WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 663 http://zhurnal.ape.relarn.ru/articles/2005/060.pdf Агент и агентные задачи системы анализа изображений Цибульский Г.М. (tcgm@fivt.krasn.ru), Латынцев А.А.

Красноярский государственный технический университет Можно констатировать, что к настоящему времени концепция понятия агент сформирована [1]. Однако теория агента продолжает формироваться и по настоящее время [2-4], например, нет исчерпывающего удовлетворяющего исследователей различных направлений определения понятия агента, не определены задачи, на решение которых должен быть ориентирован агент.

Именно в этой связи в настоящей работе и рассматриваются сформулированные вопросы применительно к задачам анализа сложных изображений.

Понятия задачи и решающей системы последовательно формулировались Месаровичем, Амарэлом, Р.Б.Банерджи, Д.Пойа, Е.Ефимовым, В.П.Гладуном [5-10]. Задачу далее будем представлять как тройку:

З = < К, Ка, Кт >, где К - необходимое для решения задачи знание об исследуемом объекте и знание о способе решения задачи; Ка - исходная информация (знание) об исследуемом объекте (актуальная модель исследуемого объекта); Кт - требуемая модель исследуемого объекта.

Задача - ситуация, в которой для некоторой области действительности (оригинала) заданы модели существующего и требуемого состояний оригинала.

Решением задачи называется процесс преобразования модели существующего состояния оригинала в модель требуемого состояния:

Ка Кт.

Система, реализующая решение задачи, называется решающей системой.

Решение сложной задачи расчленяется на отдельные действия решающей системы и в целом может быть представлено как последовательность этих действий. Представление решения задачи в виде последовательности действий решающей системы есть путь решения задачи.

Если путь решения исходной задачи известен априори, то соответствующая решающая система называется решающей системой первого рода. Если же путь решения исходной задачи априори неизвестен, то решающая система, ориентированная на решение подобных задач, называется решающей системой второго рода [10].

Наряду с путём решения задач выделяют такое понятие как способ (схема) решения задач. Способ (схема) решения задач – это некоторое знание о том, как строить путь решения задач, на решение которых ориентирована Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 664 http://zhurnal.ape.relarn.ru/articles/2005/060.pdf решающая система. Для решающих систем второго рода способ решения задач – поиск.

Обратим внимание на то, что модели актуального и требуемого состояний оригинала заданы априори. Они заданы как совокупность ограничений и допущений, которым должны удовлетворять описания текущей ситуации и реакция решающей системы на текущую ситуацию. Обсуждаемые модели являются описаниями эталона всех возможных воздействий среды на решающую систему и эталона всех реакций решающей системы на определённый класс воздействий среды. Таким образом, решающая система всегда находится в некоторой среде. Она способна воспринимать только определённый класс воздействий среды, но и на среду она должна воздействовать нормативно, не нарушая целостность среды.

Задачи решающих систем второго рода варьируются от простых задач (малая область поиска, предметная область статична, описана одной моделью, данные точны и не содержат ошибок) до сложных задач (большое пространство поиска, динамичность модели предметной области, неполнота модели описания, неопределённость исходных данных) [11].

Мерой сложности задач является степень неопределённости их формулировки: параметрическая неопределённость, функциональноструктурная неопределённость, неопределённость по статической структуре оригинала, неопределённость по оригиналу (по границе раздела оригинала и его среды), неопределённость по целям исследования. Решающие системы второго рода ориентированы на решение задач, формулировка которых допускает наличие хотя бы двух первых видов неопределённости, что характерно, например, для традиционных экспертных систем.

Другой мерой сложности задач решающих систем второго рода является объём поиска, который требуется осуществить для их решения. В этой связи под простыми задачами решающих систем второго рода будем далее понимать такие задачи, решение которых находится методом одношагового поиска. Тогда решение простой задачи может быть описано следующей продукцией:

(I), S; Р; ЕСЛИ (условие) ТО (действие); N, где I – имя продукции (имя системы, реализующей продукцию); S – анализируемая ситуация (воздействие среды на систему); Р – предикат, определяющий условие применимости продукции; N – постусловие продукции, определяющее характер реакции системы на отношение среды к действию системы; ЕСЛИ (условие) ТО (действие) – ядро продукции;

(условие) – описание, которому должна удовлетворять анализируемая ситуация; (действие) – описание реакции системы на возникшую в среде ситуацию.

Решающие системы второго рода, ориентированные на решение простых задач, будем далее называть агентом.

Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 665 http://zhurnal.ape.relarn.ru/articles/2005/060.pdf Среда агента определяет весь набор сопутствующих задач агента, необходимость в решении которых может возникнуть при достижении агентом основной цели. Среда агента состоит, по крайней мере, из 1) знака, посредством которого агент информируется об оригинале; 2) пользователя;

3) соседей (агенты, с которыми рассматриваемый агент может вступать в контакт).

Все задачи агента можно рассматривать как типовые задачи опознавания [12]. Однако с учётом конечности знаний задачи агента должны быть сформулированы следующим образом: Если задан некоторый критерий компактности, задано признаковое пространство Хi и совокупность классов Wi своими представителями Хср, то всякий объект относится к некоторому классу Wi, если расстояние до представителя этого класса текущего объекта удовлетворяет критерию компактности: ЕСЛИ (|Хi – Хср| < ), ТО Wi.

Предъявленный для классификации объект может не попасть в один из известных системе кластеров, в этом случае он попадает в неизвестную системе область пространства признаков. В последнем случае возникает задача обучения агента с конкретно определённой целью: в пространстве признаков образовать новый кластер. Образование нового кластера осуществляется на основе выборочных данных, либо на основе данных о прецеденте. При этом задача обучения (вторая типовая задача с учётом конечности знаний агента) может рассматриваться как задача получения классификатора, обеспечивающего отнесение неизвестного объекта к одному из априори известных после обучения классов: Дано: алфавит S = s1,s2,…,sk (имена классов), набор признаков Х = х1,х2, …, хn (признаковое пространство), представители разных классов Э = э1, э2, …, эк, критерий компактности = 1, 2, … к, обучающая выборка (данные о прецеденте). Найти sк+1, эк+1, к+1.

Непересекаемость кластеров в пространстве свойств, как важнейшая предпосылка решения указанных задач формулируется следующим образом [12]: “Образы называются -не пересекаемыми, если при неограниченном возрастании объёмов выборок всех образов минимальное взаимное расстояние между реализациями различных классов остаётся не менее некоторой конечной величины ”.

Простота рассмотренных задач состоит в том, чтобы получить описание, разделяющее классы объектов с точностью до их отличия друг от друга. При этом раскрытие и описание содержания каждого класса объектов остаются вне указанных задач. Ограничение общей цели исследования для рассмотренных задач позволяет алфавит распознаваемых классов объектов описывать с помощью единого набора признаков, одинакового для всех классов. Отсюда и мера сходства объектов строится на основе понятия «метрической близости» их образов. Значение меры близости образов в пространстве свойств (значение критерия компактности) определяется на Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 666 http://zhurnal.ape.relarn.ru/articles/2005/060.pdf основе экспертного знания и является мерой правдоподобности отнесения неизвестного объекта к некоторому эталону.

Если же стоит вопрос о различении качественно разнородных объектов, когда возникает необходимость в распознавании структуры объекта, возникает третья типовая задача опознавания: Дано: алфавит S = s1,s2,…,sk, решающее правило D = d1, d2, …, dm, представители классов Э = э1, э2, …, эк, критерий компактности = 1, 2, … к. Найти вектор признаков, обеспечивающих разделение элементов алфавита в пространстве свойств.

Эта задача обычно рассматривается как задача создания классификатора.

Решение сформулированной задачи описывает процедуру порождения агента. Процедура порождения агента инициируется, когда в среде коллектива агентов возникает текущая цель, для достижения которой с заданным качеством не активируется ни один из агентов начального коллектива агентов.

Вопрос о необходимости различения качественно разнородных объектов возникает в связи с исследованием внешней и внутренней гетерогенности оригинала [13]. Внешняя гетерогенность оригинала – описание качественного отличия отображаемого объекта от других объектов, его место в некоторой системе объектов. Внутренняя гетерогенность оригинала – качественное разнообразие элементов отображаемого объекта. Качественное различие объектов – это различение их признаковых описаний ни по значению признаков, как это было в рассмотренной выше задаче классификации, а различение самих признаковых описаний. Качественно различные объекты должны иметь различные признаковые описания.

Поэтому для их распознавания строятся различные классификаторы.

Исследование структуры оригинала можно рассматривать как одношаговый акт распознавания, если иметь целью исследования описание максимально укрупнённой структуры оригинала: двухуровневое дерево, корнем которого является признаковое описание самого оригинала, а листья дерева – индивидуальные признаковые описания элементов укрупнённой структуры оригинала. Если в качестве оригинала рассматривать формулировку некоторой цели, с которой начинается постановка всякой задачи, содержанием которой является исследование внутренней гетерогенности оригинала, то возникает известная проблема редукции. Её одношаговое решение представляет собой простейший акт распознавания, для исполнения которого необходимо, как это было показано выше, априорное задание типовой структуры оригинала. В результате исполнения одношаговой редукции исходной цели должна быть указана не только типовая структура цели, но и индивидуальные признаковые описания её подцелей. Вот здесь-то и возникает вторая задача опознавания: сформировать систему признаков, которая позволяет отделить неизвестный объект от «всего остального» (от фона). Информативный набор признаков для каждой подцели формируется на основе некоторого начального множества Электронный журнал «ИССЛЕДОВАНО В РОССИИ» 667 http://zhurnal.ape.relarn.ru/articles/2005/060.pdf признаков, который задан решающей системе априори в результате опыта решения системой задач её проблемной ориентации.

Таким образом, агент системы анализа изображений – решающая система второго рода, ориентированная на решение простых задач. Простая задача – типовая задача опознавания, формулируемая на основе концепции конечности знаний. Агент всегда функционирует в среде. Наряду с основной целью агент вынужден преследовать и сопутствующие цели – это адаптация агента к среде и воздействие агента на среду. Воздействие агента на среду сводится к его воздействию только на пользователя и соседей.

1. M.Wooldridge and N.R.Jennings, Intelligent agents: theory and practice, The Knowledge Engineering Review, v. 10:2, 1995, 115-2. С.В.Ахапкин, С.В.Васильев, В.И.Городецкий, Л.А.Станкевич. Футбол роботов – многоагентная среда для исследования группового поведения интеллектуальных роботов. // Тр. X науч.-тех. конф. "Экстремальная робототехника", СПб, 1999,изд-во СпбГТУ, с.122-3. Кораблин М.А., Ржевский Г.А., Скобелев П.О. Мультиагентная среда для поддержки принятия решений. // ICCS 2001, Санкт Петербург, 4. В.И.Городецкий, М.С.Грушинский, А.В.Хабалов, Многоагентные системы (обзор) // Новости искусственного интеллекта, 1998, N2.

5. M.Mesarovic, Systems theoretic approach to formal theory of problem solving, in Theoretical Approaches to Non-Numerical Problem Solving, R.Banerji and M.Mesarovic, Eds. New York: Springer, 1970.

6. S.Amarel, Problems of representation in heuristic problem solving: related issues in the development of expert systems, Laboratory for Computer Science Research, Rutgers Univ., Tech. Rep. CBM-TR-118, 1981.

7. Р.Б.Банерджи. Теория решения задач как раздел искусственного интеллекта. ТИИЭР, т.70, №12, декабрь 1982.

8. Д. Пойа. Математическое открытие. – М.: Наука, 1976. – 448с.

9. Ефимов Е.И. Решатели интеллектуальных задач - М.: Наука,1982.

10. В.П.Гладун, Н.Д.Ващенко, Н.И.Галаган. Системы планирования действий для сложных сред // Кибернетика. – 1982.-№5.- с.88-94.

11. Попов Э.В. Экспертные системы. М.: Наука, 1987. 284с.

12. Н.Г.Загоруйко. Методы распознавания и их применение. М., 1972.

13. В.С.Тюхтин. Теория автоматического опознавания и гносеология.

«Наука», М., 1976, 190с.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.