاق است، پس موش در راسو و پنیر در یخچال است. حالا باران می بارد و پنیر روی میز است. گربه کجا و موش کجا؟" بیایید عناوین زیر را معرفی کنیم: د - "باران است"; K - "گربه در اتاق"؛ Р - "گربه در زیرزمین"؛ M - "موش در اتاق"؛ H - "موش در راسو"؛ X - "" پنیر در یخچال "؛ ¬X -" پنیر روی میز. "ما طرح استدلال زیر را دریافت می کنیم: D → K | RM | NK → H & X 2 3 درست نادرست - 36 - R → MD & ¬X --- - اجازه دهید از قواعد استنتاج استفاده کنیم 1) D & ¬X├D؛ 2) D & ¬X├¬X؛ 3) D → K | P، D├ K | P. سپس، در نظر بگیرید دو گزینه: گزینه A. اجازه دهید K. 4a) K، K → H & X، K├ H & X؛ 5a) H & X ├ X؛ 6a) ¬X، X├X و ¬X - ما یک تناقض داریم، به این معنی که فرض اشتباه بوده و این گزینه غیرممکن است. سپس 4b) Р, Р → М├М؛ 5b) Р, М├Р & М نتیجه Р & М است، یعنی «گربه در زیرزمین است، و موش در اتاق است" مثال صحت استدلال را به صورت خلاصه بررسی کنید. ? دلیل آورده شده است: "اگر امروز یخبندان باشد، پس من به پیست اسکیت خواهم رفت. اگر امروز آب شدن هوا وجود داشته باشد، پس من به دیسکو می رود. امروز یخبندان یا یخ زدگی خواهد بود. بنابراین به دیسکو خواهم رفت." M - "امروز یخبندان خواهد بود"؛ K - "من به پیست اسکیت خواهم رفت"؛ O - "امروز آب شدن خواهد بود"؛ د - "من خواهم کرد من به دیسکو می روم." طرح استدلال به شکل زیر است: M → KO → DM | O --- D اگر برای هر مجموعه ای از مقادیر متغیرها (M, K, O, D) که روزهای آن تمام شود استدلال منطقی صحیح است مقدمات درست است، نتیجه گیری نیز درست است. فرض کنید برعکس: مجموعه ای (M0، K0، O0.A0) وجود دارد که مقدمات درست است، اما نتیجه گیری نادرست است. با استفاده از تعاریف عملیات منطقی سعی در یافتن این مجموعه خواهیم داشت. ما متقاعد شده ایم که این فرض برای مقادیر متغیرها معتبر است - 37 - М0 = И، К0 = И، О0 = Л، Д0 = Л (جدول 1). بنابراین استدلال از نظر منطقی صحیح نیست. جدول 1 طرح حل مسئله منطقی شماره 1 2 3 4 5 6 7 درست M0 → K0 O0 → A0 M0 ˅ O0 M0 K0 نادرست یادداشت ها فرض می کنیم که مقدمات درست هستند، A0 O0 و نتیجه از 2.4 و تعریف نادرست است. استلزام از 3، 5 و تعریف تفکیک از 1، 6 و تعریف استلزام راه دیگری برای حل مسئله: ساخت جدول صدق برای فرمول (M → K) & (O → D) & (M˅O) → د و مطمئن شوید که توتولوژی نیست. سپس بر اساس نتیجه منطقی، استدلال از نظر منطقی صحیح نیست. از آنجایی که چهار متغیر بیانی (M، K، O، D) در استدلال دخیل هستند، جدول صدق شامل 16 خط خواهد بود و این روش پر زحمت است. با کمک قواعد استنتاج می توان یک استدلال منطقی درست ساخت، اما همیشه نمی توان نادرستی استدلال منطقی را اثبات کرد. بنابراین، برای این کار، راحت‌ترین روش بررسی صحت استدلال منطقی است. برای ادغام قواعد استنتاج منطقی، باید تمرین های صفحه 78 را کامل کنید. بخش های اصلی منطق نمادین مدرن در توسعه منطق کلاسیک، سه مرحله اصلی وجود دارد: منطق باستان (حدود 500 سال قبل از میلاد - اوایل بعد از میلاد)، منطق مکتبی. (اوایل بعد از میلاد - نیمه اول قرن نوزدهم)، منطق نمادین مدرن (اواسط قرن XIX-XX) منطق نمادین مدرن به بخش های اصلی تقسیم می شود که ماهیت آن در زیر آشکار می شود. منطق گزاره ای (حساب گزاره ای). قضاوت های ساده را که بدون در نظر گرفتن ساختار درونی آنها در نظر گرفته می شود و همچنین استنباط های ابتدایی که برای درک بشر بسیار قابل دسترس هستند را مطالعه می کند. در زبان طبیعی، چنین قضاوت های ساده ای با جملاتی که فقط از نقطه نظر صدق یا نادرستی آنها در نظر گرفته می شوند و استنتاج ها - توسط سیستم های گزاره های مربوطه نشان داده می شوند. - 38 - منطق محمول (حساب محمول). موضوعات پیچیده تر تحقیق، قضاوت هایی هستند که با در نظر گرفتن ساختار درونی آنها در نظر گرفته می شوند. بخشی از منطق که در آن نه تنها ارتباط بین احکام، بلکه ساختار مفهومی درونی احکام مورد بررسی قرار می گیرد، «منطق محمول» نامیده می شود. متالوژیک. متالوژیک بسط منطق محمولی است. موضوع مطالعه او کل حوزه روابط به عنوان یک کل است، همه آن روابط جهانی است که می تواند بین مفاهیم، ​​قضاوت ها، استنتاج ها و همچنین نمادهای نشان دهنده آنها اتفاق بیفتد. پاراگراف های بعدی این پاراگراف، موقعیت های کلیدی منطق گزاره ای و محمول های مرتبه اول را ارائه می کنند. برای درک بهتر منطق‌های مدرن، لازم است به مفاد اساسی که توسط قیاس‌های ارسطو تعیین می‌شود، توجه شود. منطق ارسطو در منطق ارسطو، ساختار احکام ابتدایی با ساختارهایی بیان می شود: - S است P (1); - S P (2) نیست، که در آن S یک موضوع منطقی است (از زبان Lat. Subjectum). ص - مقداری محمول منطقی (از لاتین Predicatum). انواع احکام منطق ارسطو در زیر فهرست شده است. 1. قضاوت های مثبت کلی - الف "همه س P است" - همه شاعران افرادی تأثیرپذیر هستند. کلمات "هست"، "نه" نقش یک پیوند موضوع - محمول را بازی می کنند. از گزاره های (1) و (2) با کمک کلمات "همه" و "بعضی" عبارات فرم ساخته می شود: - همه S است P: نوع A (Affirmo); - برخی از S هستند P: نوع I (AffIrmo)؛ - همه S P نیستند: نوع N (Nego)؛ - برخی از S P نیستند: نوع O (NegO). 2. قضاوت های منفی کلی - E (N) "No S is P" - هیچ شخصی دانای کل نیست. 3. تا حدی مثبت - I "Some S are P" - برخی از افراد موهای مجعد دارند. 4. قضاوت منفی جزئی - درباره "بعضی S ها P نیستند" - برخی افراد نمی دانند چگونه گوش کنند. گزاره هایی مانند A، E، I، O گزاره های مقوله ای ساده ای هستند که پایه و اساس تمام منطق ارسطویی را تشکیل می دهند. بین درستی و نادرستی گزاره های نوع A، E، I، O یک رابطه عملکردی-انتگرالی وجود دارد که معمولاً به شکل مربع منطقی نشان داده می شود (شکل 16، جدول 2). - 39 - هنگام استفاده از مربع منطقی، توجه به ظرافت زیر مهم است: کلمه "بعضی" به معنای گسترده - به عنوان "بعضی، و شاید همه" فهمیده می شود. جدول 2 جدول حقیقت برای احکام منطق ارسطو 16. مربع منطقی توضیحات مربع منطقی ارسطو در سمت چپ گوشه بالاییمربع منطقی حاوی عباراتی از نوع A (به طور کلی مثبت) است. در گوشه سمت راست بالا - عبارات نوع E (به طور کلی منفی). در گوشه پایین سمت چپ (زیر A) - عبارات نوع I (تا حدی مثبت). در گوشه پایین سمت راست (زیر E) - عبارات نوع O (منفی جزئی). گزاره های انواع A و O و همچنین گزاره های انواع E و I در رابطه با تناقض یا تضاد (روابط مورب) هستند. عبارات انواع A و E در رابطه با مخالفت یا مخالفت هستند. - 40 - گزاره‌های نوع I گزاره‌های نوع A تبعی هستند (بنابراین دلالت دارند). عبارات نمی توانند به طور همزمان درست باشند، اما می توانند در همان زمان نادرست باشند. با کمک یک مربع منطقی، می توانید قضاوت های متضاد، متناقض و فرعی را استنباط کنید و درستی یا نادرستی آنها را ثابت کنید. مثال 1. هر گونه قضاوت در جمله A → 1 بیان می شود. 2. هیچ قضاوتی در جمله E → 0 بیان نمی شود. 3. برخی از قضاوت ها در جمله O → 0 بیان نمی شود. امکان ایجاد انواع روابط بین قضاوت ها: 1) کسب دانش استنتاج. 2) مقایسه نقاط مختلفنگاه به موضوعات قابل بحث؛ 3) ویرایش متون و در موارد دیگر. فرمالیسم های حساب گزاره ای بسیاری از مدل های بازنمایی دانش بر اساس صورت گرایی های حساب گزاره ای و محمولی هستند. ارائه دقیق این نظریه ها از نقطه نظر منطق ریاضی کلاسیک در آثار شنفیلد و تیسه موجود است؛ در پوسپلوف می توان ارائه ای رایج از این نظریه ها را یافت که می توان آن را به عنوان مقدمه اولیه توصیه کرد. به گفته تیسه، گزاره‌های منطقی دسته‌ای از جملات زبان طبیعی هستند که می‌توانند درست یا نادرست باشند و حساب گزاره‌ای شاخه‌ای از منطق است که چنین جملاتی را مطالعه می‌کند. یک سؤال طبیعی مطرح می شود: جملات زبانی که درباره صدق آنها چیزی قطعی نمی توان گفت چطور؟ مثال. اگر فردا باران ببارد، من در خانه خواهم ماند. در حال حاضر، اجازه دهید فرض کنیم که تمام جملاتی که باید با آنها سروکار داشته باشیم، متعلق به کلاس گزاره های منطقی هستند. عبارات با حروف بزرگ مشخص خواهند شد الفبای لاتینو یک نمایه، در صورت لزوم توسط ارائه. نمونه علامت گذاری عبارات: S، S1، S2، H، H1، H2. همانطور که اشاره شد، یک گزاره منطقی یا درست است یا نادرست. به یک عبارت درست یک مقدار منطقی اختصاص داده می شود - 41 - TRUE (یا AND)، نادرست - یک مقدار منطقی FALSE (یا L). بنابراین، مقدار صدق یک مجموعه (I، L) را تشکیل می دهد. در حساب گزاره ای، پنج پیوند منطقی معرفی شده است (جدول 3) که با کمک آنها مطابق با قوانین ساخت، فرمول های منطقی ترسیم می شود. جدول 3 اتصالات منطقی نام مشترک نوع نماد نماد دیگر نفی Unary -, ~, NOT, NOT  ربط ^ باینری &,., AND, AND * تفکیک  باینری OR یا مفهوم  باینری => -> معادل  دوتایی<=> <->~ * نکته: نباید با مقدار صدق I اشتباه گرفته شود. مجموعه قوانین برای ساخت فرمول های منطقی بر اساس گزاره ها شامل سه جزء است: - اساس: هر عبارت یک فرمول است. - مرحله القاء: اگر X و Y فرمول هستند، X، (X ^ Y)، (X  Y)، X Y و X  Y فرمول هستند. - محدودیت: فرمول به طور منحصر به فرد با استفاده از قوانین شرح داده شده در مبنا و مرحله القاء به دست می آید. فرمول ها با حروف بزرگ الفبای لاتین با شاخص مشخص می شوند. نمونه فرمول های منطقی در مثال نشان داده شده است. مثال a) T = S1 ^ S2; ب) N = H1H2. عبارت a) را می توان به صورت زیر خواند: "فرمول منطقی T یک پیوند (اتصال منطقی And) از گزاره های منطقی S1 و S2 است". تعبیر عبارت b) به این صورت است: «فرمول منطقی N یک تفکیک (OR اتصال منطقی) از نفی (NOT) عبارت منطقی H1 و گزاره منطقی H2 است». مقدار صدق یک فرمول منطقی تابعی از مقادیر صدق عبارات تشکیل دهنده آن است و با استفاده از جداول صدق به طور واضح قابل تعیین است. در زیر جداول صدق برای نفی و پیوندهای دودویی آمده است (جدول 4، 5) بنابراین، اگر مقادیر صدق برای عبارات مثال a) شناخته شده باشد، برای مثال S1 = И، S2 = Л، آنگاه مقدار صدق برای فرمول - 42 - T را می توان در تقاطع ردیف دوم و ستون سوم در جدول 5 یافت، یعنی T = L. جدول 4 جدول حقیقت برای نفی ¬X И Л Л И جدول 5 جدول حقیقت برای اتصالات باینری XYX ↑ YX YXYXY و و و و و من من من من من من من هر منطق یک سیستم رسمی است که باید برای آن تعریف شود: - الفبای سیستم - مجموعه ای قابل شمارش از نمادها. - فرمول های سیستم - زیر مجموعه ای از همه کلماتی که می توانند از نمادهای موجود در الفبا تشکیل شوند (معمولاً رویه ای تنظیم می شود که به شما امکان می دهد فرمول هایی را از نمادهای الفبای سیستم بسازید). - بدیهیات سیستم - مجموعه ای منتخب از فرمول های سیستم؛ - قوانین استنتاج سیستم - مجموعه محدودی از روابط بین فرمول های سیستم. فرهنگ لغت حساب محمول در ارائه استاندارد شامل مفاهیم زیر است: - متغیرها (ما آنها را نشان خواهیم داد آخرین حروفالفبای انگلیسی u، v، x، y، z)؛ - ثابت (ما آنها را با حروف اول الفبای انگلیسی a، b، c، d نشان خواهیم داد): o ثابت های فردی. o ثابت های تابعی؛ o ثابت های محمول. - بیانیه؛ - 43 - - اتصالات منطقی (¬ (نفی)، ربط، تفکیک، دلالت). - کمیت کننده ها: (وجود، جهانی بودن). - مقررات؛ - اشکال عملکردی؛ - اشکال محمول؛ - اتم ها؛ - فرمول ها. ثابت های منفرد و متغیرهای منفرد آنها مشابه ثوابت و متغیرهای حاصل از تجزیه و تحلیل ریاضی هستند، تنها با این تفاوت که ناحیه تغییر آنها افراد است نه اعداد واقعی. در تئوری هوش مصنوعی، ثابت ها و متغیرهای نامگذاری شده در حافظه عامل مربوط به اشیا و مفاهیم موجود در دنیای واقعی را معمولاً مفاهیم می نامند. در زبان های مرتبه اول، فقط متغیرهای فردی وجود دارند، بنابراین آنها را به سادگی متغیر می نامند. همانطور که در زیر نشان داده خواهد شد، استفاده از زبان های مرتبه اول و رد استفاده از زبان های درجه بالاتر محدودیت های بیشتری را بر کلاس جملات زبان طبیعی مورد بررسی اعمال می کند. ثابت‌های منفرد با حروف کوچک a، b، c، u، v، w الفبای لاتین همراه با شاخص‌ها یا نام‌های یادگاری برگرفته از متن نشان داده می‌شوند. برای نشان دادن متغیرها از حروف کوچک استفاده می شود حروف x، y، z ، الفبای لاتین با شاخص. مثال. ثابت های منفرد: a1، b1، c، u، v1، seller_w، k22، buy_l، m10، book_a1. متغیرها: x, y2, z33. ثابت های محمول ثابت های محمول برای نشان دادن رابطه ای که گزاره توصیف می کند استفاده می شود. یک ثابت محمول مقدار صدق خود را تغییر نمی دهد. با تعداد مناسبی از آرگومان ها یا پارامترها به نام اصطلاحات مرتبط است و یک فرم محمول را تشکیل می دهد. تعیین ثابت محمول نامهای یادگاری یا حرف الفبای لاتین P با شاخص است. زبان محمولات حاوی زبان گزاره‌ها است، زیرا یک گزاره چیزی نیست جز یک ثابت محمول بدون آرگومان، یا یک شکل محمول در مکان تهی. ناحیه معنایی شکل محمول با ناحیه تغییر گزاره منطبق است، یعنی. (و من). ثابت های تابعی ثابت تابعی (f، g، h) و همچنین ثابت محمولی، هنگامی که با تعداد مناسبی از عبارت ها ترکیب می شوند، یک فرم تابعی را تشکیل می دهند. تفاوت بین یک فرم تابعی و یک شکل محمول در این است که - 44 - حوزه معنایی آن از مجموعه ای از ثابت های منفرد تشکیل شده است. یک ثابت تابعی صفر به سادگی یک ثابت فردی است. پیوندهای منطقی در محاسبات محمول برای تشکیل فرمول ها خدمت می کنند. کمیت کننده ها در محاسبات محمول از دو کمیت کننده استفاده می شود: کمیت کلی () و کمیت وجود (). عبارت xP به عنوان "برای هر x P درست است" خوانده می شود. عبارت xP به صورت "x وجود دارد که P برای آن صادق است" خوانده می شود. اصطلاح عبارتی است که از متغیرها و ثابت ها و احتمالاً با استفاده از توابع تشکیل می شود. اصطلاحات، فرم‌ها، اتم‌ها و فرمول‌ها در حساب محمول با استفاده از قوانین زیر ساخته می‌شوند: - هر متغیر یا ثابت یک جمله است. - اگر t1، ...، tn عبارت باشند، و f یک نماد تابعی n است، آنگاه f (t1، ...، tn) یک جمله است. - هیچ شرایط دیگری وجود ندارد. در واقع، تمام اشیاء در منطق محمول مرتبه اول دقیقاً در قالب اصطلاحات نشان داده می شوند. اگر یک عبارت شامل متغیر نباشد، اصطلاح پایه یا ثابت نامیده می شود. اصطلاح (t1, t2 ... tn) هر متغیر و هر شکل تابعی است. فرم تابعی یک ثابت تابعی است که با تعداد مناسبی از جمله ها جفت شده است. اگر f یک ثابت محلی تابعی است و t1 ...، tn عبارت هستند، شکل مربوطه معمولاً با f نشان داده می شود (t1، ...، tn). اگر n = 0 باشد، فقط f نوشته می شود. شکل محمول یک ثابت محمولی است که با تعداد مناسبی از جمله ها به هم پیوسته است. اگر p ثابت m-ary مربوطه و t1 باشد،. ..، tn عبارت هستند، سپس شکل مربوطه را با p نشان می دهند (t1، ...، tm). اتم یک صورت محمول یا مقداری برابری است، یعنی. بیان نوع (s = t)، که در آن s و t عبارت هستند. یک فرمول اتمی یا ابتدایی با اعمال یک گزاره به عبارت ها به دست می آید، به طور دقیق تر، عبارت p (t1، ...، tn) است، که در آن p یک نماد محمول n-ary (فرمول)، و t1، .. است. .، tn اصطلاحات هستند. مفهوم فرمول به صورت بازگشتی (استقرایی) با قوانین زیر تعریف می شود: - اتم یک فرمول است. - اگر A یک فرمول است، A یک فرمول است. - اگر A و B فرمول باشند، (A ^ B)، (A  B)، (A  B) و (A  B) فرمول هستند. - اگر A یک فرمول و x یک متغیر باشد، xA و xA فرمول هستند. اجازه دهید الفبای منطق محمول را بر حسب مفاهیم نشان دهیم. ثابت ها آنها به عنوان نام برای افراد (برخلاف نام برای مجموعه ها): اشیاء، افراد یا رویدادها عمل می کنند. ثابت ها - 45 - با نمادهایی مانند Jacques_2 نشان داده می شوند (ضمیمه 2 به کلمه Jacques نشان دهنده یک شخص بسیار خاص در بین افرادی با آن نام است)، Book_22, Sending_8. متغیرها نام مجموعه ها مانند یک شخص، یک کتاب، یک بسته، یک رویداد را مشخص کنید. نماد Book_22 نشان دهنده یک نمونه کاملاً تعریف شده است و نماد کتاب یا مجموعه "همه کتاب ها" یا "مفهوم کتاب" را نشان می دهد. نمادهای x، y، z نشان دهنده نام مجموعه ها (مجموعه ها یا مفاهیم خاص) هستند. نام محمول (ثابت محمول). آنها قوانینی را برای پیوستن به ثابت ها و متغیرها تعریف می کنند، به عنوان مثال، قوانین دستور زبان، رویه ها، عملیات ریاضی. از نمادهایی مانند عبارات زیر برای اسامی مسند استفاده می شود: Send, Write, Plus, Divide. نام های تابعی (ثابت تابع) همان قوانین محمول را نشان می دهند. برای اینکه با نام های محمول اشتباه نشوند، نام های کاربردی با حروف کوچک نوشته می شوند: عبارت، ارسال، نوشتن، به علاوه، تقسیم. نمادهایی که برای نشان دادن ثابت ها، متغیرها، محمول ها و توابع استفاده می شوند "کلمات روسی" نیستند. آنها نمادهای برخی از بازنمایی هستند - کلمات "زبان شی" (در مورد ما، زبان محمولات). ارائه باید هرگونه ابهام در زبان را حذف کند. بنابراین، نام افراد حاوی اعداد منسوب به نام مجموعات است. Jacques_1 و Jacques_2 نماینده دو نفر با یک نام هستند. این بازنمایی ها جوهره عینیت بخشیدن به نام مجموعه «ژاک» است. محمول یک اسم محمول به همراه تعداد مناسب اصطلاح است. محمول را صورت محمول نیز می گویند. مثال. به زبان روسی: ژاک کتاب را برای ماری می فرستد، منطقاً: ارسال (Jacques_2, Mari_4, Book_22). ظاهر منطق فازی منطق های فازی، نظریه مجموعه های فازی و سایر نظریه های "فازی" با کار دانشمند آمریکایی زاده همراه است. ایده اصلی زاده این بود که شیوه استدلال انسان بر اساس زبان طبیعی را نمی توان در چارچوب فرمالیسم های سنتی ریاضی توصیف کرد. این فرمالیسم ها با یک تفسیر دقیق و بدون ابهام مشخص می شوند و هر چیزی که با استفاده از یک زبان طبیعی همراه است تفسیری چند ارزشی دارد. هدف زاده ساختن یک رشته ریاضی جدید بر اساس نظریه مجموعه های کلاسیک، بلکه بر اساس نظریه مجموعه های فازی بود. با پیگیری مداوم ایده فازی، به گفته زاده، می توان قیاس های فازی از تمام مفاهیم اساسی ریاضی ساخت و دستگاه رسمی لازم را برای مدل سازی استدلال انسان و روش انسانی برای حل مسائل ایجاد کرد (شکل 17). - 46 - ایجاد نظریه مجموعه های فازی - راه حل نظریه ریاضی مجموعه های فازی - اساس مکانیسم رسمی سازی استدلال روش انسان - پایان نامه کار - یک فرد در زندگی روزمره خود - مسئله فکر می کند و در مورد آن تصمیم می گیرد. اساس مفاهیم فازی شکل. 17. منطق پیدایش نظریه مجموعه های فازی در حال حاضر نظریه مجموعه های فازی و منطق فازی (مجموعه فازی و منطق فازی) می باشد. مکان قویدر میان حوزه های پیشرو هوش مصنوعی. مفهوم "فازی" که در ابتدا برای مجموعه ها و سپس در منطق به کار رفت، با موفقیت به سایر حوزه های ریاضیات و علوم کامپیوتر گسترش یافت و اکنون وجود دارد: - نظریه روابط فازی. - نظریه مجموعه های فازی؛ - نظریه اندازه گیری های فازی و انتگرال ها. - نظریه اعداد فازی و معادلات: - نظریه منطق فازی و استدلال تقریبی: - نظریه زبان های فازی. - نظریه الگوریتم های فازی؛ - نظریه مدل های فازی بهینه سازی و تصمیم گیری. بسته های زیر بیشترین محبوبیت را در بین مشتریان روسی دارند: 1) CubiCalc 2.0 RTC - یکی از قدرتمندترین سیستم های خبره تجاری مبتنی بر منطق فازی، که به شما امکان می دهد سیستم های خبره کاربردی خود را ایجاد کنید. 2) CubiQuick - نسخه آکادمیک بسته CubiCalc. 3) RuleMaker - برنامه استخراج خودکارقوانین فازی از داده های ورودی؛ 4) FuziCalc - صفحه گسترده با فیلدهای فازی، که به شما امکان می دهد تا با داده های نادرست شناخته شده بدون انباشته شدن خطا، تخمین های سریع انجام دهید. 5) OWL - بسته ای حاوی متون منبع همه انواع شناخته شده شبکه های عصبی، حافظه انجمنی فازی و غیره. "مصرف کنندگان" اصلی منطق فازی در بازار روسیه عبارتند از: بانکداران، سرمایه داران و متخصصان در زمینه تحلیل سیاسی و اقتصادی. - 47 - بیشتر کارهای انسان نیاز به دقت بالایی ندارند. اغلب لازم است هنگام برقراری ارتباط با دنیای واقعی، بین مفاهیم «دقت» و «اهمیت» سازش منطقی پیدا کرد. به عنوان مثال: برای تصمیم گیری برای عبور از خیابان، شخص سرعت ماشینی که در حال نزدیک شدن است را با دقت دهم متر بر ثانیه تخمین نمی زند. او برای خودش سرعت ماشین را به صورت «خیلی سریع»، «سریع»، «کند» و غیره تعریف می کند. از متغیرهای زبانی برای نشان دادن سرعت استفاده می کند. در تئوری مجموعه های فازی، راه های زیر برای رسمیت بخشیدن به مفاهیم فازی پیشنهاد شده است. روش اول (بر اساس آثار زاده) شامل رد گزاره اصلی نظریه مجموعه کلاسیک است که یک عنصر می تواند به یک مجموعه تعلق داشته باشد یا نباشد. در این مورد، یک تابع مجموعه مشخصه خاص معرفی می شود - به اصطلاح تابع عضویت، که مقادیر را از یک بازه می گیرد. این روش به منطق مستمر منجر می شود. در روش دوم و کلی تر رسمی کردن فازی، فرض می شود که توابع مشخصه یک مجموعه مقادیر را نه از یک بازه، بلکه در یک شبکه توزیعی متناهی یا نامتناهی می گیرند. این تعمیم به معنای گوگن مجموعه های فازی نامیده می شود. راه سوم مجموعه های فازی P است. با این تعمیم، هر عنصر از مجموعه جهانی نه با یک نقطه در بازه، بلکه با یک زیر مجموعه یا بخشی از این بازه مرتبط است. جبر مجموعه های فازی P را می توان به جبر کلاس تقلیل داد. راه چهارم مجموعه های فازی ناهمگن است. در اینجا، در حالت کلی، به عناصر مجموعه جهانی مقادیر در شبکه های توزیعی مختلف اختصاص داده می شود. هر مورد را می توان با مناسب ترین درجه برای آن مرتبط کرد. علاوه بر این، مقادیر خود تخمین ها می توانند مبهم و به شکل توابع ارائه شوند. ایده کلی منطق فازی به دست می آید. اکنون در مورد همه چیز با جزئیات بیشتر. بیایید دستگاه مفهومی را در نظر بگیریم که مبتنی بر مفهوم "متغیر زبانی" است. تعریف متغیر زبانی (شهودی) 4 اگر متغیر بتواند معانی کلمات را در یک زبان طبیعی به خود بگیرد (مثلاً "کوچک" ، "سریع" و غیره) ، سپس این متغیر به عنوان یک متغیر زبانی تعریف می شود. کلماتی که معانی آنها توسط یک متغیر زبانی فرض می شود، معمولاً مجموعه های فازی را نشان می دهند. 4 سیستم های اطلاعاتی هوشمند: دستورالعمل های روش شناختی برای تمرین آزمایشگاهی در دوره "سیستم های اطلاعات هوشمند" برای دانشجویان تخصص 071900 - سیستم های اطلاعاتی در اقتصاد / Ufimsk. دولت هواپیمایی فن آوری un-t; comp .: G.G. Kulikov، T.V. Breikin، L.Z. Kamalova. - اوفا، 1999.-40 ص. - 48 - یک متغیر زبانی می تواند مقادیر خود را اعم از کلمات یا اعداد دریافت کند. تعریف متغیر زبانی (رسمی) یک متغیر زبانی پنج نامیده می شود (x، T (x)، X، G، M)، که در آن x نام متغیر است. T (x) - مجموعه ای از نام مقادیر زبانی متغیر x، که هر کدام یک مجموعه فازی در مجموعه X است. G یک قانون نحوی برای تشکیل نام مقادیر x است. M یک قانون معنایی برای مرتبط کردن هر مقدار یک مقدار با مفهوم آن است. هدف از مفهوم متغیر زبانی این است که به صورت رسمی بگوییم که یک متغیر می تواند کلمه ای از یک زبان طبیعی را به عنوان معانی بگیرد. به عبارت دیگر، هر متغیر زبانی شامل موارد زیر است: - name; - مجموعه مقادیر آن که مجموعه اصطلاح پایه T نیز نامیده می شود. عناصر مجموعه عبارت پایه نام متغیرهای فازی هستند. - مجموعه جهانی X؛ - قاعده نحوی G، که طبق آن اصطلاحات جدید با استفاده از کلمات زبان طبیعی یا رسمی تولید می شوند. - یک قاعده معنایی P، که به هر مقدار از یک متغیر زبانی یک زیرمجموعه فازی از مجموعه X اختصاص می دهد. برای مثال، اگر بگوییم « سرعت سریع"، سپس متغیر" speed "باید به عنوان یک متغیر زبانی درک شود، اما این بدان معنا نیست که متغیر" speed "نمی تواند مقادیر واقعی بگیرد. یک متغیر فازی با یک مجموعه (N, X, A) توصیف می شود که در آن N نام متغیر است، X یک مجموعه جهانی است (منطقه استدلال)، A یک مجموعه فازی روی X است. مقادیر یک متغیر زبانی می تواند متغیرهای فازی باشد، به عنوان مثال. متغیر زبانی در سطح بالاتری نسبت به متغیر فازی قرار دارد. رویکرد اصلی برای رسمی سازی فازی به شرح زیر است. یک مجموعه فازی با معرفی یک مفهوم تعمیم یافته از تعلق تشکیل می شود، به عنوان مثال. گسترش مجموعه دو عنصری مقادیر تابع مشخصه (0،1) به پیوستار. این بدان معنی است که انتقال از تعلق کامل یک شی به یک کلاس به عدم تعلق کامل آن نه به طور ناگهانی، بلکه هموار، به تدریج اتفاق می افتد و تعلق یک عنصر به یک مجموعه با عددی از بازه بیان می شود. - 49 - مجموعه فازی (NM)، از نظر ریاضی به عنوان مجموعه‌ای از جفت‌های مرتب‌شده متشکل از عناصر x از مجموعه جهانی X و درجات مربوط به عضویت μа (x) یا (از آنجایی که تابع عضویت یک مشخصه جامع NM است) تعریف می‌شود. به طور مستقیم به شکل یک تابع توسط مجموعه جهانی X از یک مجموعه فازی A دامنه تعریف تابع عضویت ما نامیده می شود. در شکل 18 انواع اصلی توابع عضویت را نشان می دهد. برنج. 18. نوع توابع عضویت بر اساس نوع توابع عضویت، آنها را به موارد زیر متمایز می کنند: - زیر وجهی (شکل 1. ج). - amodal (شکل 1. a); - چند وجهی (شکل 1. m)؛ - تک وجهی (شکل 1.u). - یک مثال. 1) A = ((x1،0.2)، (x2،0.6)، (x3،1)، (x4،0.8)); 2) A = 0.2 | x1 + 0.6 | x2 + 1 | x3 + 0.8 | x4. 3) همین مثال را می توان در قالب جدول ارائه کرد. جدول 6 A = جدولی که تابع عضویت را توصیف می کند x1 x2 x3 x4 0.2 0.6 1 0.8 مثال "بسیاری از افراد قد بلند" B زندگی واقعی مفهومی مانند "رشد یک فرد قد بلند" ذهنی است. برخی معتقدند که یک فرد قد بلند باید بیش از 170 سانتی متر قد داشته باشد، دیگران - بیش از 180 سانتی متر، و دیگران - بیش از 190 سانتی متر. مجموعه های فازی به ما امکان می دهد چنین ارزیابی مبهمی را در نظر بگیریم. - 50 - فرض کنید x یک متغیر زبانی باشد که "قد یک فرد" را نشان می دهد، تابع آن متعلق به مجموعه ای از افراد بلند قد است A: X (0،1)، که در آن X مجموعه ای است که شامل تمام مقادیر ممکن از یک فرد است. ارتفاع، به صورت زیر داده می شود: سپس مجموعه "افراد بلندقد" با عبارت A = (x | A (x) = 1)، x ϲ X داده می شود. این به صورت گرافیکی در شکل نشان داده شده است. 19 (خط جامد)، یعنی. بستگی به فردی دارد که ارزیابی می کند. اجازه دهید تابع عضویت A: X (0,1) شکلی را داشته باشد که با خط نقطه چین در شکل نشان داده شده است. برنج. 19. یک مجموعه فازی از افراد بلند قد بنابراین، یک فرد با قد 145 سانتی متر به مجموعه A با درجه تعلق A (145) = 0، یک فرد با قد 165 سانتی متر - A (165) = تعلق دارد. 0.3، ارتفاع 185 سانتی متر -A (185) = 0.9، و ارتفاع 205 سانتی متر - A (205) = 1. مثال. "الان سردت شد؟" دمای +60 درجه فارنهایت (+ 12 درجه سانتیگراد) توسط انسان به عنوان سرد و دمای + 80 درجه فارنهایت (+ 27 درجه سانتیگراد) به عنوان گرما درک می شود. دمای + 65 درجه فارنهایت (+ 15 درجه سانتیگراد) به نظر برخی پایین و برای برخی دیگر کاملاً راحت است. ما این گروه از تعاریف را تابع تعلق به مجموعه هایی می نامیم که درک ذهنی دما توسط شخص را توصیف می کنند. ماشین ها قادر به چنین درجه بندی دقیقی نیستند. اگر استاندارد برای تعیین سرما "دما زیر + 15 درجه سانتیگراد" باشد، + 14.99 درجه سانتیگراد سرد در نظر گرفته می شود، اما + 15 درجه سانتیگراد نیست. در شکل 20. یک نمودار ارائه شده است تا به شما کمک کند درک کنید که یک فرد چگونه دما را درک می کند. ایجاد مجموعه های اضافی برای توصیف درک دما توسط یک فرد به همین سادگی است. به عنوان مثال، می توانید مجموعه هایی مانند "خیلی سرد" و "بسیار گرم" را اضافه کنید. عملکردهای مشابهی را می توان برای مفاهیم دیگری مانند حالت های باز و بسته، دمای چیلر - 51 - یا دمای برج چیلر توصیف کرد. برنج. 20. مجموعه فازی "دما" بنابراین، نتایج زیر را می توان در مورد ماهیت مفهوم "مجموعه فازی" گرفت: 1) مجموعه های فازی مفاهیم نامشخص (دونده سریع، آب گرم، هوای گرم) را توصیف می کنند. 2) مجموعه های فازی امکان تعلق نسبی به آنها را فراهم می کند (جمعه تا حدی یک روز تعطیل است (کوتاه شده) ، هوا نسبتاً گرم است). 3) درجه تعلق یک شی به یک مجموعه فازی با مقدار متناظر تابع عضویت در بازه تعیین می شود (جمعه متعلق به آخر هفته ها با درجه عضویت 0.3 است). 4) تابع عضویت شی (یا متغیر منطقی) را با مقدار درجه عضویت آن در یک مجموعه فازی مرتبط می کند. اشکال منحنی برای انتساب توابع عضویت بیش از دوازده منحنی معمولی برای انتساب توابع عضویت وجود دارد. گسترده ترین آنها عبارتند از: توابع عضویت مثلثی، ذوزنقه ای و گاوسی. تابع عضویت مثلثی با سه اعداد (a, b, c) تعیین می شود و مقدار آن در نقطه x مطابق عبارت (1) محاسبه می شود.  bx 1  b  a, a  x  b;  c  x MF (x)  ، b  x  c; c  b  0، در تمام موارد دیگر   - 52 - (1) برای (ba) = (cb) مورد یک تابع عضویت مثلثی متقارن را داریم (شکل 21)، که می تواند به طور منحصر به فرد توسط دو مشخص شود. پارامترهای سه گانه (a, b, c). برنج. 21. تابع عضویت مثلثی به طور مشابه، برای تنظیم تابع عضویت ذوزنقه ای، به چهار عدد (a، b، c، d) نیاز دارید.  bx 1  b  a, a  x  b;  1، b  x  c; MF (x)   d  x, c  x  d; d c 0، در تمام موارد دیگر  (2) وقتی (b-a) = (d-c)، تابع عضویت ذوزنقه شکلی متقارن به خود می گیرد (شکل 22). برنج. 22. تابع عضویت ذوزنقه ای مجموعه ای از توابع عضویت برای هر عبارت از مجموعه عبارت پایه T معمولاً با هم در یک نمودار نشان داده می شوند. در شکل 23، رسمی شدن مفهوم نادقیق "عصر انسان" ارائه شده است. بنابراین، برای یک فرد 48 ساله، درجه تعلق به مجموعه "جوان" 0، "متوسط" - 0.47، "بالاتر از میانگین" - 0.20 است. - 53 - شکل. 23. شرح متغیر زبانی "عصر انسان" عملیات پایه بر روی مجموعه های فازی عملیات اساسی در IS از کلاس همه IS F (X) = ( | : X ) از مجموعه جهانی X در زیر ارائه شده است. 1. جمع 5  2 =   = 1-  1،  x  X شکل. 24. زمانبندی عملیات "مکمل" بر روی تابع M 2. تقاطع I (حداقل: متغیرهای غیر متقابل).  3 = ( 1   2) (x) = min ( 1 (x)،  2 (x))،  x  X 3. اتحاد I (حداکثر: متغیرهای غیر متقابل).  3 = ( 1   2) (x) = max ( 1 (x)،  2 (x))،  x  X 4. تقاطع II (محصول محدود).  3 = ( 1   2) (x) = max (0,  1 (x) +  2 (x) -1)،  x  X 5. Union II (حداکثر: مقدار محدود).  3 = ( 1   2) (x) = min (1,  1 (x) +  2 (x))،  x  X 6. تقاطع III (محصول جبری). 5 از این پس، عملیاتی که برای هر سه پایه یکسان است در پس زمینه زرد نمایش داده می شود. - 54 -  3 = ( 1   2) (x) =  1 (x) *  2 (x)،  x  X 7. اتحاد III (جمع جبری).  3 = ( 1   2) (x) =  1 (x) +  2 (x) -  1 (x)   2 (x)،  x  X А В شکل. 25. نمودار عملکرد تقاطع I (A) اتحادیه I (B) از توابع M و M1 A B شکل. 26. نمودار عملکرد تقاطع II (A) اتحادیه II (B) از توابع M و M1 A B شکل. 27. نمودار عملکرد تقاطع III (A) اتحادیه III (B) از توابع M و M1 - 55 - 8. تفاوت.  3 =  1 (x) -  2 (x) = max (0,  1 (x) -  2 (x))،  x  X 9. غلظت.  3 =  2 (x)،  x  X شکل. 28. نمودار تفاوت بین توابع M و M1 شکل. 29. نمودار غلظت تابع M1 بر خلاف جبر بولی، در F (X) قوانین طرد سوم رعایت نمی شود. هنگام ساخت عملیات اتحاد یا تقاطع در F (X)، لازم است یا قوانین حذف سوم یا خاصیت توزیع و ناتوانی را کنار بگذارید. اشیاء فازی را می توان بر اساس نوع محدوده مقادیر تابع عضویت طبقه بندی کرد. و در اینجا انواع X متمایز می شوند: - شبکه؛ - نیمه گروهی؛ - حلقه؛ - دسته بندی. مورد مجموعه های فازی S که توسط جفت (X, ) تعریف شده است، که در آن - 56 - : XS یک نگاشت از X به یک مجموعه منظم خطی S است طبیعی است که الزامات محدود بودن و کامل بودن را بر S تحمیل کنیم. نمونه‌ای از مجموعه‌های مرتب خطی محدود مجموعه‌ای از مقادیر زبانی متغیر زبانی "QUALITY" = (بد، متوسط، خوب، عالی) است. N 1 2 3 4 5 6 7 8 9 جدول 7 جدول مطابقت عملیات روی مجموعه های فازی و توابع منطقی نام عملیات اصلاح کننده / پیوند مکمل NOT تقاطع (حداقل: AND (AND, ..., AND) متغیرهای غیر متقابل) Union I ( حداکثر: یا متغیرهای غیر متقابل) (یا، ...، یا) تقاطع II (محدود و محصول) اتحادیه II (محدود و محصول) یا تقاطع III (جبری و حاصلضرب) اتحادیه III (جمع جبری) یا غلظت تفاوت بسیار همانطور که نشان داده شده است، بسته به روش های معرفی عملیات اتحاد و تقاطع IS، سه نظریه اصلی از IS وجود دارد. مطابق با معیارهای مشابه، آنها تقسیم بندی می کنند: - منطق فازی با عملیات حداکثر (عملیات 1،2،3،8،9). - منطق فازی با عملیات محدود (عملیات 1،4،5،8،9). - منطق فازی احتمالی (عملیات 1،6،7،8،9). تعبیر حقیقت به عنوان یک متغیر زبانی به منطق فازی با معانی «درست»، «بسیار درست»، «کاملاً درست»، «کم و بیش درست»، «خیلی درست»، «نادرست» و غیره منجر می‌شود. ، یعنی به منطق فازی که نظریه استدلال تقریبی بر آن استوار است. زمینه های کاربرد نظریه مجموعه های فازی در حوزه های مختلف دانش بشری.

ایالت آرماویر

دانشگاه علوم تربیتی

مبانی هوش مصنوعی

برای دانشجویانی که در رشته تخصصی "انفورماتیک" تحصیل می کنند

آرماویر 2004

با تصمیم UMS ASPU منتشر شده است

داور:، کاندیدای علوم فیزیک و ریاضی، دانشیار، رئیس مرکز اینترنت آکادمی کشاورزی دولتی کاباردینو-بالکاریا

کوزیرف از هوش مصنوعی. کمک آموزشی برای دانشجویان شاغل به تحصیل در رشته تخصصی "علوم کامپیوتر". - آرماویر، 1383.

در نظر گرفته شده مفاهیم اساسیهوش مصنوعی، مسیرها و چشم اندازهای توسعه تحقیقات در زمینه هوش مصنوعی، مبانی زبان برنامه نویسی منطقی PROLOGUE.

این کتابچه راهنمای آموزشی برای دانشجویانی که در رشته تخصصی "علوم کامپیوتر" تحصیل می کنند در نظر گرفته شده است و همچنین می تواند برای همه علاقه مندان به هوش مصنوعی و برنامه نویسی منطقی استفاده شود.

مقدمه………………………………………………………………………………………………… 4

1. هوش مصنوعی: موضوع، تاریخ
توسعه، جهت‌گیری‌های پژوهشی………………………………………………………………….. ۵

1.1. جهت گیری های تحقیق در این زمینه
هوش مصنوعی…………………………………………………………… .. 5

هوش مصنوعی……………………………………………………………………………………………………………………

2. سیستم دانش…………………………………………………………………………………………………………………………………………

3. مدل های بازنمایی دانش …………………………………… نه

3.1. شبکه های معنایی…………………………………………………………………………

3.2. مدل قاب …………………………………………………… 10

3.3. مدل تولید……………………………………………… ..11

3.4. مدل منطقی…………………………………………………………. .12

4. سیستم های خبره………………………………………………………………………………………………………………………………………………

4.1. تعیین سیستم های خبره ……………………………………………………………………………………………………………

4.2. انواع وظایف حل شده با کمک سیستم های خبره …………… .14

4.3. ساختار سیستمهای خبره……………………………………………………………………………………………………………………………

4.4. مراحل اصلی توسعه سیستم های خبره …………………… 16

4.5. ابزارهای توسعه سیستم های خبره ……… 18

5. PROLOGUE - زبان برنامه نویسی منطقی ……… .19

5.1. اطلاعات کلی در مورد PROLOGUE …………………………………………………………………………………………………………

5.2. پیشنهادات: حقایق و قوانین………………………………………………………………………………………………………………………………

5.4. متغیرها در PROLOGUE …………………………………………… 22

5.5. اشیا و انواع داده ها در PROLOGUE ……………………………………………………………………………………………

5.6. بخش های اصلی برنامه PROLOGUE …………………………………………………………………

5.7. عقب نشینی……………………………………………… 24

5.8. کنترل عقبگرد: شکست و قطع محمولات …… 26

5.9. محاسبات حسابی ………………………………………………………………………………………………………………………………

5.10. بازگشت……………………………………………………… .28

5.11. لیست ها…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………

5.12. وظایف پردازش فهرست استاندارد ………………………………….… .31

ادبیات………………………………………………............................... .35

معرفی

در دهه های اخیر، هوش مصنوعی به تمامی حوزه های فعالیت هجوم آورده و به وسیله ای برای یکپارچه سازی علوم تبدیل شده است. ابزارهای نرم افزاری مبتنی بر فناوری ها و روش های هوش مصنوعی در دنیا فراگیر شده اند. همه کشورهای توسعه یافته اقتصادی شروع به انجام تحقیقات فشرده در زمینه ایجاد فضای اطلاعاتی واحدی کرده اند که شرایط را برای کار مشترک از راه دور بر اساس پایگاه های دانش ایجاد می کند. درس "مبانی هوش مصنوعی" در آموزش عالی شامل مطالعه بخش هایی مانند ارائه دانش به زبان رسمی، ساختار سیستم های خبره و اصول اولیه توسعه آنها، استراتژی های مختلف برای یافتن هدف است. یکی از خطوط اصلی دوره، بحث پیاده سازی سیستم های هوش مصنوعی برای حل مسائل کاربردی خاص است.

مانند پشتیبانی کامپیوتراین دوره به بررسی محیط توسعه ابزاری برای برنامه های Visual Prolog می پردازد. زبان برنامه نویسی Prolog، بر اساس ایده ها و روش های منطق ریاضی، در ابتدا برای توسعه برنامه های کاربردی هوش مصنوعی ایجاد شد. برنامه هایی مانند پایگاه های دانش، سیستم های خبره، رابط های زبان طبیعی و سیستم های مدیریت هوشمند اطلاعات به طور موثر در محیط Visual Prolog برنامه ریزی می شوند. سطح بالایی از انتزاع، توانایی نمایش ساختارهای داده پیچیده و شبیه سازی روابط منطقی بین اشیا، امکان حل مسائل حوزه های موضوعی مختلف را فراهم می کند.

کمک آموزشی "مبانی هوش مصنوعی" به گسترش ایده های معلم آینده انفورماتیک در مورد زمینه های کاربرد نظریه هوش مصنوعی، در مورد موجود و زبان های امیدوار کنندهبرنامه نویسی و ساختارهای سخت افزاری برای ایجاد سیستم های هوش مصنوعی.

1. هوش مصنوعی: موضوع، تاریخچه توسعه، جهت تحقیق.

منتلکتوس(لات) - ذهن، عقل، عقل، توانایی های تفکر یک فرد. هوش مصنوعی(AI) رشته‌ای از علوم کامپیوتر است که موضوع آن توسعه ابزارهای سخت‌افزاری و نرم‌افزاری است که به کاربر اجازه می‌دهد مشکلاتی را که به طور سنتی هوشمند تلقی می‌شوند، حل کند. نظریه هوش مصنوعی علم دانش، چگونگی استخراج آن، نمایش آن در سیستم های مصنوعی، پردازش آن در سیستم و استفاده از آن برای حل مسائل عملی است. فناوری‌های هوش مصنوعی امروزه در بسیاری از زمینه‌های کاربردی استفاده می‌شوند.

آغاز تحقیقات در زمینه هوش مصنوعی (اواخر دهه 1950) با آثار نیوول، سیمن و شاو همراه است که فرآیندهای حل مسائل مختلف را بررسی کردند. نتایج کار آنها برنامه هایی مانند "LOGIK-THEORETIK" بود که برای اثبات قضایای حساب گزاره ای در نظر گرفته شده بود، و "GENERAL PROBLEM SOLVER". این آثار آغاز مرحله اول تحقیق در زمینه هوش مصنوعی است که با توسعه برنامه هایی مرتبط است که مشکلات را بر اساس استفاده از روش های مختلف اکتشافی حل می کند.

در این مورد، روش اکتشافی برای حل یک مسئله به عنوان ویژگی تفکر انسان "به طور کلی" در نظر گرفته شد که با ظهور حدس هایی در مورد راه حل مسئله با تأیید بعدی آنها مشخص می شود. او با روش الگوریتمی مورد استفاده در رایانه مخالف بود، که به عنوان اجرای مکانیکی یک دنباله معین از مراحل تعبیر می شد که به طور قطعی به پاسخ صحیح منجر می شد. تفسیر روش های اکتشافی برای حل مسائل به عنوان یک فعالیت صرفاً انسانی منجر به پیدایش و گسترش بیشتر اصطلاح هوش مصنوعی شد.

الف. نوروسیبرنتیک.

Neurocyberietics بر مدل سازی سخت افزاری ساختارهای مشابه ساختار مغز متمرکز است. فیزیولوژیست ها مدت هاست ثابت کرده اند که اساس مغز انسان تعداد زیادی سلول عصبی به هم پیوسته و متقابل - نورون ها است. بنابراین، تلاش‌های نوروسیبرنتیک بر ایجاد عناصری شبیه به نورون‌ها و ترکیب آنها در سیستم‌های عملکردی متمرکز بود. این سیستم ها را معمولاً شبکه های عصبی یا شبکه های عصبی می نامند. اخیراً به دلیل جهش در توسعه رایانه ها، نوروسیبرنتیک دوباره شروع به توسعه کرده است. کامپیوترهای عصبی و ترانسفورماتورها ظاهر شدند.

در حال حاضر از سه روش برای ایجاد شبکه های عصبی استفاده می شود:

سخت افزار- ایجاد کامپیوترهای خاص، بردهای توسعه، چیپست هایی که تمام الگوریتم های لازم را پیاده سازی می کنند،

برنامه- ایجاد برنامه ها و ابزارهای طراحی شده برای کامپیوترهای با کارایی بالا. شبکه ها در حافظه کامپیوتر ایجاد می شوند، تمام کارها توسط پردازنده های خود انجام می شود.

ترکیبی- ترکیبی از دو مورد اول بخشی از محاسبات توسط بردهای توسعه ویژه (کمپردازنده) و بخشی توسط نرم افزار انجام می شود.

ب- سایبرنتیک «جعبه سیاه».

سایبرنتیک «جعبه سیاه» مبتنی بر اصل مخالف نوروسیبرنتیک است. مهم نیست دستگاه «تفکر» چگونه کار می کند. نکته اصلی این است که به تأثیرات ورودی داده شده مانند مغز انسان واکنش نشان می دهد.

این جهت از هوش مصنوعی بر روی یافتن الگوریتم هایی برای حل مسائل هوشمند در مدل های رایانه ای موجود متمرکز بود.

تحقیقات در زمینه هوش مصنوعی مسیر طولانی و پر پیچ و خمی را طی کرده است: اولین سرگرمی ها (1960)، شبه علم (1960-65)، موفقیت در حل معماها و بازی ها ()، ناامیدی در حل مسائل عملی ()، اولین موفقیت ها در حل تعدادی از مسائل عملی ( )، استفاده تجاری انبوه در حل مسائل عملی (). اما اساس موفقیت تجاری به درستی توسط سیستم های خبره و اول از همه سیستم های خبره بلادرنگ شکل می گیرد. آنها بودند که به هوش مصنوعی اجازه دادند از بازی ها و پازل ها به استفاده انبوه برای حل مشکلات عملاً مهم حرکت کند.

1.2. وظایف اصلی حل شده در این زمینه
هوش مصنوعی

بازنمایی دانش و توسعه سیستم های مبتنی بر دانش

توسعه مدل های بازنمایی دانش، ایجاد پایگاه های دانش که هسته سیستم های خبره (ES) را تشکیل می دهند. اخیراً شامل مدل ها و روش هایی برای استخراج و ساختاردهی دانش است و با مهندسی دانش ادغام می شود. در زمینه هوش مصنوعی، سیستم های خبره و ابزارهای توسعه آنها بیشترین موفقیت تجاری را به دست آورده اند.

بازی و خلاقیت.

وظایف فکری بازی - شطرنج، چکرز، رفتن. این بر اساس یکی از رویکردهای اولیه - مدل پیچ و خم به علاوه اکتشافی است.

توسعه رابط های زبان طبیعی و ترجمه ماشینی

کنترل صدا، ترجمه از زبانی به زبان دیگر. اولین برنامه در این زمینه مترجم از انگلیسی به روسی است. اولین ایده، ترجمه کلمه به کلمه، بی نتیجه بود. در حال حاضر، از مدل پیچیده تری استفاده می شود، از جمله تجزیه و تحلیل و ترکیب پیام های زبان طبیعی، که از چندین بلوک تشکیل شده است. برای تجزیه و تحلیل، این موارد عبارتند از:

زبان مورد استفاده از مدل تولید PROLOGUE است.

3.4. مدل منطقی

توصیف آنها بر اساس یک سیستم رسمی با چهار عنصر است:

M =<Т, Р, А, В >، جایی که

T - مجموعه ای از عناصر اساسی ماهیت متفاوت با رویه های مناسب.

P مجموعه ای از قواعد نحوی است. با کمک آنها، مجموعه های صحیح نحوی از عناصر T تشکیل می شود. روش P (R) تعیین می کند که آیا این مجموعه درست است یا خیر.

A زیرمجموعه ای از مجموعه P است که بدیهیات نامیده می شود. رویه P (A) به سؤال مربوط به تعلق به مجموعه A پاسخ می دهد.

ب - مجموعه ای از قوانین استنتاج. با اعمال آنها بر روی عناصر A، می‌توانید مجموعه‌های صحیح نحوی جدیدی دریافت کنید که می‌توانید دوباره این قوانین را در آن اعمال کنید. رویه P (B) برای هر مجموعه صحیح نحوی، قابل استنتاج بودن آن را تعیین می کند.

4. سیستم های خبره

4.1. انتصاب سیستم های خبره

سیستم های خبره(ES) سیستم‌های نرم‌افزاری پیچیده‌ای هستند که دانش متخصصان را در زمینه‌های موضوعی خاص جمع‌آوری می‌کنند و این تجربه تجربی را برای مشاوره کاربران کمتر واجد شرایط تکرار می‌کنند.

هدف از مطالعه سیستم های خبره، توسعه برنامه هایی است که هنگام حل مسائل از یک حوزه موضوعی خاص، نتایجی به دست می آورند که از نظر کیفیت و کارایی کمتر از نتایج به دست آمده توسط متخصصان نیستند.

سیستم های خبره برای حل وظایف غیر رسمی و عملی طراحی شده اند. استفاده از یک سیستم خبره تنها زمانی باید مورد استفاده قرار گیرد که توسعه آنها ممکن و مصلحت باشد.

حقایقی که نیاز به توسعه و پیاده سازی سیستم های خبره را نشان می دهد:

فقدان متخصصانی که زمان قابل توجهی را برای کمک به دیگران صرف می کنند.

نیاز به یک تیم بزرگ از متخصصان، زیرا هیچ یک از آنها دانش کافی ندارند.

بهره وری پایین، زیرا این کار به تجزیه و تحلیل کامل مجموعه ای از شرایط پیچیده نیاز دارد و یک متخصص معمولی قادر به مشاهده (در زمان تعیین شده) همه این شرایط نیست.

حضور رقبایی که این مزیت را دارند که در یک کار معین کار را بهتر انجام می دهند.

توسط کاربردیسیستم های خبره را می توان به انواع زیر تقسیم کرد:

1. سیستم های خبره قدرتمند طراحی شده برای دایره باریکی از کاربران (سیستم های کنترلی برای تجهیزات پیچیده تکنولوژیکی، سیستم های خبره پدافند هوایی). چنین سیستم هایی معمولا در زمان واقعی کار می کنند و بسیار گران هستند.

2. سیستم های خبره طراحی شده برای طیف وسیعی از کاربران. اینها شامل سیستم های تشخیص پزشکی، سیستم های آموزشی پیچیده است. پایگاه دانش این سیستم ها ارزان نیست، زیرا حاوی دانش منحصر به فردی است که از متخصصان به دست آمده است. جمع آوری دانش و تشکیل یک پایگاه دانش توسط یک متخصص جمع آوری دانش - یک مهندس شناختی انجام می شود.

3. سیستم های خبره با عدد کوچکقوانین و نسبتا ارزان است. این سیستم ها برای عموم مردم (سیستم هایی که عیب یابی سخت افزاری را آسان تر می کنند) در نظر گرفته شده اند. استفاده از چنین سیستم هایی این امکان را فراهم می کند که بدون پرسنل مجرب، زمان عیب یابی کاهش یابد. پایگاه دانش چنین سیستمی را می توان بدون توسل به کمک توسعه دهندگان سیستم تکمیل و تغییر داد. آنها معمولاً از دانش کتابچه های مرجع و اسناد فنی مختلف استفاده می کنند.

4. سیستم های خبره ساده برای استفاده فردی. اغلب به طور مستقل ساخته می شود. در موقعیت هایی برای تسهیل کار روزانه استفاده می شود. کاربر با سازماندهی قوانین در یک پایگاه دانش خاص، سیستم خبره خود را بر اساس آن ایجاد می کند. چنین سیستم هایی در فقه، فعالیت های تجاری و تعمیر تجهیزات ساده استفاده می شود.

استفاده از سیستم های خبره و شبکه های عصبی مزایای اقتصادی قابل توجهی را به همراه دارد. به عنوان مثال: - امریکن اکسپرس به لطف یک سیستم خبره که امکان صدور یا امتناع وام به یک شرکت خاص را تعیین می کند، ضررهای خود را 27 میلیون دلار در سال کاهش داد. «DEC با XCON / XSEL، که سیستم محاسباتی VAX را سفارشی می کند، سالانه 70 میلیون دلار صرفه جویی می کند. استفاده از آن تعداد خطاها را از 30% به 1% کاهش داد. - Sira هزینه های ساخت خط لوله در استرالیا را با سیستم متخصص خط لوله 40 میلیون دلار کاهش داده است.

4.2. انواع وظایف حل شده با
سیستم های خبره

تفسیر داده ها... تفسیر به تعریف معنای داده ها اشاره دارد که نتایج آن باید سازگار و صحیح باشد. نمونه هایی از ES:

کشف و شناسایی انواع متفاوتکشتی های اقیانوسی - SIAP؛

تعیین ویژگی‌های شخصیتی پایه بر اساس نتایج تست‌های تشخیصی روانی در سیستم‌های AUTANTEST و MICROLUSHER و غیره.

تشخیص... تشخیص به تشخیص نقص در یک سیستم خاص اشاره دارد. نمونه هایی از ES:

تشخیص و درمان انقباض عروق کرونر - ANGY;

تشخیص خطا در سخت افزار و نرم افزار کامپیوتر - سیستم CRIB و ....

نظارت بر... وظیفه اصلی نظارت، تفسیر مداوم داده ها در زمان واقعی و سیگنال دادن به خارج بودن برخی پارامترها از محدوده مجاز است. مشکلات اصلی «پرش» از وضعیت هشدار و وظیفه معکوس تحریک «کاذب» است. نمونه هایی از ES:

کنترل بر عملکرد نیروگاه های SPRINT، کمک به توزیع کنندگان یک راکتور هسته ای - REACTOR:

کنترل سنسورهای اضطراری در یک کارخانه شیمیایی - FALCON و غیره

طرح... طراحی شامل تهیه مشخصات برای ایجاد "اشیاء" با ویژگی های از پیش تعریف شده است. مشخصات به کل مجموعه مدارک لازم، نقشه، یادداشت توضیحی و غیره اشاره دارد. نمونه هایی از ES:

طراحی پیکربندی های کامپیوتری VAX - 1/780 در سیستم XCON (یا R1)،

طراحی LSI - CADHELP.

سنتز مدارهای الکتریکی - SYN و غیره

پیش بینی. سیستم های پیش بینی منطقاً پیامدهای احتمالی را از موقعیت های داده شده استنباط می کنند. نمونه هایی از ES:

پیش بینی آب و هوا - سیستم ویلارد:

تخمین برداشت آینده - PI. ANT;

پیش‌بینی‌ها در اقتصاد - ECON و همکاران.

برنامه ریزی. برنامه ریزی به یافتن برنامه های عملیاتی مربوط به اشیایی اطلاق می شود که قادر به انجام برخی وظایف هستند. در چنین ES، مدل های رفتار اشیاء واقعی به منظور استنتاج منطقی پیامدهای فعالیت برنامه ریزی شده استفاده می شود. نمونه هایی از ES:

برنامه ریزی رفتار ربات - SRIPS،

برنامه ریزی سفارش صنعتی - 1SIS،

برنامه ریزی آزمایش - MOLGEN و همکاران.

تحصیلات. سیستم های یادگیری خطاها را در مطالعه یک رشته با استفاده از کامپیوتر تشخیص می دهند و تصمیمات درست را پیشنهاد می کنند. آنها در مورد یک "دانش آموز" فرضی و اشتباهات مشخصه او دانش جمع می کنند، سپس در کار خود می توانند نقاط ضعف دانش دانش آموزان را تشخیص داده و ابزار مناسبی برای رفع آنها بیابند. نمونه هایی از ES:

آموزش زبان برنامه نویسی Lisp در سیستم Lisp Teacher;

سیستم پروست - آموزش زبان پاسکال و غیره.

راه حل های سیستم های خبره شفاف هستند، یعنی می توان آنها را در سطح کیفی برای کاربر توضیح داد.

سیستم های خبره می توانند دانش خود را در جریان تعامل با متخصص تکمیل کنند.

4.3. ساختار سیستم های خبره

ساختار سیستم های خبره شامل اجزای زیر است:

دانش محور- هسته ES، مجموعه دانش مربوط به حوزه موضوعی، که بر روی یک رسانه ماشینی به شکلی قابل درک برای یک متخصص و یک کاربر (معمولاً به زبانی نزدیک به طبیعی) ضبط شده است. به موازات این بازنمایی «انسانی»، یک پایگاه دانش در بازنمایی «ماشین» داخلی وجود دارد. از مجموعه ای از حقایق و قوانین تشکیل شده است.

حقایق - اشیاء و رابطه بین آنها را توصیف کنید. قوانین - در پایگاه دانش برای توصیف روابط بین اشیاء استفاده می شود. استنتاج بر اساس روابط تعریف شده توسط قوانین انجام می شود.

پایگاه داده- برای ذخیره موقت حقایق و فرضیه ها در نظر گرفته شده است، حاوی داده های میانی یا نتیجه ارتباط بین سیستم ها و کاربر است.

استنتاج ماشینی- مکانیزم استدلالی که با دانش و داده ها به منظور به دست آوردن داده های جدید عمل می کند؛ برای این کار معمولاً از مکانیزم نرم افزاری برای یافتن راه حل استفاده می شود.

زیر سیستم ارتباطی- در خدمت انجام گفتگو با کاربر است که در طی آن سیستم خبره از کاربر حقایق لازم را برای فرآیند استدلال می خواهد و همچنین به کاربر اجازه می دهد تا روند استدلال را تا حدودی کنترل کند.

زیر سیستم را توضیح دهید- برای اینکه به کاربر توانایی کنترل سیر استدلال را بدهد ضروری است.

زیرسیستم کسب دانش- برنامه ای که به مهندس دانش توانایی ایجاد پایگاه های دانش در حالت تعاملی را می دهد. شامل سیستمی از منوهای تودرتو، الگوهای زبان نمایش دانش، نکات ("راهنما" - حالت) و سایر ابزارهای خدماتی است که کار با پایگاه داده را تسهیل می کند.

سیستم خبره در دو حالت عمل می کند:

کسب دانش (تعریف، اصلاح، افزودن)؛

حل مشکل.

در این حالت داده های مربوط به وظیفه پردازش شده و پس از کدگذاری مناسب به بلوک های سیستم خبره منتقل می شود. نتایج پردازش داده های به دست آمده به ماژول مشاوره و توضیح ارسال می شود و پس از تبدیل به زبانی نزدیک به طبیعی، در قالب مشاوره، توضیحات و نظرات صادر می شود. در صورتی که پاسخ برای کاربر واضح نباشد می تواند برای دریافت آن از سامانه خبره توضیح مطالبه کند.

4.4. مراحل اصلی توسعه سیستم های خبره

فرآیند تکنولوژیک توسعه یک سیستم خبره صنعتی را می توان به شش مرحله اصلی تقسیم کرد:

1. انتخاب مشکل مناسب

فعالیت هایی که منجر به تصمیم گیری برای شروع توسعه یک ES خاص می شود عبارتند از:

تعریف حوزه مشکل و وظیفه؛

یافتن یک متخصص مایل به همکاری در حل مشکل و تعیین تیم توسعه.

تعیین یک رویکرد اولیه برای حل مشکل؛

تجزیه و تحلیل هزینه ها و منافع حاصل از توسعه؛

تهیه طرح توسعه تفصیلی.

2. توسعه یک سیستم نمونه اولیه

سیستم نمونه اولیهیک نسخه کوتاه شده از سیستم خبره است که برای بررسی صحت کدگذاری حقایق، روابط و استراتژی های استدلال متخصص طراحی شده است.

نمونه اولیه باید دو شرط را برآورده کند:

یک سیستم نمونه اولیه باید رایج ترین مشکلات را حل کند، اما نباید بزرگ باشد.

زمان و تلاش درگیر در نمونه سازی باید ناچیز باشد.

کار برنامه های نمونه اولیه ارزیابی و تأیید می شود تا با نیازهای واقعی کاربران مطابقت داشته باشد. نمونه اولیه برای موارد زیر بررسی می شود:

راحتی و کفایت رابط های ورودی-خروجی (ماهیت سؤالات در گفتگو، سازگاری متن خروجی نتیجه و غیره)

اثربخشی استراتژی کنترل (ترتیب شمارش، استفاده از استنتاج فازی و غیره)؛

کیفیت موارد آزمایشی؛

صحت پایگاه دانش (کامل بودن و سازگاری قوانین).

یک متخصص معمولاً با یک مهندس دانش کار می کند که به ساختار دانش، تعریف و شکل گیری مفاهیم و قوانین مورد نیاز کمک می کند

برای حل مشکل. در صورت موفقیت، متخصص با کمک مهندس شناخت، پایگاه دانش نمونه اولیه را در مورد حوزه مشکل گسترش می دهد.

اگر شکست بخورد، می توان نتیجه گرفت که. چه روش های دیگری برای حل این مشکل یا توسعه یک نمونه اولیه مورد نیاز است.

3. توسعه یک نمونه اولیه برای یک سیستم خبره صنعتی.

در این مرحله، پایگاه دانش به طور قابل توجهی گسترش می یابد، عدد بزرگاکتشافی اضافی این اکتشافات معمولاً با ارائه قوانین بیشتر برای جنبه های ظریف موارد فردی، عمق سیستم را افزایش می دهند. پس از استقرار ساختار اولیه ES، مهندس دانش به توسعه و انطباق رابط‌هایی می‌پردازد که به کمک آنها سیستم با کاربر و متخصص ارتباط برقرار می‌کند.

به عنوان یک قاعده، انتقال آرام از نمونه های اولیه به سیستم های خبره صنعتی تحقق می یابد. گاهی اوقات، هنگام توسعه یک سیستم صنعتی، مراحل اضافی برای انتقال متمایز می شود: نمونه اولیه نمایشی - نمونه اولیه تحقیق - نمونه اولیه کار - سیستم صنعتی.

4. ارزیابی سیستم

سیستم های خبره به منظور بررسی صحت برنامه و مفید بودن آن ارزیابی می شوند. ارزیابی را می توان بر اساس معیارهای مختلفی انجام داد که ما آنها را به شرح زیر دسته بندی می کنیم:

معیارهای کاربر (شفافیت و شفافیت سیستم، کاربر پسند بودن رابط ها و غیره)؛

معیارهای کارشناسان دعوت شده (ارزیابی مشاوره - راهکارهای ارائه شده توسط سیستم، مقایسه آن با راه حل های خودمان، ارزیابی زیرسیستم توضیحات و ...)

معیارهای تیم توسعه (کارایی پیاده سازی، بهره وری، زمان پاسخگویی، طراحی، وسعت دامنه، ثبات پایگاه دانش، تعداد بن بست هایی که سیستم نمی تواند تصمیم بگیرد، تجزیه و تحلیل حساسیت برنامه به تغییرات جزئی در نمایش دانش، عوامل وزن دهی در خروجی های منطقی، داده ها و غیره استفاده می شود).

5. داک کردن سیستم

در این مرحله، سیستم خبره با سایر ابزارهای نرم افزاری در محیطی که در آن فعالیت خواهد کرد متصل می شود و افرادی که به آنها خدمت خواهد کرد آموزش می بینند همچنین داکینگ به معنای توسعه ارتباطات بین سیستم خبره و محیطی است که در آن فعالیت می کند.

Docking شامل حصول اطمینان از اتصال ES با پایگاه های داده موجود و سیستم های دیگر در سازمان و همچنین بهبود عوامل سیستمی است که به زمان بستگی دارد، به طوری که می توان از آن به طور کارآمدتر اطمینان حاصل کرد و ویژگی های آن را بهبود بخشید. وسایل فنیاگر سیستم در یک محیط غیرعادی (مثلاً ارتباط با دستگاه های اندازه گیری) کار می کند.

6. پشتیبانی سیستم

تبدیل یک سیستم به زبانی مانند C عملکرد و قابلیت حمل را بهبود می بخشد، اما انعطاف پذیری را کاهش می دهد. این تنها در صورتی قابل قبول است که سیستم تمام دانش منطقه مشکل را حفظ کند و این دانش در آینده نزدیک تغییر نخواهد کرد. با این حال، اگر سیستم خبره دقیقاً به این دلیل ایجاد شود که منطقه مشکل در حال تغییر است، لازم است از سیستم در محیط توسعه پشتیبانی شود.

زبان های هوش مصنوعی

Lisp (LISP) و Prolog (Prolog) رایج ترین زبان ها برای حل مشکلات هوش مصنوعی هستند. همچنین زبان های کمتر رایج هوش مصنوعی مانند REFAL وجود دارد که در روسیه توسعه یافته است. تطبیق پذیری این زبان ها کمتر از زبان های سنتی است، اما زبان های هوش مصنوعی از دست دادن آن را با امکانات غنی برای کار با داده های نمادین و منطقی جبران می کنند که برای وظایف هوش مصنوعی بسیار مهم است. بر اساس زبان‌های هوش مصنوعی، رایانه‌های تخصصی ایجاد می‌شوند (مثلاً ماشین‌های Lisp) که برای حل مشکلات هوش مصنوعی طراحی شده‌اند. عیب این زبان ها عدم کاربرد آنها برای ایجاد سیستم های خبره ترکیبی است.

ابزارهای نرم افزاری خاص

کتابخانه‌ها و افزونه‌ها برای زبان هوش مصنوعی Lisp: KEE (محیط مهندسی دانش)، FRL (زبان بازنمایی فریم)، ​​KRL (زبان بازنمایی دانش)، ARTS و غیره که به کاربران اجازه می‌دهد با سیستم‌های خبره در سطح بالاتری کار کنند. در زبان های هوش مصنوعی معمولی امکان پذیر است.

"پوسته"

"شل" ها "نسخه های خالی سیستم های خبره موجود هستند، یعنی سیستم های خبره آماده و بدون پایگاه دانش. نمونه ای از چنین پوسته ای EMYCIN (Empty MYCIN) است که یک سیستم خبره MYCIN خالی است. برای ایجاد یک سیستم خبره آماده اصلاً نیاز به کار برنامه نویسان است. تنها چیزی که لازم است متخصصان دامنه است تا پایگاه دانش را پر کنند. اما اگر دامنه خاصی با مدل مورد استفاده در یک پوسته خاص مطابقت نداشته باشد، پر کردن پایگاه دانش در این مورد بسیار دشوار است.

5. مقدمه - زبان منطقی
برنامه نويسي

5.1. اطلاعات کلی در مورد PROLOGUE.

PROLOGUE (PROGRAMMING IN LOGIC) یک زبان برنامه نویسی منطقی است که برای حل مشکلات در زمینه هوش مصنوعی (ایجاد ES، برنامه های ترجمه، پردازش زبان طبیعی) طراحی شده است. برای پردازش زبان طبیعی استفاده می شود و ابزارهای قدرتمندی برای بازیابی اطلاعات از پایگاه های داده دارد و روش های جستجوی مورد استفاده در آن تفاوت اساسی با روش های سنتی دارد.

ساختارهای اولیه ProLOGUE از منطق به عاریت گرفته شده است. PROLOGUE یک زبان رویه ای نیست، بلکه یک زبان برنامه نویسی اعلانی است. این نه بر توسعه راه حل ها، بلکه بر یک توصیف منظم و رسمی از مشکل متمرکز است، به طوری که راه حل از شرح نوشته شده پیروی می کند.

ماهیت رویکرد منطقی این است که ماشین به عنوان یک برنامه نه یک الگوریتم، بلکه یک توصیف رسمی از حوزه موضوعی و مشکل در حال حل در قالب یک سیستم بدیهی ارائه می شود. سپس جستجوی راه حل با استفاده از خروجی در این سیستم را می توان به خود کامپیوتر سپرد. وظیفه اصلی برنامه نویس این است که حوزه موضوعی را با سیستمی از فرمول های منطقی و با مجموعه ای از روابط روی آن که به طور کامل کار را توصیف می کند ، با موفقیت نشان دهد.

ویژگی های اساسی ProLOGUE:

1) جستجو و بازگشت موتور استنتاج

2) موتور تطبیق الگوی داخلی

3) ساختار داده ساده و به راحتی قابل تغییر است

4) فقدان اشاره گر، انتساب و عملگرهای پرش

5) بازگشت طبیعی

مراحل برنامه نویسی PROLOGUE:

1) اعلام حقایق در مورد اشیاء و رابطه بین آنها.

2) تعیین قواعد رابطه اشیاء و روابط بین آنها.

3) جمله بندی سوال در مورد اشیاء و رابطه بین آنها.

مبنای نظری ProLOGUE شاخه ای از منطق نمادین به نام حساب محمول است.

محمولنام یک ویژگی یا رابطه بین اشیا با دنباله ای از آرگومان ها است.

<имя_предиката>(t1، t2، ...، tn))، t1، t2، ...، tn آرگومان هستند

به عنوان مثال، واقعیت سیاه (cat) با استفاده از محمول سیاه نوشته می شود که دارای یک آرگومان است. حقیقت نوشت (شولوخوف، "آرام دان")با استفاده از محمول نوشته شده است نوشتکه دو استدلال دارد.

تعداد آرگومان های یک محمول را آریتی محمول می گویند و با سیاه / 1 نشان می دهند (محمول سیاه یک آرگومان دارد، آریتی آن یک است). محمول ها ممکن است هیچ آرگومان نداشته باشند؛ آریتی چنین محمول هایی 0 است.

زبان Prolog از کار A. Colmerauer در مورد پردازش زبان طبیعی و کار مستقل R. Kowalski در مورد کاربردهای منطق در برنامه نویسی (1973) رشد کرد.

معروف ترین در روسیه سیستم برنامه نویسی Turbo Prolog است - پیاده سازی تجاری زبان برای رایانه های شخصی سازگار با IBM. در سال 1988، نسخه بسیار قدرتمندتر Turbo Prolog 2.0 منتشر شد که شامل یک محیط برنامه نویسی یکپارچه بهبودیافته، یک کامپایلر سریع و ابزارهای برنامه نویسی سطح پایین بود. Borland این نسخه را تا سال 1990 توزیع کرد، زمانی که PDC انحصار استفاده از کد منبع کامپایلر و بازاریابی بیشتر سیستم برنامه نویسی را تحت نام PDC Prolog به دست آورد.

در سال 1996 مرکز توسعه پرولوگ سیستم ویژوال پرولوگ 4.0 را به بازار عرضه کرد. محیط Visual Prolog از رویکردی به نام "برنامه نویسی بصری" استفاده می کند که در آن ظاهر و رفتار برنامه ها با استفاده از ابزارهای طراحی گرافیکی ویژه بدون برنامه نویسی سنتی در یک زبان الگوریتمی تعریف می شود.

Visual Prolog شامل یک محیط توسعه بصری تعاملی (VDE - Visual Develop Environment) است که شامل متن و انواع مختلف است. ویرایشگر گرافیکی، ابزارهای تولید کد که منطق کنترل (Experts) را می سازند و یک رابط پسوند زبان برنامه نویسی بصری(VPI - Visual Programming Interface)، کامپایلر Prolog، مجموعه ای از فایل ها و کتابخانه های مختلف، ویرایشگر پیوند، فایل های حاوی مثال ها و راهنما.

5.2. پیشنهادات: حقایق و قوانین

یک برنامه PROLOGUE از جمله هایی تشکیل شده است که می توانند حقایق، قوانین یا پرس و جو باشند.

حقیقت- این بیانیه ای است که یک رابطه خاص بین اشیاء مشاهده می شود. Fact برای نشان دادن یک رابطه ساده بین داده ها استفاده می شود.

ساختار واقعیت:

<имя_отношения>(t1، t2، ...، tn))، t1، t2، ...، tn اشیا هستند

نمونه هایی از حقایق:

تحصیل (ایران، دانشگاه). % ایرا در دانشگاه درس می خواند

پدر و مادر (ایوان، الکسی). ٪ ایوان پدر و مادر الکسی است

زبان_برنامه‌نویسی (پرلوگ). % Prolog یک زبان برنامه نویسی است

مجموعه حقایق است پایگاه داده... در قالب یک واقعیت، برنامه داده هایی را ثبت می کند که به عنوان واقعی پذیرفته شده است و نیازی به اثبات ندارد.

قوانینبرای ایجاد روابط بین اشیاء بر اساس حقایق موجود استفاده می شود.

ساختار قانون:

<имя_правила> :- <тело правила>یا

<имя_правила >اگر<тело правила>

سمت چپ قانون استنتاج نامیده می شود سرقوانین، و سمت راست است بدن... بدنه می تواند از چندین شرط تشکیل شده باشد که با کاما یا نقطه ویرگول از هم جدا می شوند. کاما به معنای عملیات AND منطقی، نقطه ویرگول به معنای عملیات OR منطقی است. جملات از متغیرها برای خلاصه کردن قواعد استنتاج استفاده می کنند. متغیرها فقط در یک جمله معتبر هستند. نام در جملات مختلف نشان دهنده اشیاء مختلف است. تمام جملات باید با یک نقطه خاتمه یابد.

نمونه هایی از قوانین:

مادر (X، Y): - والد (X، Y)، زن (X).

دانشجو (X): - مطالعات (X، مؤسسه)؛ تحصیل (X، دانشگاه).

تفاوت یک قاعده با یک واقعیت در این است که یک واقعیت همیشه صادق است و یک قاعده در صورتی صادق است که تمام عباراتی که بدنه قاعده را تشکیل می دهند صادق باشند. حقایق و قوانین شکل می گیرد دانش محور.

اگر پایگاه داده دارید، می توانید بنویسید استعلام(هدف) به او. درخواست فرمول بندی مشکلی است که یک برنامه باید آن را حل کند. ساختار آن همانند یک قاعده یا یک واقعیت است. پرس و جوهای ثابت و پرس و جوهای متغیر وجود دارد.

پرس و جوهای ثابت به شما امکان می دهد یکی از دو پاسخ را دریافت کنید: "بله" یا "خیر"

به عنوان مثال، حقایقی وجود دارد:

می داند (لنا، تانیا).

می داند (لنا، ساشا).

می داند (ساشا، تانیا).

الف) آیا لنا ساشا را می شناسد؟

استعلام: می داند (لنا، ساشا).

نتیجه: آره

ب) آیا تانیا لنا را می شناسد؟

استعلام می داند (تانیا، لنا).

نتیجه: نه

اگر متغیری در درخواست گنجانده شود، مفسر سعی می کند مقادیری را پیدا کند که درخواست برای آنها درست باشد.

الف) لنا چه کسی را می شناسد؟

استعلام: می داند (لنا، ایکس).

نتیجه:

X = تانیا

X = ساشا

ب) چه کسی ساشا را می شناسد؟

استعلام: می داند (X، ساشا).

نتیجه: X = لنا

پرس و جوها می توانند مرکب باشند، یعنی از چندین مورد تشکیل شوند پرس و جوهای ساده... آنها با علامت "،" متحد می شوند که به عنوان یک پیوند منطقی "و" درک می شود.

پرس و جوهای ساده نامیده می شوند هدف فرعی، یک پرس و جو مرکب طول می کشد معنی واقعیزمانی که هر هدف فرعی درست است

برای پاسخ به اینکه آیا لنا و ساشا آشنای مشترک دارند یا خیر، باید درخواست کنید:

می داند (لنا، ایکس)، می داند (ساشا، ایکس).

نتیجه:

X = تانیا

5.4. متغیرها در PROLOGUE

متغیر در PROLOGUE به عنوان یک مکان حافظه اختصاص داده شده در نظر گرفته نمی شود. برای نشان دادن شیئی که نمی توان با نام ارجاع داد استفاده می شود. متغیر را می توان در نظر گرفت نام محلیبرای برخی از شی

نام متغیر باید با شروع شود حرف بزرگیا زیرخط و فقط شامل حروف، اعداد و زیرخط است: X، _y، AB، X1. متغیری که مهم نیست نامیده می شود رایگان، یک متغیر دارای یک مقدار - بتن ریزی شده است.

متغیری که فقط از کاراکتر زیر خط تشکیل شده باشد فراخوانی می شود ناشناسو در صورتی استفاده می شود که معنای آن بی ربط باشد. به عنوان مثال، حقایقی وجود دارد:

والدین (ایرا، تانیا).

والدین (میشا، تانیا).

والدین (اولیا، ایرا).

شناسایی همه والدین الزامی است

استعلام: والد (x, _)

نتیجه:

X = ایرا

X = میشا

X = علیا

دامنه یک متغیر، ادعا است. در یک عبارت، همان نام به همان متغیر تعلق دارد. دو عبارت می توانند از یک نام متغیر به روش های کاملا متفاوت استفاده کنند.

هیچ عملگر انتساب در PROLOGUE وجود ندارد، نقش آن توسط عملگر برابری = ایفا می شود. هدف X = 5 را می توان به عنوان یک مقایسه (اگر X یک مقدار داشته باشد) یا به عنوان یک انتساب (اگر X رایگان است) در نظر گرفت.

در PROLOGUE نمی توانید X = X + 5 را برای افزایش مقدار متغیر بنویسید. یک متغیر جدید باید استفاده شود: Y = X + 5.

5.5. اشیاء و انواع داده در PROLOGUE

اشیاء داده در PROLOGUE فراخوانی می شوند مقررات... یک عبارت می تواند یک ترم ثابت، متغیر یا مرکب (ساختار) باشد. ثابت ها اعداد صحیح و واقعی (0، - l، 123.4، 0.23E-5) و همچنین اتم ها هستند.

اتم- هر دنباله ای از کاراکترهای محصور در علامت نقل قول. اگر رشته با حروف کوچک شروع شود و فقط دارای حروف، اعداد و زیرخط باشد (یعنی اگر بتوان آن را از نماد متغیر متمایز کرد) نقل قول حذف می شود. نمونه هایی از اتم ها:

abcd، "a + b"، "دانشجو ایوانف"، مقدمه، "پرلوگ".

ساختاربه شما امکان می دهد چندین شی را در یک کل واحد ترکیب کنید. از یک تابع (نام) و یک دنباله از اصطلاحات تشکیل شده است.

تعداد اجزای یک ساختار آریتی ساختار نامیده می شود: داده / 3.

یک سازه می تواند شامل ساختار دیگری به عنوان یکی از اشیاء خود باشد.

تولد_تاریخ (شخص ("ماشا"، "ایوانووا")، داده ها (15 آوریل 1983))

دامنهدر PROLOGUE، نوع داده نامگذاری شده است. دامنه های استاندارد عبارتند از:

عدد صحیح - اعداد کامل.

اعداد واقعی - واقعی

رشته - رشته ها (هر دنباله ای از کاراکترهای محصور شده در نقل قول).

char یک کاراکتر منفرد است که در آپستروف ها محصور شده است.

نماد - دنباله ای از حروف لاتین، اعداد و زیرخط ها که با یک حرف کوچک یا هر دنباله ای از نمادها در گیومه شروع می شود.

5.6. بخش های اصلی برنامه PROLOGUE

به عنوان یک قاعده، یک برنامه PROLOGUE از چهار بخش تشکیل شده است.

دامنه ها- بخش توصیف دامنه ها (انواع). این بخش در صورتی استفاده می شود که برنامه از دامنه های غیر استاندارد استفاده کند.

مثلا:

مقدمات -بخش برای توصیف محمولات این بخش در صورتی استفاده می شود که برنامه از گزاره های غیر استاندارد استفاده کند.

مثلا:

می داند (نام، نام)

نام دانش آموز)

بندها -بخش پیشنهادات در این بخش است که جملات نوشته می شود: حقایق و قواعد استنتاج.

مثلا:

می داند (لنا، ایوان).

دانشجو (ایوان).

آشنا_دانشجو (X، Y): - می داند (X، Y)، دانش آموز (Y).

هدف -بخش هدف این بخش درخواست را ثبت می کند.

مثلا:

دانش آموز (lena, X).

ساده ترین برنامه فقط می تواند شامل یک بخش GOAL باشد، برای مثال:

بنویسید ("نام خود را وارد کنید:")، readln (نام)،

بنویسید ("سلام"، نام، "!").