| |||
|
Доклад: Мивары, ГРИД, SOA и их взаимодействие В работе проведен анализ следующих технологий: Грид (Grid), сервисно-ориентированной архитектуры (СОА), самоорганизующихся программно-аппаратных комплексов (СПАК), систем адаптивного синтеза (САС) информационно-вычислительных конфигураций (ИВК) и миварного (Многомерного Информационного ВАРьирующегося) пространства данных и правил. Показано, что на уровне аппаратных средств технологии САС ИВК являются развитием Грид-технологий, а на уровне программных средств - миварное пространство значительно расширяет возможности СОА. Совместное использование этих четырех технологий позволит проводить распределенную и параллельную обработку, осуществлять гибкую и надежную защиту данных и реализовать технологии создания самообучающихся СПАК, а в перспективе они позволят создать интеллектуальные автоматизированных систем обработки информации (АСОИ) и системы искусственного интеллекта. Статья: Линейной сложности матричный логический вывод Предлагается новый метод поиска маршрута логического вывода на сети правил. Суть этого метода состоит в том, что для некоторой сети логических правил, представленной в списочной форме, строится матрица. Затем, на основе анализа этой матрицы определяется факт наличия успешного маршрута вывода, потом определяются возможные маршруты логического вывода, а на последнем этапе из этих маршрутов выбирают "кратчайший", наиболее оптимальный по заданным критериям оптимальности. К критериям оптимальности относят, например, скорость логического вывода, использование аппаратных средств, количество шагов логического вывода и т.д. Статья: Миварные базы данных и знаний Предложен новый подход к созданию модели представления данных и знаний в системах искусственного интеллекта, основанный на использовании развивающегося эволюционного (адаптивного) динамического многомерного объектно-системного дискретного пространства унифицированного представления данных и правил, называемого миварным пространством представления данных и правил. Основой миварного подхода к представлению данных и знаний является целостное, эволюционное, динамичное, многомерное, а при необходимости и объектно-ориентированное, описание изучаемой (моделируемой) предметной области, при котором сущности (вещи, объекты), свойства и отношения могут переходить друг в друга, в зависимости от предмета исследования, т.е. сущность может быть свойством другой сущности или сущность может быть отношением других сущностей и наоборот. Статья: Мивары и ГРИД, СОА и самоорганизующиеся программно-аппаратные комплексы В статье проведен анализ следующих технологий: Грид (Grid), сервисно-ориентированной архитектуры (СОА), самоорганизующихся программно-аппаратных комплексов (СПАК), систем адаптивного синтеза (САС) информационно-вычислительных конфигураций (ИВК) и миварного (Многомерного Информационного ВАРьирующегося) пространства данных и правил. Показано, что на уровне аппаратных средств технологии САС ИВК являются развитием Грид-технологий, а на уровне программных средств - миварное пространство значительно расширяет возможности СОА. Совместное использование этих четырех технологий позволит проводить распределенную и параллельную обработку, осуществлять гибкую и надежную защиту данных и реализовать технологии создания самообучающихся СПАК, а в перспективе они позволят создать интеллектуальные автоматизированных систем обработки информации (АСОИ) и системы искусственного интеллекта. Автореферат диссертации дтн (архив) Монография 2002 года. Эволюционные базы данных ... (архив) Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М., 2002. - 300 с. Посвящена теоретическим и реализационным основам построения эволюционных баз данных и знаний и систем адаптивного синтеза информационно-вычислительных конфигураций. Содержит как обзорный материал, касающийся систем искусственного интеллекта и их философских, психологических и эволюционных аспектов, так и оригинальные результаты, полученные автором в ходе разработки нового класса моделей данных и правил с изменяемой эволюционной структурой. Эволюционные динамические многомерные объектно-системные структуры унифицированного представления данных и правил названы "миварными". Суть миварного представления данных в том, что формируется информационное пространство <вещь, свойство, отношение> путем определения основных осей и фиксацией основных объектов (вещей) и их отношений. Названия объектов и отношений в некотором порядке фиксируются на осях, а на соответствующих пересечениям точках этого пространства, которые называются миварами, записываются конкретные значения свойств и отношений объектов. Мивар - это некоторая вещь, обладающая конкретным свойством, находящаяся в определенном отношении. Для специалистов в области теоретической и прикладной информатики, вычислительной математики, студентов и аспирантов вузов соответствующих специальностей, системных и прикладных программистов. Может быть использована в качестве учебного пособия для вузов по современным информационным технологиям. Ил. 60. Библ. 509 назв. ОГЛАВЛЕНИЕ Условные обозначения. Введение. 1. Проблема создания эволюционных баз данных и знаний для синтеза интеллектуальных систем. 1.1. Интеллектуальные системы и эволюционные базы данных и знаний (правил). 1.2. Взаимосвязь интеллектуальных систем и систем искусственного интеллекта. 1.3. Основные подходы к проблеме искусственного интеллекта. 1.4. Биологические аспекты эволюционного моделирования. 1.5. Некоторые психологические аспекты синтеза интеллектуальных систем. 1.6. Проблема адаптивного синтеза информационно-вычислительных конфигураций. 1.7. Пути создания эволюционных баз данных и знаний для синтеза интеллектуальных систем. 2. Гносеологические аспекты представления данных и знаний в интеллектуальных системах. 2.1. Философские категории: вещь, свойство, отношение. 2.2. Вещь как система. 2.3. Вещь в процессе своего возникновения, пребывания и развития. 2.4. Вещь, свойство, отношение и процесс познания мира. 2.5. Методологические функции категорий вещь, свойство, отношение и синтез научного знания о мире. 3. Анализ и обобщение структур представления данных традиционных моделей данных. 3.1. Формализованное описание основных СПД традиционных моделей данных. 3.2. Анализ структур представления данных традиционных моделей данных. 3.3. Сравнение основных СПД традиционных моделей данных. 3.4. Обобщение основных СПД традиционных моделей данных. 3.5. Пятиуровневая одномерная таблица представления данных. 4. Миварная концепция многомерного эволюционного объектно-системного унифицированного представления данных и правил. 4.1. Теоретические основы миварного пространства представления данных и правил. 4.2. Основные возможности миварного представления данных. 4.3. Переход от одномерных многоуровневых таблиц представления данных к многомерному миварному пространству представления данных. 4.4. Сравнение трехуровневых таблиц представления данных и трехмерного миварного пространства представления данных. 4.5. Структуры представления данных о миварах. 4.6. Структуры представления данных об отношениях миваров. 4.7. Формализованное описание миварных структур представления данных. 4.8. Пример описания данных в миварном информационном пространстве. 4.9. Эволюционность миварных структур представления данных. 5. Обработка данных в миварном пространстве представления данных. 5.1. Обработка данных на основе адаптивной логической сети правил. 5.2. Особенности обработки данных на основе миварной логической сети. 5.3. Принципы "графового" поиска маршрута вывода на логической сети правил. 5.4. Адаптивный механизм логического вывода на эволюционной активной сети гиперправил с мультиактивизаторами, управляемой потоком данных. 5.5. Адаптивность механизма логического вывода на эволюционной активной сети гиперправил с мультиактивизаторами. 5.6. Квадратичной сложности метод поиска минимального разреза многополюсных сетей. 5.7. Линейный матричный метод определения маршрута логического вывода на сети правил. 6. Метод максимального распараллеливания доступа к общей базе данных. 6.1. Анализ существующих методов распараллеливания доступа к общей базе данных. 6.2. Подход к максимальному распараллеливанию доступа к общей базе данных. 6.3. Проблема обеспечения максимальности распараллеливания доступа к общей БД. 6.4. Конвейерная реализация алгоритма функционирования сервера базы данных с максимальным распараллеливанием. 6.5. Исследование параметров виртуальных потоковых баз данных. 6.6. Структуры представления данных для виртуальных потоковых баз данных. 6.7. Оценка быстродействия обработки потока данных. 7. Линейный метод единично-инкрементного суммирования чисел. 7.1. Необходимость разработки линейного метода суммирования чисел. 7.2. Основы линейного метода единично-инкрементного суммирования чисел. 7.3. Устройство линейного единично-инкрементного суммирования чисел. 7.4. Алгоритм линейного единично-инкрементного суммирования чисел. 7.5. Исследование параметров единично-инкрементного суммирования чисел. 7.6. "Табличная" модификация единично-инкрементного суммирования чисел. 7.7. Модификация метода суммирования чисел с уменьшением необходимого объема оперативной памяти ЭВМ. 7.8. Локальные корректировки вычислений и обработки данных. 8. Эволюционные неоднородные компьютерные системы и синтез интеллектуальных систем. 8.1. Принципы построения однородных многопроцессорных вычислительных систем. 8.2. Анализ путей создания эволюционных неоднородных компьютерных систем. 8.3. Взаимосвязь интеллектуальных и эволюционных неоднородных компьютерных систем. 8.4. Основные пути создания систем адаптивного синтеза ИВК. 8.5. Принципы построения и применения систем адаптивного синтеза ИВК. 8.6. Роль ЭВМ в процессах обработки информации. 8.7. Системы искусственного интеллекта и теория активного отражения. 8.8. Психология и логико-информационный подход к моделированию интеллектуальных систем. 8.9. Перспективы применения эволюционных баз данных и правил для адаптивного синтеза интеллектуальных систем. Заключение. Список литературы. Текст диссертации дтн (архив) К концу 20 века были разработаны: либо одномерные многоуровневые, либо многомерные, либо динамические базы данных и знаний. Возрастание потребностей науки и практики сделало актуальным решение новых сложных задач оперативной диагностики в условиях многомерного, динамического и непрерывного функционирования комплексов оперативной диагностики. Известные технологии баз данных и САПР не применимы для синтеза таких комплексов. Противоречие в том, что в условиях дефицита времени требуется оперативно синтезировать ("под задачу") уникальный программно-аппаратный комплекс с использованием всех доступных ресурсов, включая Интернет, для обеспечения экспресс-диагностики сложной (уникальной) задачи. После решения одной задачи комплекс переформировывается, самоорганизуется для решения другой уникальной задачи. Совокупность взаимосвязанных проблем разработки самоорганизующихся баз данных и правил, систем адаптивного синтеза информационно-вычислительных конфигураций и быстродействующих методов обработки информации образует общую единую крупную научную проблему создания теоретических основ построения самоорганизующихся программно-аппаратных комплексов оперативной диагностики - СПАКОД, от успеха решения которой зависит оперативность диагностики и распознавания в таких важных областях, как: медицина, обработка законодательных актов, метеорологическое прогнозирование, ликвидация чрезвычайных ситуаций, прогнозирование финансово-экономического состояния и других. Адаптивность синтеза информационно-вычислительных конфигураций обусловлена уникальностью каждой диагностической задачи, необходимостью учета ранее разработанных вариантов конфигураций и методов решения сложных задач, быстротой создания, развития и старения программных и аппаратных средств. Для синтеза требуемых конфигураций фактически необходимо разработать некоторую новую САПР на основе распределенных самоорганизующихся баз данных и правил. Исходные данные для синтеза информационно-вычислительных конфигураций и последующего решения задач, могут существовать в различных форматах представления данных и знаний, но их необходимо хранить в едином структурированном пространстве унифицированного представления данных и правил (знаний) с целью научно-обоснованного всеобъемлющего синтеза уникальных информационно-вычислительных конфигураций и последующего оперативного решения сложных (уникальных) диагностических задач. Для решения новой актуальной крупной научной проблемы разработки теоретических основ построения самоорганизующихся программно-аппаратных комплексов оперативной диагностики в диссертации предложено ввести самоорганизующуюся информационную систему, которая на основе накопления и обработки информации в условиях непрерывности функционирования и дефицита времени способна к самоконфигурации (самоорганизации), развитию и оптимизации по заданным критериям. Для обеспечения эволюционного развития самоорганизующихся программно-аппаратных комплексов оперативной диагностики в диссертации предложено на программном уровне ввести самоорганизующиеся базы данных и правил, а на аппаратном уровне - системы адаптивного синтеза информационно-вычислительных конфигураций. Для создания систем адаптивного синтеза информационно-вычислительных конфигураций в диссертации предложены теоретические принципы их построения и применения. Для создания самоорганизующихся баз данных и правил в диссертации проведено: формализованное описание, анализ, сравнение и обобщение основных структур представления данных традиционных моделей данных путем применения пятиуровневых одномерных таблиц представления данных, а также предложены теоретические основы построения динамического многомерного объектно-системного дискретного информационного пространства унифицированного представления данных и правил (знаний). Для повышения динамичности (эволюционности) и быстродействия логической обработки информации в диссертации создан метод обработки данных на основе применения интерактивной самоорганизующейся адаптивной многоярусной многотиповой динамической логической сети правил, управляемой потоком данных. Для повышения оперативности обработки информации в самоорганизующихся программно-аппаратных комплексах оперативной диагностики в диссертации предложены принципы "графового" поиска маршрута логического вывода и разработаны: метод поиска маршрута вывода на логической сети правил (путем определения минимального разреза многополюсной сети теории графов) и адаптивный механизм логического вывода на эволюционной самоорганизующейся интерактивной сети гиперправил с мультиактивизаторами, управляемой потоком данных. Для повышения быстродействия логической обработки информации в самоорганизующихся программно-аппаратных комплексах оперативной диагностики в диссертации разработан линейной сложности матричный метод поиска маршрута логического вывода на сети правил. Для повышения быстродействия обработки информации в самоорганизующихся программно-аппаратных комплексах оперативной диагностики в диссертации разработаны квадратичной сложности методы поиска минимального разреза (максимального потока) двухполюсных и многополюсных сетей теории графов. Для увеличения степени параллельности и повышения оперативности обработки информации в самоорганизующихся программно-аппаратных комплексах оперативной диагностики в диссертации разработан метод распараллеливания потокового множественного доступа к общей базе данных в условиях недопущения взаимного искажения данных. Для повышения быстродействия единично-инкрементного суммирования чисел в различных программно-аппаратных комплексах в диссертации разработан линейный метод единично-инкрементного суммирования чисел путем алгоритмической минимизации количества процедур и устройств сложения. Научная новизна диссертации заключается в том, что в ней впервые: 1) предложены принципы построения и применения систем адаптивного синтеза информационно-вычислительных конфигураций; 2) на основе применения пятиуровневых одномерных таблиц представления данных осуществлено описание, системный анализ, сравнение и обобщение основных структур представления данных графо-табличных моделей данных; 3) разработаны теоретические основы создания интерактивных самоорганизующихся баз данных и правил путем построения многомерного информационного динамического ("миварного") пространства унифицированного представления данных и правил; 4) предложен метод обработки данных на основе применения интерактивной самоорганизующейся логической сети правил, управляемой потоком данных; 5) разработаны быстродействующий метод "графового" поиска маршрута логического вывода, матричный метод поиска маршрута логического вывода и квадратичные методы поиска минимального разреза многополюсных сетей; 6) разработан метод распараллеливания потокового множественного доступа к общей БД в условиях недопущения взаимного искажения данных; 7) разработан метод алгоритмической минимизации количества процедур и устройств сложения для единично-инкрементного суммирования чисел. Практическое использование научных результатов позволило: 1) разработать теоретические основы построения самоорганизующихся программно-аппаратных комплексов оперативной диагностики; 2) повысить эволюционные и интеллектуальные способности компьютерных систем путем интерактивного формирования запросов и ресурсов для развития в изменяющейся внешней среде; 3) повысить оперативность и эффективность решения сложных задач; 4) уменьшить время решения задач за счет повышения производительности адаптивных ЭВМ относительно традиционных, в среднем за период эксплуатации, на половину разности производительности следующих и современных поколений ЭВМ (не менее чем в 50 раз); 5) повысить эффективность разработки, эксплуатации и модернизации компьютерных систем (АСОИ) за счет оптимизации синтеза конфигураций по критерию отношения реальной производительности к стоимости; 6) повысить реальную производительность адаптивных самоорганизующихся ЭВМ относительно пиковой мощности обычных ЭВМ с 10-30% до 50-70%; 7) снизить материально-финансовые затраты разработки и эксплуатации компьютерных систем (АСОИ). В диссертации изложены основные результаты по системному анализу моделей данных, синтезу самоорганизующихся баз данных и правил, разработке быстродействующих методов обработки информации и изысканию принципов построения и применения систем адаптивного синтеза информационно-вычислительных конфигураций для создания самоорганизующихся комплексов оперативной диагностики. Основные научные результаты диссертации опубликованы /25, 164, 318 - 349/. Предложенные в диссертации новые решения строго аргументированы и критически оценены по сравнению с другими известными результатами. В диссертации приведены рекомендации по использованию полученных научных выводов. Кроме того, полученные научные результаты практически используются, что подтверждается соответствующими актами о реализации. Таким образом, в диссертации решена новая крупная научная проблема, которая является актуальной и имеет важное хозяйственное значение. Реализация, внедрение и использование полученных в диссертации результатов вносит значительный вклад в развитие экономики страны и повышение ее обороноспособности. Переход на главную страницу Varlamov O.O. D.T.Sc., senior research worke EVOLUTIONARY DATABASES AND KNOWLEDGE. MIVAR INFORMATION SPACE The theoretical bases of construction of evolutionary databases and knowledge are shown in this paper. It has been developed the new class of models of the data and rules with changeable evolutionary structure. Evolutionary dynamic multivariate objective-system structures of the unified data presentation and rules are named "mivarnue". Essence of mivar data presentations is in the fact that the information space <a thing, property, the relation> is formed by definition of the basic axes and fixing of the basic objects and their relations. Names of objects and relations are fixed on axes in some order, and on the points of this space appropriate to crossings which are called mivars, concrete values of properties and relations of objects are written. Mivar is some thing having concrete property, taking place in the certain relation. Переход на вводную страницу (первую) Создание теории активного отражения как обобщения теории искусственного интеллекта и возможность ее реализации в миварном инфопространстве В статье проведен системный анализ и синтез в области интеллектуальных систем и показана необходимость перехода от антропоморфной теории искусственного интеллекта к более объективной теории активного отражения. Вступление Покажем, что предметом теории искусственного интеллекта (ИИ, AI) являются процессы мышления или, в более широком смысле, процессы активного отражения. Следовательно, актуальна и необходима разработка теории активного отражения как обобщения искусственного интеллекта. Кроме того, целесообразна замена термина "искусственный интеллект" на "активное отражение". Как известно, важнейшим свойством интеллектуальных систем является способность к обучению и самообучению. Для практической реализации самообучения интеллектуальных систем проанализированы основы создания эволюционных баз данных и знаний на основе нового класса моделей данных и правил с изменяемой эволюционной структурой. Эволюционные динамические многомерные объектно-системные структуры унифицированного представления данных и правил называются "миварными". Миварное инфопространство позволит реализовать самообучение различных автоматизированных систем сбора и обработки информации (АССОИ) и интеллектуальных систем. Постановка задачи Решаемая задача - создание обобщенной теории интеллектуальных систем и искусственного интеллекта в виде теории активного отражения. Проанализируем возможности автоматизации мыслительной деятельности [1-6]. По своей природе "информация" в широком смысле - это противоречивое и неразрывное единство объективного и субъективного. Семантика информации, созданная сознанием, не исчезает в области объективных (материальных) сущностей бесследно, так же как она и не возникает там. Если информация (И) представляет собою единство (субъективного) семантики (СЕМ) и (объективного) носителя (Н), то есть И=(СЕМ, Н), то машина только физически оперирует с носителями, не работая с информацией в широком (интеллектуальном) смысле, а просто осуществляя физический результат. Определение знака через две компоненты Знак (по Атрощенко В.Г.) - это неразрывное единство двух компонент: 1) объективный, материальный носитель и 2) субъективный, идеальный образ, "навешиваемый" на материальный носитель. Компьютер оперирует с носителями знаков, но не с самими знаками. Следовательно, функции порождения знака в процессе моделирования или интерпретации результатов пока может выполнять только человек. Взаимодействуя с АССОИ и ЭВМ человек, на самом деле человек вступает в отношение коммуникации с другими людьми, написавшими программное обеспечение для этой ЭВМ. Роль ЭВМ в процессах обработки информации в АССОИ сводится только к обработке объективных (материальных) носителей информации, т.е. только к обработке, передаче и хранению данных. Функции ввода/вывода и интерпретации информации в АССОИ, пока, принципиально может исполнять только носитель субъективного сознания - человек. Для определения искусственного интеллекта как научного направления, прежде всего, необходимо определить предмет и метод искусственного интеллекта. Предмет искусственного интеллекта Рассматривая различные "интеллектуальные" процессы такие, как мышление человека, его психическая деятельность, а также процессы генерации знаний, переработки информации не "человекоподобными" методами, приходим к выводу о том, что все эти процессы являются процессами отражения окружающей действительности. Но, у любого материального объекта есть свойство отражения. Под отражением мы понимаем некую реакцию на взаимодействие с другими объектами. Главным, принципиальным отличием "интеллектуального" отражения является то, что "интеллектуальный" объект активно реагирует, перерабатывает, отражает воздействие других объектов. Такие процессы "интеллектуального отражения действительности" будем, в дальнейшем, называть процессами активного отражения. Понятие "активное отражение" позволяет рассматривать "интеллектуальные" процессы без антропоморфности. Пока известны только системы естественного интеллекта, но, допуская возможность существования других интеллектуальных (в том числе и искусственных) систем, вводится понятие "активного отражения". Под интеллектуальными системами будем понимать такие системы, у которых есть способность к активному отражению. Отметим сразу, что, как существуют различные стадии, ступени, степени естественного интеллекта, так, должны существовать и степени активности отражательной способности различных систем. Система, способная к активному отражению действительности, самостоятельно формирует некий комплекс целей, самостоятельно выбирает объект изучения и целенаправленно отражает, познает, изучает его посредством своих органов чувств, датчиков информации. Важно отметить, что при активном отражении у субъекта появляется цель. Причем, цель может быть порождена внутри этого субъекта, например, в случае мышления человека или поведения животных. Также, цель может быть заложена в отражающую систему внешним субъектом, например, при обработке информации в ЭВМ, программа для которой написана человеком. Возникает проблема того, что различные системы обладают и различной степенью активности. Например, всякая интеллектуальная система - активна, но далеко не каждую активную систему можно считать интеллектуальной, в прямом смысле этого слова. В дальнейшем, можно ввести некоторую единицу измерения степени активности различных систем, что-то, образно выражаясь, наподобие коэффициента интеллектуальности. Итак, понятие "процесс активного отражения" вводится как более широкое, более емкое понятие, чем "интеллектуальные процессы" или "мышление" и, в то же время, оно содержит основное, главное, что характеризует эти процессы, причем без всякого влияния антропоморфизма понятий "интеллект" и "мышление". Теперь мы можем сделать вывод о том, что предметом искусственного интеллекта как научного направления - являются процессы активного отражения. Метод искусственного интеллекта Прежде всего, метод - это, в самом общем значении - способ достижения цели, а метод как средство познания есть способ воспроизведения в мышлении изучаемого предмета [2]. Под методом понимается как способ, так и сам процесс достижения цели. Таким образом, метод представляет собой единство способа, средств и процесса достижения цели. Учитывая это, предлагается следующее определение. Метод - это способ организации деятельности для достижения цели научного объяснения предмета исследования, посредством воспроизведения этого предмета в мышлении, в виде определенным образом организованного, символьного, знакового описания. Основным методом теории искусственного интеллекта является формализованное знаковое моделирование, которое имеет следующие два аспекта: формализация и знаковое представление модели. Модель, в данном случае, рассматривается как отражение, обобщение субъектом предмета познания, т.е. мышления или процессов активного отражения. При этом, мышление определяется, представляется логикой, по крайней мере, в области осознанного мышления, т.е. сознания. Не исключено, что в области ИИ будут применяться и другие научные методы исследований. Переход от искусственного интеллекта к теории активного отражения Получаем, что предметом теории ИИ являются процессы мышления или, в более широком смысле, процессы активного отражения. Целесообразно заменить понятие "теория ИИ" на новое понятие "теория активного отражения". Такая замена позволит уйти от неоднозначного термина "ИИ", который был хорош на ранних стадиях развития данного научного направления, но ... сейчас, этот термин вносит лишь сумятицу, неоднозначность, играет, скорее, отрицательную роль. "Искусственный интеллект" будем писать в смысле техническая информационная модель естественного интеллекта, а "теория активного отражения" - в смысле научного направления. Предметом теории активного отражения (ТАО) являются процессы активного отражения, в том числе и мышление, и сознание, и обработка информации. Основным методом ТАО является формализованное знаковое моделирование. Мышление является предметом многих наук, например таких, как биология, логика, гносеология, физиология высшей нервной деятельности и другие. Целью ТАО является изучение процессов мышления, как процессов порождения, накопления, обработки, обмена, хранения информации и, если это возможно, то создание искусственных систем, сравнимых по своим возможностям с человеческим мышлением. ТАО должна дать обоснованный ответ на известный вопрос: "может ли машина мыслить?". Основная проблема ТАО: собрать все, что известно о мышлении, переработать, проанализировать, обобщить эти материалы, выделить все существенное, с точки зрения ТАО, а затем, наметить пути и способы решения поставленных задач. Говорить о теории активного отражения, о создании систем искусственного интеллекта, не изучая при этом естественный интеллект, мышление и сознание человека, было бы не верно. С точки зрения ТАО, человеческий интеллект - это лишь одна из существующих форм мышления, активного отражения. Поэтому ТАО не должна замыкаться только на изучении человеческого интеллекта, который является, всего лишь, хорошим готовым образцом системы активного отражения (и ничем более того). В этом и заключается основное отличие ТАО от других наук, изучающих мышление. Например, рассмотрим такую проблему. Существует реальная объективная действительность и есть мышление человека, нас же интересует процесс отражения. Необходимо выяснить, узнать, во-первых, что отображается из действительности, во-вторых, во что это отражается в мышлении и, в-третьих, как происходит процесс отражения. Причем, нас интересует кибернетическая, информационная сторона всего этого. Кроме того, важно понять и процессы обработки данных, информации в ЭВМ. Краткое описание основных направлений развития теории активного отражения Приведем основные направления теории активного отражения. 1. Прикладное направление. Основная цель - разработка и создание технических систем, которые могут решать отдельные задачи высокого уровня сложности и, таким образом, эти системы должны являться дополнением естественного интеллекта, которое позволяло бы усиливать интеллектуальные способности человека. Основное отличие данного направления в том, что не ставится задача создания автономных интеллектуальных систем, а решаются задачи моделирования отдельных интеллектуальных функций таких, как представление знаний, планирование целесообразного поведения, распознавание образов и обучение, общение человека и ЭВМ. 2. Кибернетическое (информационное) моделирование мышления. Основная цель - разработка и создание технических, кибернетических, математических моделей мыслительных процессов. Важен не результат, которого достигали бы такие модели, а сам процесс получения этого результата. 3. Общетеоретическое направление. В него выделяются работы и исследования по созданию общей кибернетической теории мышления, искусственного интеллекта или активного отражения. Это направление является наиболее абстрактным и наименее проработанным. Например, одной из задач данного направления является создание модели (или моделей) человеческого интеллекта, мышления, а, в перспективе, и решение задачи создания мыслящей, разумной машины. Необходимо отметить, что только комплексное, органичное сочетание проводимых работ во всех трех направлениях позволит нам добиться успеха. Основная проблема, затруднение при разработке систем искусственного интеллекта будет заключаться в области знакового моделирования. Подчеркнем, что без генезиса знака внутри самой системы, т.е. именно без внутреннего активного генезиса знака, система не сможет работать со знаками, а, следовательно, система не сможет мыслить и перерабатывать знаковую информацию. Критерий определения степени интеллектуальности систем Предлагается следующий критерий определения степени интеллектуальности систем: если некоторая система способна к порождению, генезису знака и, следовательно, способна обрабатывать непосредственно информацию, значит она - интеллектуальна. Отметим, что проблема введения и определения степени "активности" или "интеллектуальности" требует особого рассмотрения. Существующие системы ИИ становятся интеллектуальными только в том случае, если в их состав, явно или не явно, включают человека. Таким образом, можно заменить вопрос: "могут ли машины мыслить?" на вопрос: "могут ли машины порождать знак?". Если машина сможет работать со знаками, то она научится и мыслить! Реализация самообучения на основе эволюционных баз данных и правил Одной из важнейших концептуальных проблем создания систем искусственного интеллекта является реализация самообучения на основе эволюционных баз данных и знаний. Термин "знания" является антропоморфным и неоднозначно формализован. В "базах знаний" фактически хранятся только правила, процедуры и отношения объектов. Термин "правило" хорошо формализован, а его смысл, в общем виде, боле всего соответствует тому, что принято называть "знание". Следовательно, целесообразно употреблять вместо термина "базы знаний", в этом же смысле, другой термин: "базы правил", а в качестве обобщения терминов "базы данных" и "базы правил" - будем использовать обобщенный термин: "базы данных и правил" (БДП). В настоящее время, в базах данных может храниться практически любая информация, но вопросы адаптации структур хранения данных, как правило, решаются "вручную", т.е. путем перепроектирования и перепрограммирования существующих баз данных. Действительно эволюционной (адаптивной) базой данных может быть только база данных с изменяемой структурой представления данных. Традиционная графо-табличная концепция представления данных, получившая свое наибольшее развитие в модели данных "сущность-связь" [1] ориентирована на моделирование таких предметных областей, которые могут быть описаны в виде изменяющихся данных некоторой фиксированной структуры. Существуют слабоструктурированные и неструктурированные модели данных, т.е. "бесструктурные" (инфологические), типа гипертекста, но для них невозможна реализация высокоскоростной обработки данных. Наличие структуры представления данных позволяет проводить систематизацию данных, ассоциативную обработку, а многомерность значительно ускоряет обработку любых массивов и баз данных. Неструктурированные модели данных хорошо подходят для накопления данных в виде гипертекста, но совершенно не предназначены для моделирования и выявления внутренней структуры исследуемых объектов. Эволюционные базы данных и правил Продолжение статьи Эволюционные базы данных и правил Эволюционные базы данных (с изменяемой структурой) - это качественный переход к созданию обучаемых систем, которые будут более соответствовать термину "интеллектуальные". В структурированных моделях создается некоторая структура, в рамках которой затем записываются и хранятся все данные. В неструктурированных типах все данные просто записываются и хранятся без учета структуры. В сильноструктурированные ("жесткие") модели можно записать не любые данные, но в них быстрее всего осуществляется поиск требуемых данных. В неструктурированных моделях можно хранить любые данные, но поиск требуемых данных занимает максимальное время. К сильно структурированным моделям можно отнести традиционные реляционные, сетевые, иерархические и т.п. модели, вплоть до модели данных "сущность-связь". К слабоструктурированным моделям можно отнести гипертекстовое представление данных. Объектно-ориентированное представление данных обладает возможностью изменения отдельных структур путем задания новых объектов, но нет общей единой структуры описания предметной области. Отметим, что если принято различать два типа представления данных: структурированные и неструктурированные, то миварный подход и эволюционные базы данных можно отнести к новому типу представления данных с изменяемой структурой. Такая структура обладает возможностью эволюционного наращивания, а при необходимости и кардинального изменения структуры представления данных, даже в условиях непрерывности функционирования системы. Миварное представление данных позволяет явно выделять структуру или системность объектов, например, вводя в качестве оси измерение уровня системности объекта в терминах: метасистема - система - подсистема, что "поглощает" объектно-ориентированные модели данных и создает реальные предпосылки для осуществления ассоциативного поиска и выявления новых данных и отношений. Средства математического моделирования развивающихся систем Одним из возможных средств математического моделирования развивающихся систем, является применение математической структуры Н. Бурбаки, на основе которой можно синтезировать целый класс различных моделей [2,3]. Это система: S=<M, R>, где M= {a, b, c, ...} - основное множество, а R={R1, R2, R3, ...} - множество унарных, бинарных и других отношений. Однако, такая структура не описывает динамики развития системы. Следовательно, для учета фактора времени необходимо добавить еще и время. Тогда эта математическая система будет описываться следующим выражением: S(t)=<M(t), R(t)>, где t - текущее время. Впрочем, понятно также, что описать изменение структуры в непрерывном времени едва ли возможно. Поэтому Ю.Г. Ростовцев в [2] предлагает ввести понятие квазидинамической структуры, которая не изменяет свои элементы M и R в пределах интервала времени [t0, t1]. После окончания этого интервала параметры структуры изменяются скачками. Миварная концепция представления и обработки баз данных и правил Пусть реально существует некоторая предметная область, а определенная познающая система изучает и моделирует данную область. Полученные сведения о предметной области накапливаются в некоторой системе представления данных и знаний. Введем три равнозначных и равнозависимых понятия: вещь, (объект, сущность); свойство, (атрибут, характеристика); отношение, (связь, взаимодействие). Этих трех выделенных понятий-категорий [4] достаточно для представления любой информации о любой предметной области. Особо отметим, что такие понятия как, например: элемент, объект, система, функция, структура, организация и подобные им, являются вторичными, производными по отношению к трем основным, а, следовательно, могут быть выражены через них. Тогда любое правило (процедура, связь, взаимодействие, знание и т.п.) вне зависимости от формы его представления, является всего лишь - частным случаем отношения, а, следовательно, нет необходимости в специальном выделении в системах хранения "правил" и формирования "базы знаний", так как все это может быть описано и представлено в едином формализме на основе миварного подхода. Основные возможности миварного инфопространства Основные возможности миварного инфопространства. Прежде всего, миварная концепция представления данных позволяет работать с динамическими (изменяющимися, эволюционными) структурами хранения данных, что открывает новые возможности по созданию эволюционных познающих систем сбора и обработки информации. Миварное представление данных позволяет использовать неявные ассоциативные связи различных понятий и объектов. Это означает, что на основе анализа структуры хранящихся данных можно будет путем ассоциативного поиска получать дополнительную информацию, которая не содержится в явном виде в базе данных. Кроме того, в миварном пространстве можно вводить понятие меры близости - расстояния либо между отдельными миварами, либо между их совокупностями. Можно использовать меру подобия, схожести различных структур. Это открывает принципиально новые возможности для систем, использующих механизм логического вывода или обработку изображений. Миварное инфопространство позволяет обрабатывать неоднородные данные. Правила обработки данных и непосредственно сами данные могут храниться в едином формате. Миварное представление включает в себя идеи объектно-ориентированные возможности. Есть возможность работать с неполной и противоречивой информацией, т.е. с различными по степени полноты и достоверности описаниями объектов, причем в динамике. В любое время можно либо расширить описание исследуемых объектов, либо уменьшить его. Один и тот же объект в разных отношениях может описываться с разной степенью детализации: от одного краткого идентификатора или перечня нескольких наиболее важных характеристик, до полного описания всех свойств и отношений. Кроме всего прочего, миварная концепция открывает новые возможности по созданию мощных информационных систем, работающих в реальном масштабе времени без потери динамизма изменения структуры. Миварная концепция позволяет организовать потоковую обработку информации на основе логической сети, управляемой потоком данных. Миварная концепция появилась как обобщение и развитие традиционных моделей данных. С точки зрения сетевых моделей, миварное представление - это некоторая сеть, находящаяся в координатном трехмерном пространстве, что только расширяет возможности сетевых моделей. С точки зрения реляционных моделей, миварное представление - это трехмерная (или N-мерная) реляционная таблица, находящаяся в трехмерном пространстве, в которой собраны все обычные реляционные таблицы. Миварные таблицы представления данных позволяют эффективно хранить правила и отношения между вещами (объектами) типа: "многие к многим" (M:N). Выводы Целесообразно перейти от термина "искусственный интеллект" к термину "активное отражение". Предметом теории активного отражения являются процессы активного отражения, в том числе мышление и обработка информации в компьютерах. Ее методом является формализованное знаковое моделирование, а целью - изучение процессов мышления, как процессов порождения, накопления, обработки, обмена, хранения информации и, если это возможно, то создание искусственных систем, сравнимых по своим возможностям с человеческим мышлением. Предложен критерий определения степени интеллектуальности систем: если система способна к порождению, генезису знака значит она - интеллектуальна. Для решения одной из важнейших концептуальных проблем создания систем искусственного интеллекта и реализации самообучения целесообразно использовать миварное информационное пространство. На основе этого пространства разработан новый класс моделей данных и правил (знаний) с эволюционной структурой. Литература 1. Цикритзис Д., Лоховски Ф. Модели данных. - М.: Финансы и статистика, 1985. 2. Ростовцев Ю.Г. Информация и представление знаний // Известия ВУЗ. Приборостроение, 1981, № 4, с. 92 - 96. 3. Яглом И.М. Математические структуры и математическое моделирование. - М.: Сов. радио, 1980. 4. Райбекас А.Я. Вещь, свойство, отношение как философские категории. - Томск: Изд-во Томского университета, 1977. 5. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с. 6. www.ovar.narod.ru. Переход на главную страницу ПОДХОД К ОБРАБОТКЕ ДАННЫХ И РЕАЛИЗАЦИИ МУЛЬТИАГЕНТНЫХ ТЕХНОЛОГИЙ НА ОСНОВЕ МИВАРНОГО ИНФОРМАЦИОННОГО ПРОСТРАНСТВА В работе проведен анализ особенностей распределенных вычислений и мультиагентных технологий для обработки данных и принятия решений в многоагентных системах и группах мобильных роботов. Показано, что они имеют общие свойства и целесообразно использовать для них некоторое общее представление данных и описание правил обработки данных, принятия решений и взаимодействия. Доказано, что такое общее представление можно эффективно реализовать на основе миварного информационного пространства. С точки зрения аспектов распределенных вычислений и мультиагентных технологий в целях организация групповой распределенной работы и взаимодействия, многоагентные системы и группы мобильных роботов имеют много общего. Для взаимодействия, принятия решений, обработки и хранения данных в многоагентных системах и группах мобильных роботов необходима некоторая групповая, общесистемная модель предметной области. В таких ситуациях необходимо использовать некоторое общее представление данных и описание правил обработки данных, принятия решений и взаимодействия. У каждого агента или робота может храниться одинаковая для всех единая модель предметной области. Но более целесообразно подробную схему своей выделенной области хранить каждому агенту или роботу индивидуально, а обмениваться только теми данными, которые необходимы всем или некоторым. Это можно эффективно реализовать в миварном информационном пространстве [1,2]. Итак, для реализации распределенных вычислений необходимо создать распределенную базу данных и правил группы мобильных роботов или агентов с различными неоднородными средствами обработки и хранения информации на основе мультиагентных технологий. Для решения такой проблемы лучше всего использовать миварное пространство унифицированного представления данных и правил [1,2]. С точки зрения реализации распределенных вычислений и мультиагентных технологий, миварная концепция представления данных позволяет работать с динамическими (изменяющимися, эволюционными) распределенными структурами хранения данных. В миварном пространстве можно вводить понятие меры близости - расстояния либо между отдельными миварами, либо между их совокупностями. Можно использовать меру подобия, схожести различных структур. Это открывает принципиально новые возможности для реализации распределенных вычислений, мультиагентных технологий, мобильных роботов и систем, принимающих решения и использующих механизм логического вывода, геометрическую навигацию или обработку изображений. Миварное представление данных позволяет обрабатывать неоднородные данные, организуя связь между ними посредством координат N-мерных точек. Для многоагентных систем и групп мобильных роботов очень важно то, что миварное пространство может быть разбито на отдельные подпространства для каждого робота и агента. Можно, наоборот, по определенным правилам соединять отдельные представления в более общее представление для принятия решений и управления роботами и агентами. Особенно важно, что миварный подход позволяет проводить распределенную и параллельную обработку данных. Особенностью миварного подхода является то, что отношения объектов хранятся в том же едином миварном пространстве и могут представлять собой отношения, правила принятия решений или процедуры обработки объектов, которые могут функционировать при выполнении некоторых условий. Миварный подход позволяет хранить в едином пространстве представления данных и сами данные, и правила их обработки - отношения объектов. Отметим, что любое отношение также может быть добавлено, удалено или изменено в любое время без остановки обработки, но с соблюдением определенной процедуры поддержания целостности адаптивного миварного пространства представления данных. В системе обработки данных робота и агента выделяется некоторая подсистема диагностирования изученных фрагментов и объектов предметной области, в которой на основе миварного подхода осуществляется представление и обработка данных за минимальное время. На остальной части (в других подсистемах) системы обработки данных осуществляется исследование и уточнение сведений об объектах и предметной области в целом. Подчеркнем, что только миварный подход позволит реализовать распределенные вычисления и мультиагентные технологии одновременно и в рамках одной системы роботов или агентов. Вывод. Для реализации распределенных вычислений и мультиагентных технологий необходимо осуществлять основные функции взаимодействия, принятия решений, обработки и накопления данных. Для реализации этих функций необходима групповая модель предметной области, включающая индивидуальные и общее представление данных с описанием правил обработки, принятия решений и взаимодействия. Целесообразно каждому агенту использовать свою индивидуальную подробную модель выделенной области, а обмениваться только теми данными, которые необходимы другим. Все индивидуальные и общие групповые (подгрупповые) модели предметной области можно эффективно реализовать на основе миварного информационного пространства. 1. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с. 2. www.ovar.narod.ru. Переход на главную страницу О.О. Варламов ГИПОТЕЗА МОДЕЛИРОВАНИЯ ЧЕЛОВЕЧЕСКОГО МЫШЛЕНИЯ НА ОСНОВЕ МИВАРНОГО ПОДХОДА И ОБОСНОВАНИЕ ЗАПРЕТА НА "ТЕЛЕПОРТАЦИИ" ООО "МИВАР", Москва, ovar@narod.ru Введение Рассмотрена гипотеза моделирования человеческого мышления как логически рассуждающей самообучающейся системы в формализме миварного подхода: мышление представляется в виде миварной сети логической обработки, управляемой потоком входных данных от датчиков. Все данные: объекты-сущности, их атрибуты-свойства и отношения-связи хранятся в миварном информационном пространстве. На основе этого пространства формируются логические сети, в некотором смысле, аналогичные сетям Петри в формализме миварного подхода. Образуются многочисленные многомерные динамические логические циклы обработки и хранения информации, которые в некотором смысле "постоянно вращаются", усложняются, наращиваются и являются уникальными для каждого мозга. Это "вращение" объясняет утрату умственных способностей людей при клинической смерти и запрещает "телепортации". Подчеркнем, что многомерность, эволюционность и динамичность миварного информационного пространства и логических миварных сетей предоставляют возможность параллельного решения - обработки нескольких задач с разными данными, но использующие одинаковые логические правила для получения решения. Под мышлением будем понимать логически рассуждающую самообучающуюся систему. Это пока всего лишь гипотеза, которая требует экспериментальной проверки. В процессе своего обучения человек выявляет вещь (сущность, объект), которую соотносит через элементарные отношения с другими объектами. Одновременно можно выявлять свойства (атрибуты, "унарные отношения") новой вещи. На основе определения новой сущности в мышлении формируется новое "понятие", к которому приписываются новые отношения с уже известными сущностями. Как известно из фундаментальных трудов философа Райбекаса А.Я., набора ("тройки") "вещь, свойство, отношение" достаточно для описания любой предметной области, т.к. все остальные "философские понятия" могут быть выражены через три этих базовых [1]. Вспомним, что миварный подход включает [1]: 1) пространство унифицированного представления данных и правил, базирующееся на "тройке" "вещь, свойство, отношение"; 2) систему логического вывода на основе активной обучаемой сети правил с единичной вычислительной сложностью. Получаем, что в основе как обучения человека (мышления), так и миварного подхода лежит одинаковый набор фундаментальных понятий: "вещь, свойство, отношение". Следовательно, на основе миварного подхода можно описывать мышление, в смысле: логически рассуждающую самообучающуюся систему. Получаем, что в голове у человека есть многомерное пространство представления данных и правил. Гипотеза представления информации в голове человека Предположим, что часть правил одновременно реализуется в "химическом компьютере" в голове у человека. У человека есть несколько систем ввода информации (датчики): зрение, слух, осязание, тактильные ощущения. Это напоминает систему, управляемую потоком входных данных. Попробуем представить себе, как в нашем "химическом" нейронном компьютере хранятся данные и правила, а также как при этом часть правил выполняется. Возможно, в голове у человека образуются некие "циклические" временные петли, когда некий сигнал курсирует по определенному циклу взаимосвязанных нейронов. Количество выходов у нейрона может служить фундаментом для образования многомерного пространства. В процессе усложнения познания в голове запускаются все новые и новые циклы: на базе предшествующих циклов строятся более сложные. И этот процесс повторяется. Получаем, что все сигналы некоторым образом "бегают по своим циклам", которые в совокупности, возможно, образуют некое многомерное пространство "вращающихся" и постоянно изменяющихся циклов информационных сигналов. Конечно, в разные моменты времени общий объем такого пространства может изменяться. В процессе обучения создаются новые "циклы" на фундаменте уже существующих. В качестве аналогии можно привести пример молекул, электронов и т.п., где все находится в постоянном движении, но сохраняет форму. Напомним, что это всего лишь гипотеза. На вход логической системы постоянно поступают новые сигналы-данные. В самой системе могут изменяться приоритеты обработки, формироваться новые цели и т.п. Все это многомерное пространство "вращающихся" циклов должно находиться в постоянном движении. В случае даже самой кратковременной остановки все "молекулы" останавливаются, циклы разрушаются... Возможно, подобным образом можно объяснить "клиническую смерть мозга", когда кратковременная остановка тока крови приводит к полной потере памяти и способностей к мышлению. Ведь, исходя из нашей гипотезы, для восстановления всего "вращающегося" пространства необходимо пройти обучение с самого рождения и, что важно, в тех же условиях внешнего мира. А вот мир-то всегда изменяется и выполнить данное условие невозможно. Забавно, но возможно, если гипотеза найдет свое экспериментальное подтверждение, то это будет фундаментальным запретом на всякие фантастические "телепортации людей": ведь даже, если некий кусок материи (вещь) и возможно "передать по каналу", то восстановить все "вращения" в мозговом пространстве точно нельзя. Модель мышления на основе миварного подхода Если исходить из нашей гипотезы, то и модель мышления на основе миварного подхода должна включать пространство постоянно изменяющихся (в некотором смысле - "вращающихся") правил, у которых входные параметры переходят в выходные. Фактически, это тоже непрерывное движение в сложной логически рассуждающей системе. Понятно, что передать статическую базу данных, возможно. Но что делать с "логическими системами", когда они станут достаточно сложными и сравнимыми с мышлением человека? Допустим следующее. Пусть есть две одинаковые самообучающиеся системы, которые находятся в одинаковых условиях. Если у двух таких систем начальные состояние одинаковые, то на начальном этапе обучения еще возможны некие параллельные траектории развития. Однако алгоритм обработки информации в миварных логических сетях не является строго детерминированным. Кроме того, возможно включение вероятностных правил и выводов. Следовательно, обязательно наступит такой момент времени, когда эти две "параллельные системы" будут отличаться друг от друга. Тогда любые такие системы должны быть различны на достаточно длительных интервалах времени. Впрочем, возможно, что в некоторые моменты времени есть вероятность "статически" одинаковых систем. Предложенная гипотеза имеет право на рассмотрение и исследование. Выводы Обоснована гипотеза моделирования мышления в формализме миварного подхода: в виде миварной сети логической обработки, когда образуются "вращающиеся" логические циклы обработки и хранения информации. Вращение циклов объясняет утрату умственных способностей при клинической смерти и запрещает "телепортации". 1. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с. 2. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу О.О. Варламов ГИПОТЕЗА ФОРМАЛИЗОВАННОГО МОДЕЛИРОВАНИЯ "ИНСАЙТА" - ОЗАРЕНИЯ ЧЕЛОВЕЧЕСКОГО МЫШЛЕНИЯ НА ОСНОВЕ МИВАРНОЙ СЕТИ ПРАВИЛ И ПРОЦЕДУР ООО "МИВАР", Москва, ovar@narod.ru Предложена гипотеза формализованного моделирования "инсайта" -озарения человеческого мышления на основе миварной логической сети правил и процедур. Ранее было показано, что человеческое мышление можно представить как логическую рассуждающую самообучающуюся систему. В формализме миварного подхода мышление представляется в виде миварной сети логической обработки, управляемой потоком входных данных от датчиков. Все данные: объекты-сущности, их атрибуты-свойства и отношения-связи хранятся в миварном информационном пространстве. На основе этого пространства формируются логические сети, в некотором смысле, аналогичные сетям Петри в формализме миварного подхода. Образуются многочисленные многомерные динамические логические циклы обработки и хранения информации, которые в некотором смысле "постоянно вращаются", усложняются, наращиваются и являются уникальными для каждого мозга. При решении конкретной задачи выделяется некоторая область, в которой производится информационное моделирование исследуемой предметной области. В этой области формируется постановка задачи, методы ее решения. Затем задаются конкретные исходные и искомые данные. Под "инсайтом"-озарением принято понимать "внезапное нахождение решения". Покажем, как это самое озарение может быть формализовано и промоделировано на основе миварного подхода. Итак, на входе для рассуждающей системы задаются два списка: объектов-переменных и основных правил-отношений между ними в конкретной предметной области. Собственно, эти два набора и есть прототип информационной модели в миварном подходе, т.к. все остальное может быть выведено или получено в результате обработки и задания исходных данных. Далее для исходных и искомых объектов могут быть заданы либо только названия (идентификаторы) объектов, либо конкретные значения этих объектов. После определения исходных и искомых объектов, система логической обработки начинает искать связь - маршрут логического вывода от исходных к искомым объектам. Если задача будет достаточно простой, то такая связь находится очень быстро и про "озарение" никто не говорит. Если же описание предметной области очень сложное и сам процесс поиска маршрута логического вывода (или "обработки данных от исходных к искомым) достаточно многомерен и сложен, то различных вариантов получается очень много и сам процесс поиска затягивается. Вспомним, что согласно гипотезе моделирования мышления - процесс логической обработки происходит постоянно в голове у человека. Наш мозг позволяет одновременно решать несколько различных задач. Таким образом, для решения требуемой нам задачи мозг выделяет некий ресурс и процесс "логической обработки" запускается на длительное время. Возможно, что по истечении некоторого интервала времени мозг принимает решение о завершении неудачной задачи, если решения так и не найдено и важность задачи не очень велика. Здесь следует обратить внимание на то, что у людей разные способности к абстрактному мышлению. Рассматриваемая нами гипотеза как раз и относится к абстрактному мышлению, когда без связи с внешним миром и только на основе внутренней информационной модели предметной области требуется найти определенную зависимость и конкретное решение задачи - ответ. По нашей гипотезе, все информационные модели могут отображаться в виде миварного информационного пространства. Миварный подход включает [1]: 1) пространство унифицированного представления данных и правил, базирующееся на "тройке" "вещь, свойство, отношение"; 2) систему логического вывода на основе активной обучаемой сети правил с единичной вычислительной сложностью. В этом пространстве введена некоторая мера расстояния между точками пространства [1]. А на основании этой меры - расстояния можно формально определять какая "ветка" логического вывода приводит нас наиболее близко к требуемому результату. На самом деле, такое знание может быть не формализуемым, но нам всем знакомо ощущение "близости решения задачи" - возможно, что это и есть проявление эффекта приближения к требуемому результату в миварной логической сети. Немного про человеческий сон: в момент сна наш мозг не отвлекается на управленческие функции и, следовательно, большее количество ресурсов может быть выделено для решения "отложенных" насущных задач. Достаточно согласится с тем, что объем мозга не меняется и при уменьшении количества задач на оставшиеся выделяется больше ресурсов. Итак, в момент сна у человека для мышления и решения абстрактных внутренних задач появляется больше ресурсов. Кроме того, по нашему мнению, у людей разные способности к многомерному представлению информации. А, как известно, повышение мерности пространства позволяет ускорить поиск маршрута вывода между исходными и искомыми точками - миварами. Получаем, что у человека во время сна увеличивается количество ресурсов и повышаются способности к логическому мышлению. Если при этом, еще и многомерность представления, и абстрактность мышления очень хорошие, то созданы все предпосылки к "инсайту" - озарению. В миварном пространстве при приближении с разных сторон: от исходных и от искомых объектов - автоматически и формально определяется признак близости в многомерном пространстве логического вывода. Если при этом находится такое правило, которое "замыкает вывод", т.е. находится полный маршрут вывода, то это и можно назвать формальным признаком озарения. Если человек долго стремился к этому и постоянно решал требуемую задачу, то и получается "инсайт" - озарение. Следовательно, озарение - это момент нахождения последнего правила, замыкающего маршрут логического вывода от исходных к искомым объектам. Исходя из выше сказанного, нет ничего удивительного, что многие сложные проблемы, т.е. архисложные логические выводы, были решены именно во сне, когда максимально выделены ресурсы для абстрактного мышления. Теперь выскажем еще одну гипотезу: именно человеческие эмоции и "сила воли" помогают выстраивать длительные логические цепочки маршрута вывода в абстрактном многомерном миварном пространстве. Отсюда и огромное удовлетворение у ученого в случае успешного решения сложной абстрактной задачи. Видимо только эмоции и позволяют "заглядывать далеко вперед", т.е. просчитывать логические цепочки на много шагов вперед. Подчеркнем, что это требует от человека огромных умственных усилий и напряжения. Причем, если есть некие значения исходных данных, то миварная логическая сеть позволяет постепенно вычислить все объекты, которые могут быть вычислены исходя из имеющихся исходных данных. Однако, именно абстрактное мышление позволяет без конкретных значений просто "выстраивать логические цепочки", которые потенциально могут привести к решению. А затем, только после нахождения абстрактного маршрута вывода-обработки, подставляются конкретные значения и решают требуемую задачу. Вывод. Предложенные гипотезы имеют право на существование. 1. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу ПОДХОД К КОЛИЧЕСТВЕННОЙ ОЦЕНКЕ СМЫСЛА ИНФОРМАЦИИ С ТОЧКИ ЗРЕНИЯ МИВАРНОЙ ЛОГИКИ ООО "МИВАР", Москва, ovar@narod.ru Введение Предложен новый подход к количественной оценке информации с точки зрения логической обработки и информационного моделирования, а не передачи информации битами. Эта оценка зависит от полноты информационной модели предметной области, состояния процесса логической обработки (логического вывода). Оценка вычисляется на миварной сети логических правил на основе определения значений тех объектов (переменных), которые нужны для завершения логической обработки и получения требуемых результатов. Возможность количественной оценки обусловлена особенностями миварной сети правил, позволяющей вычислять именно те переменные, значений которых не хватает для завершения логической обработки. Данный подход основан на гипотезе представления человеческого мышления как логически рассуждающей самообучающейся системы в формализме миварного подхода: мышление моделируется в виде миварной сети логической обработки, управляемой потоком входных данных от датчиков [1, 2]. В процессе логической обработки миварная сеть правил в автоматическом режиме определяет все необходимые для завершения логического вывода переменные. Если все необходимые переменные (объекты) известны, то логический вывод успешно завершается и получают требуемое значение "искомого" объекта. Алгоритм количественной оценки смысла информации Дано: миварное пространство унифицированного представления данных и правил, которое заполнено под некоторую конкретную предметную область. Миварная логическая система вывода управляется потоком входных данных и перечнем переменных, которые надо определить: "искомые" объекты [1, 2]. С точки зрения подхода к количественной оценке информации наибольший интерес представляет тот случай, когда некоторых значений объектов не хватает для завершения логического вывода. Напомним, что в миварном пространстве хранятся все объекты и правила. Однако для решения каждой конкретной задачи может использоваться только часть объектов и правил. В общем случае, в миварном пространстве может храниться несколько не взаимосвязанных описаний объектов и правил, т.е. фактически, описание сразу нескольких предметных областей. В процессе выполнения обработки информации по некоторой предметной области на основе входных и "искомых" переменных формируется некое описание - "информационная модель" с введенными и вычисленными (т.е. в процессе логической обработки для них получены значения) объектами (вещами), связанными правилами (отношениями). Допустим, что в некоторый момент времени логический вывод останавливается из-за недостатка (нехватки) данных и начинается процедура определения тех объектов - переменных, значения которых нужны для продолжения обработки. В таком случае, для данной информационной модели все неопределенные к этому времени объекты (переменные) имеют разную количественную оценку. Например, объекты, которые непосредственно необходимы для продолжения обработки - будут иметь наивысшую количественную оценку. Всякие "вспомогательные" объекты, которые необходимы для определения (вычисления) указанных выше объектов - будут иметь уже чуть более низкую оценку. И так далее, по мере удаления от места "останова" логического вывода. Парадоксальная возможность появления отрицательных значений количества смысла информации Логично предположить, что объекты, которые не нужны для данной миварной логической обработки - будут иметь наименьшую количественную оценку: "ноль". Впрочем, здесь возникает интересная проблема возможности появления "отрицательных" значений количественной оценки информации. Это можно применять для тех случаев, когда некоторые объекты затрудняют, мешают, прекращают или, даже, возвращают на несколько этапов назад логическую обработку. Это сложно представить, но такие примеры есть. Здесь важно отметить, что количественная оценка информации будет зависеть от конкретной "информационной модели", ее "заполненности", т.е. от уже вычисленных переменных, а также от целевых "искомых" значений объектов. Впрочем, это достаточно логично, так мы и сами "по жизни" знаем: в разные моменты жизни и в разных ситуациях нам нужна и важна разная информация. Одновременно с этим, абсолютно бесполезной, т.е. "нулевой" информацией, может оказаться тоже различная информация - в зависимости от конкретной ситуации. С математической точки зрения, можно привести пример нахождения различных производных в точках функций, значения которых привязаны к значению аргумента. Главный принцип максимальной оценки информации: ее необходимость для продолжения и/или завершения логического вывода, т.е. получения требуемых "искомых" объектов. Можно предложить измерять важность информации либо после каждого логического шага (единичного перехода по конкретному правилу - его вычисление), либо можно оценить важность всех "выводимых" объектов и по математическим правилам определить "вес", т.е. количество информации, для каждого выводимого объекта. Данный подход требует дальнейшего исследования и развития, но уже сейчас важно, что это позволит уйти от оценки количества информации "количеством переданных бит". Возможно, что термин "оценка" можно заменить на термин "количественная оценка важности информации" и т.п. Итак, подход основан на следующем: по исходным данным планируется построение логической сети вывода от заданных объектов к искомым. Затем в этой логической сети выделяются все неизвестные объекты и по определенной процедуре вычисляется их "количественная оценка", зависящая от вклада каждой переменной в проведение логического вывода. Например, некоторая переменная может быть необходима для последующего запуска сразу нескольких правил (из миварного пространства) и в таком случае ее "количественная оценка" увеличивается пропорционально количеству правил, которые будут "запущены". Напомним, что данные процедуры полностью формализованы и автоматически выполняются при проведении логического вывода на миварной сети правил. На основании полученных вычисленных "количественных оценок информации" каждого объекта при миварном подходе эта информация поступает в систему управления "датчиками" для выявления значений требуемых объектов. В зависимости от доступности или сложности получения требуемой информации, "оценка" также может быть скорректирована. Иногда, выявление значений нескольких объектов может быть проще (дешевле), чем выявление значения одного важного объекта, который затем определяется на основе этих самых нескольких "более дешевых" объектов. Выводы Предложен новый подход к количественной оценке смысла информации с логической точки зрения, который может быть реализован в миварном информационном пространстве. 1. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с. 2. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу А.В.Носов, А.Н.Владимиров, К.Э.Тожа, О.О.Варламов ПРОГРАММА "УДАВ": РЕАЛИЗАЦИЯ ЛИНЕЙНОЙ СЛОЖНОСТИ ЛОГИЧЕСКОГО ВЫВОДА НА МИВАРНОЙ СЕТИ ООО "МИВАР", Москва, ovar@narod.ru Программа "УДАВ" - это принципиально новая программа для решения сложных логических задач и обработки информации в реальном времени. "УДАВ" на основе матричного метода поиска маршрута логического вывода реализует "универсальный делатель алгоритмов Варламова" [1]. Этот метод базируется на миварной логической сети правил и предоставляет возможность активного обучения логического вывода, управляемого потоком входных данных, со снижением вычислительной сложности с N! до линейной. "Удав. Геометрия" на обычной ПЭВМ в реальном времени решает задачи с 33 переменными (объектами) и 161 правилом, что ранее считалось невозможным: 33 факториал вариантов. Скачать программу можно с [1]. Программа "УДАВ. Геометрия" выполнена по технологии Java, которая является объектно-ориентированной, платформо-независимой, многопоточной средой программирования. Новизна: автоматически формируется алгоритм решения задачи, который на следующем этапе "выполняется" с конкретными исходными данными. Ранее подобные алгоритмы относили к интеллектуальным пакетам прикладных программ (ИППП). "УДАВ" полностью решает все проблемы ИППП и реализует все идеи сервисно-ориентированной архитектуры (СОА). Представление информации основано на продукционном подходе: любая предметная область описывается набором правил или процедур в формате "ЕСЛИ..., ТО..." (продукции). Формируется перечень "объектов-переменных" и перечень "правил-процедур" (это и логические правила, и процедуры обработки информации). Ограничение: если известны все "входные" объекты-переменные, то должны быть выводимы и все "выходные" объекты-переменные. Все задачи бизнес-аналитики могут быть представлены в таком виде. Метод состоит в следующем. Формируется набор взаимосвязей - "правил" между объектами предметной области: база данных объектов и база данных правил. Затем системе "УДАВ" задают известные входные объекты и требуемые объекты, для которых надо определить алгоритм их получения из входных объектов (сформировать маршрут логического вывода или "сделать алгоритм"). "УДАВ" по входным объектам на основе базы данных всех правил формирует "алгоритм вывода". Фактически, решается классическая задача поиска маршрута логического вывода, но: 1) вычислительная сложность - линейная, а не NP-полная, что доказано математически и подтверждено на практике; 2) решают и логические, и другие классы задач обработки информации; 3) "УДАВ" выполняет управляемую потоком данных активную обработку на адаптивной сети правил и переменных (самообучение). Перейдем к решению задач школьной геометрии - треугольники. Известно много зависимостей между сторонами, медианами, высотами, углами: теоремы синусов, косинусов, Пифагора и т.п., формулы получения периметра, определения площади треугольника и т.д. Задачи различные: по двум сторонам и углу между ними найти площадь; по высоте и стороне с углом определить другие стороны, построить медианы и т.п. Получаем более 33 "объектов" и 160 "правил", описывающих взаимосвязи объектов. Параметры треугольника будут являться переменными, а уравнения - правилами. Нахождение этих переменных возможно при различных начальных условиях. Например, если известны три стороны, или если известны две стороны и угол между ними, или если известны два угла и сторона между ними, то мы можем найти все остальные неизвестные параметры. Для расчёта параметров треугольника, т.е. нахождения неизвестных переменных, на вход программы подаются 2 списка: список переменных и список правил. Программа "УДАВ" просматривает список правил и ищет среди них те, с помощью которых можно рассчитать искомые переменные (рис. 1). После этого проверяется, достаточно ли известных переменных для расчёта правила. Если параметров достаточно, то программа производит расчёт. Работа программы считается законченной в том случае, если все искомые переменные найдены или программа закончила обход правил, но не смогла найти ни одного нового правила, с помощью которого можно найти неизвестную переменную. В этом случае не хватает либо начальных данных, либо правил. Преимуществом программы "УДАВ" является то, что для увеличения числа переменных или правил не надо изменять программу. Это может сделать любой пользователь: необходимо открыть текстовый файл (рис.2), где описаны параметры и правила и добавить туда нужную строку. Для начала расчета пользователю предлагается ввести исходные данные и выбрать переменные, которые необходимо найти. По мере расчёта программа составляет текстовое описание своей работы, где отображаются все обращения к переменным и правилам. Программа составляет графическое представление своих расчётов в виде дерева, где графически представлен порядок вычислений переменных и использованных правил, по которым они были рассчитаны. Программу "УДАВ" можно оптимизировать под любую задачу. Рис. 1. Обобщенный алгоритм программы "УДАВ. Геометрия". <?xml version="1.0" encoding="UTF-8" ?> - <root> - <parametrs> <parametr id="P1" value="0.0" description="Угол A, против. стороне a (град)" /> <parametr id="P2" value="0.0" description="Угол B, против. стороне b (град)" /> <parametr id="P3" value="0.0" description="Угол C, против. стороне c (град)" /> ... </parametrs> - <rules> <rule id="R1" resultId="P1" initId="P2,P3" value="180-P2-P3" description="Сумма" /> <rule id="R2" resultId="P2" initId="P1,P3" value="180-P1-P3" description="Сумма" /> <rule id="R3" resultId="P3" initId="P1,P2" value="180-P1-P2" description="Сумма" />... </rules> ... </root> Рис. 2. Пример записи переменных и правил в файл формата XML. Вывод. "Удав. Геометрия" на основе миварного подхода адаптивно и с обучением в реальном времени решает сложные логические задачи, которые ранее считались NP-полными. Фактически, программа "УДАВ" автоматически "делает алгоритмы" для решения любой задачи, описанной в миварном информационном пространстве. Скачать демо-версию 0.511 можно с сайта WWW.OVAR.NAROD.RU. 1. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу РЕАЛИЗАЦИЯ ЛИНЕЙНОЙ СЛОЖНОСТИ ЛОГИЧЕСКОГО ВЫВОДА НА МИВАРНОЙ СЕТИ В ПРОГРАММЕ "УДАВ" В СИСТЕМНОМ И ПРИКЛАДНОМ ПРОГРАММНОМ ОБЕСПЕЧЕНИИ МНОГОПРОЦЕССОРНОГО ВЫЧИСЛИТЕЛЬНОГО КОМПЛЕКСА НИИ РАДИО ООО "МИВАР", Москва, ovar@narod.ru Представлен пример реализации линейной сложности логического вывода на миварной сети в программе "УДАВ" в системном и прикладном программном обеспечении многопроцессорного вычислительного комплекса (МВК) ФГУП НИИ Радио. Программа "УДАВ" - это принципиально новая программа для решения сложных логических задач и обработки информации в реальном времени. "УДАВ" на основе матричного метода поиска маршрута логического вывода реализует "универсальный делатель алгоритмов Варламова" [1]. Этот метод базируется на миварной логической сети правил и предоставляет возможность максимального распараллеливания вычислений и активного обучения логического вывода, управляемого потоком входных данных, со снижением вычислительной сложности с N! до линейной. Это особенно актуально для области многопроцессорных вычислительных и управляющих систем. В настоящее время в НИИ Радио реализован программный комплекс "Удав. Геометрия", который в реальном времени решает задачи с 33 переменными (объектами) и 161 правилом, что ранее считалось невозможным: 33 факториал вариантов. Этот программный комплекс реализован на основе установленного в НИИ Радио МВК на базе серверного оборудования фирмы SUN. Основную аппаратную часть вычислительного комплекса составляют сервера SUN Fire x4200 и SUN v 210 на базе процессора AMD Opteron 200. Коммутация внутри комплекса осуществляется через 1000 Base-T Ethernet. В состав комплекса также входит сервер СУБД Oracle, файловый сервер и сервер управления дисковым накопителем фирмы HITACHI модель AMS 1000. Для соединения с дисковым накопителем используется технология Fiber Channel. На серверах используются операционные системы: SUSE Enterprise Server 9, REDHAT ES 4.0, Solaris 10 (с поддержкой 32-/64 битной архитектуры). Общая схема комплекса показана на рис. 1. Программа "УДАВ. Геометрия" выполнена по технологии Java. Рис. 1. Схема многопроцессорного вычислительного комплекса НИИР. В МВК НИИР автоматически формируется и выполняется алгоритм решения задачи. Эти алгоритмы относят к интеллектуальным пакетам прикладных программ (ИППП). "УДАВ" реализует идеи сервисно-ориентированной архитектуры (СОА). Представление информации основано на продукционном подходе в миварном информационном пространстве. Задачи бизнес-аналитики могут быть представлены в таком виде. Формируется набор взаимосвязей - "правил" между объектами предметной области: база данных объектов и база данных правил. Затем задают известные входные объекты и требуемые объекты, для которых надо определить алгоритм их получения из входных объектов (сформировать маршрут логического вывода или "сделать алгоритм"). "УДАВ" по входным объектам на основе базы данных всех правил формирует "алгоритм вывода". Программу "УДАВ" можно оптимизировать под любую задачу. Вывод. На МВК ФГУП НИИ Радио программа "Удав. Геометрия" на основе миварного подхода адаптивно и с обучением в реальном времени решает сложные логические задачи, которые ранее считались NP-полными. Скачать демо-версию можно с сайта WWW.OVAR.NAROD.RU. 1. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу УДК 004.82:007.52 А.В. Носов, А.Н. Владимиров, О.О. Варламов, Т.С. Потапова, ФГУП НИИ Радио, ООО "МИВАР", г. Москва, ovar@narod.ru Программа "УДАВ": реализация линейной вычислительной сложности матричного метода поиска маршрута логического вывода на основе миварной сети правил В статье приведены практические результаты создания программного комплекса "УДАВ", который реализует линейной вычислительной сложности матричный метод поиска маршрута логического вывода на миварной сети правил. Этот метод позволяет реализовать активный обучаемый логический вывод для любых предметных областей, моделирование которых проводится в миварном информационном пространстве. Реализовано: в реальном времени и при любых наборах входных данных решаются геометрические задачи решений треугольников с 33 объектами и 161 правилом (33! вариантов), что ранее считалось невозможным. Введение Программный комплекс "УДАВ" реализует "универсальный делатель алгоритмов Варламова" на основе линейной вычислительной сложности матричного метода поиска маршрута логического вывода [1]. Этот метод базируется на миварной логической сети правил и предоставляет возможность активного обучения логического вывода, управляемого потоком входных данных, со снижением вычислительной сложности с N! до линейной, что доказано на практике. Программа "Удав. Геометрия" на обычной ПЭВМ в реальном времени решает задачи с 33 переменными (объектами) и 161 правилом. Ранее такие задачи считались невозможными, т.к. здесь 33! (33 факториал) вариантов. Получить демо-версию этой программы можно на сайте www.ovar.narod.ru. [2]. Отметим, что в настоящее время программный комплекс "УДАВ. Геометрия" выполнен по технологии Java, которая является объектно-ориентированной, платформо-независимой, многопоточной средой программирования. Общее описание технологии программы "УДАВ" Целью данной работы является обоснование возможностей и практическое доказательство реализации решения сложных логических задач в реальном масштабе времени и с линейной вычислительной сложностью. "УДАВ" - это принципиально новый программный комплекс, предназначенный для решения сложных логических задач и обработки информации в реальном масштабе времени. Новизна: автоматически формируется алгоритм решения задачи, который на следующем этапе "выполняется" с конкретными исходными данными. Ранее подобные алгоритмы относили к интеллектуальным пакетам прикладных программ (ИППП). "УДАВ" полностью решает все проблемы ИППП и реализует все основные идеи сервисно-ориентированной архитектуры (СОА). Представление информации основано на продукционном подходе. Практически любая предметная область описывается набором правил или процедур в формате: "ЕСЛИ..., ТО..." (продукции). Следовательно, можно сформировать перечень (набор, список) "объектов-переменных" и перечень (набор, список) "правил-процедур" - это: логические правила, вычислительные процедуры обработки информации и другие процедуры. Вводится следующее ограничение: если известны все "входные" объекты-переменные (в правилах они стоят после "ЕСЛИ ...," и до "ТО..."), то должны быть выводимы и все "выходные" объекты-переменные (в правилах они после "ТО"). Подчеркнем, что задачи бизнес-аналитики могут быть представлены в таком виде. Описание метода решения Метод состоит в следующем. Формируется набор взаимосвязей - "правил" между объектами предметной области: база данных объектов и база данных правил. Затем системе "УДАВ" задают известные входные объекты и требуемые объекты, для которых надо определить алгоритм их получения из входных объектов (сформировать маршрут логического вывода или "сделать алгоритм"). "УДАВ" по входным объектам на основе базы данных всех правил формирует "алгоритм вывода": от известных входных объектов до требуемых объектов (переменных). Фактически, решается классическая задача поиска маршрута логического вывода, но: 1) вычислительная сложность - линейная, а не NP-полная (факториал: N!), что доказано математически и подтверждено на практике; 2) решают и логические, и другие классы задач обработки информации, например, вычислительные, что реализовано в "УДАВ. Геометрия"; 3) Программа "УДАВ" позволяет выполнять управляемую потоком входных данных активную обработку (т.е. обработку с запросом и уточнением входных данных) на миварной адаптивной сети правил и переменных, что позволяет говорить об элементах самообучения. Образно можно сказать следующее: решение основывается на отказе от полного перебора всех вариантов путем "подъема над плоскостью лабиринта графа" и построения специальных матриц, позволяющих анализировать "весь лабиринт графа" в комплексе и быстро находить требуемые решения. "УДАВ" может работать с полностью автономными системами, т.е. автоматически обрабатывать входные значения неких датчиков в реальном масштабе времени и на выходе выдавать сигналы по заданным параметрам, например: "аварийная ситуация" и т.п. В качестве аналогии можно привести пример "рыбацкой сети": сначала вяжут рыболовную сеть (описывают предметную область продукциями), потом "наваливают кучей" сразу несколько сетей (можно одновременно работать с несколькими предметными областями), а два рыбака подходят к этой "куче" (общая миварная база данных переменных и правил) и тянут в разные стороны, один за "известные входные переменные-объекты", другой - за "требуемые выводимые объекты-переменные" (получаем вывод и от известных входных объектов, и от требуемых объектов, т.е. одновременно и снизу, и сверху). Если, в результате, из этой "кучи" получается "растянуть" фрагмент целой сети, связывающей входные и требуемые объекты, то задача решена: логический вывод найден. Если же рыбаки "расходятся" с разными фрагментами сети, значит связи между входными и требуемыми объектами нет: у задачи нет решения. Можно в активном режиме определить те объекты, которые необходимо найти для "связывания" сети в единый маршрут логического вывода. Описание "УДАВ. Геометрия. Решение задач в треугольниках" Перейдем к практическому описанию решения задач школьной геометрии про треугольники (рис. 1). Известно много зависимостей между сторонами, медианами, высотами, углами: теоремы синусов, косинусов, Пифагора и т.п., формулы получения периметра, определения площади треугольника и т.д. Задачи различные: по двум сторонам и углу между ними найти площадь; по высоте и стороне с углом определить другие стороны, построить медианы и т.п. Получаем более 33 "объектов" и 160 "правил", описывающих взаимосвязи объектов. Универсальных программ решения этих задач не было. "УДАВ. Геометрия" позволяет автоматически решать "геометрические задачи в треугольниках", даже если их сложность 33!. Это пример решения вычислительных, а не логических задач с помощью программы "УДАВ". Рис. 1. Иллюстрация задания параметров треугольника. В нашей программе параметры треугольника будут являться переменными, а уравнения правилами. Нахождение этих переменных возможно при различных начальных условиях. Например, если известны три стороны, или если известны две стороны и угол между ними, или если известны два угла и сторона между ними, то мы можем найти все остальные неизвестные параметры. Для расчёта параметров треугольника, т.е. нахождения неизвестных переменных, на вход программы подаются 2 списка: список переменных и список правил. В списке существуют как переменные, обладающие значениями, так и не обладающие ими. Некоторые из переменных, у которых нет значений, необходимо найти. Программа "УДАВ" просматривает список правил и ищет среди них те, с помощью которых можно рассчитать искомые переменные (рис. 2). После этого проверяется, достаточно ли известных переменных для расчёта правила. Если параметров достаточно, то программа производит расчёт. Программа начинает поиск заново если: • во время поиска найдено правило, с помощью которого можно найти, искомую переменную и у него известны не все входные переменные, то недостающие переменные помечаются как необходимые для поиска; • во время поиска найдено правило, с помощью которого можно найти, искомую переменную и у него известны все входные переменные, то она помечается как известная, а правило удаляется. Работа программы считается законченной в том случае, если все искомые переменные найдены или программа закончила обход правил, но не смогла найти ни одного нового правила, с помощью которого можно найти неизвестную переменную. В этом случае не хватает либо начальных данных, либо правил. В главном окне (рис. 3) мы видим таблицу исходных данных — это поля (идентификатор переменной, описание переменной, значение и поле для выделения искомой переменной). Слева и справа находятся текстовый и графический выводы работы программы соответственно. Существует область «parametrs», в которой описывается каждая переменная треугольника и некоторая область «rules», в которой описаны правила для нахождения переменных. Поле «parametrs» состоит из: • id - идентификатор переменной; • value - значение переменной; • description - описание переменной. Поле «rule» состоит из: • id - идентификатор правила; • resultId - идентификатор переменной, которую можно найти из правила; • initId - идентификаторы переменных необходимых для выполнения правила; • value - само правило; • description - описание правила. Преимуществом программы "УДАВ" является то, что для увеличения числа переменных или правил не надо изменять программу, т.к. это всего лишь параметры, которые могут быть изменены даже в ходе работы программы. Для изменения этих параметров, которое может сделать любой пользователь, необходимо открыть текстовый файл, где описаны параметры и правила и добавить туда нужную строку или провести другие действия (рис. 4). Рис. 2. Обобщенный алгоритм программы "УДАВ. Геометрия". Рис. 3. Внешний вид интерфейса без результатов расчёта. <?xml version="1.0" encoding="UTF-8" ?> - <root> - <parametrs> <parametr id="P1" value="0.0" description="Угол A, против. стороне a (град)" /> <parametr id="P2" value="0.0" description="Угол B, против. стороне b (град)" /> <parametr id="P3" value="0.0" description="Угол C, против. стороне c (град)" /> ... </parametrs> - <rules> <rule id="R1" resultId="P1" initId="P2,P3" value="180-P2-P3" description="Сумма" /> <rule id="R2" resultId="P2" initId="P1,P3" value="180-P1-P3" description="Сумма" /> <rule id="R3" resultId="P3" initId="P1,P2" value="180-P1-P2" description="Сумма" /> ... </rules> - <metadata> <idParametr inc="33" /> <idRule inc="161" /> </metadata> </root> Рис. 4. Пример записи переменных и правил в файл формата XML. Для начала расчета пользователю предлагается ввести исходные данные и выбрать переменные, которые необходимо найти (Рис. 5). Для демонстрации были введены следующие параметры: P1 (Угол а) = 30 град, P2 (Угол b)=70 град, P4 (Сторона f)=5. Выделены следующие параметры для поиска: P9 (радиус вписанной окружности), P15 (Высота опущенная из угла А на сторону а), P21 (Биссектриса угла а), P27 (расстояние от точки пересечения медианы стороны а, до точки пересечения медиан). По мере расчёта программа составляет текстовое описание своей работы (Рис. 6), где отображаются все обращения к переменным и правилам. Кроме того, программа составляет графическое представление своих расчётов в виде дерева (Рис. 7), где графически представлен порядок вычислений переменных и использованных правил, по которым они были рассчитаны. Подчеркнем, что нашу программу даже самостоятельно можно настроить, практически, под любую задачу, описание которой удовлетворяет ограничениям, которые были приведены выше (продукции и обязательность вывода объектов). Выводы Программа "Удав. Геометрия" на основе миварного подхода адаптивно и с обучением в реальном времени решает сложные логические задачи, которые ранее считались NP-полными и "не решаемыми". Фактически, программа "УДАВ" автоматически "делает алгоритмы" для решения практически любой задачи, описанной продукциями в миварном информационном пространстве. Скачать демо-версию нашей программы можно с сайта WWW.OVAR.NAROD.RU. Рис. 5. Внешний вид интерфейса с введенными данными. Рис. 6. Внешний вид интерфейса после расчета. Рис. 7. Внешний вид интерфейса после расчета. Литература 1. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с. 2. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. A.V. Nosov, A.N. Vladimirov, K.E. Toza, T.S. Potapova, O.O. Varlamov The program complex "UDAV": realization of linear computing complexity of the matrix method of route searching of the logic conclusion in on basis of mivarnoi network of rules In this work we perform practical results of creation of a program complex "UDAV" which realizes a matrix method linear computing complexity for searching of a route of a logic conclusion on mivarnoi networks of rules. This method allows to realize an active trained logic conclusion for any subject spheres which modelling is carried out in mivarnom information space. As an example realization of " geometrical tasks of decisions of triangles " is shown. This task could not be realized on computers in connection with potential computing complexity in 10 in 30 degrees earlier. The software " UDAV " is executed on technology Java and realizes" the universal maker of algorithms Varlamov" which can be referred to a class of " intellectual packages of applied programs ". Статья поступила в редакцию 31.05.2009. Переход на главную страницу О ВЫДЕЛЕНИИ НЕСКОЛЬКИХ УРОВНЕЙ ПРОВЕДЕНИЯ НАУЧНЫХ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ООО "МИВАР", ФГУП НИИ Радио, Москва, ovar@narod.ru В декабре 2008 года в Институте проблем искусственного интеллекта МОН и НАН Украины автор принимал участие в научных дискуссиях и проводил лекции и семинары. По итогам этой научной работы были получены новые знания и подготовлены предложения по выделению нескольких уровней проведения научных исследований в области искусственного интеллекта (ИИ). Всем известно, что в этой области проводится достаточно много разнообразных и не пересекающихся исследований даже в области информатики и прикладной математики. Некоторые ученые спорят о том, какое направление является более "интеллектуальным" и перспективным. Предлагается выделить несколько, в основном, непересекающихся уровней таких исследований, что позволит прекратить жаркие споры и "разведет ученых" по разным областям. Прежде всего, рассмотрим вопросы про нейросети, генетические алгоритмы, интеллект и т.п. ДО-интеллектуальный уровень. Наш подход основан на том, что существуют на разных уровнях человеческие реакции на внешние воздействия. Нейросети (и им подобные методы) подобны инстинктивным реакциям, рефлексам и т.п. Когда надо мгновенно выполнить некое действие. Да, это очень важно, но в общепринятом смысле это нельзя называть "интеллектуальной осознанной деятельностью". Нейросети - это что-то "ДО-интеллектуальное", но очень важное для диагностики, реакций. По нашему мнению, исследователям нейросетей обижаться на то, что это "не интеллектуальные" действия нельзя. Ведь даже люди не раздумывают над своими рефлексами, а просто сначала обучаются им, а затем успешно пользуются. Например, движения рук и ног при вождении автомобиля, когда голова выбирает маршрут и управляет, то руки-ноги действуют на более низком уровне, чем голова. Аналогично выполняются реакции на огонь, лед и т.п. Проанализируем "генетические алгоритмы" и прочее "научное тыкание пальцем" - это уже несколько другой уровень, чем интеллект. Когда на базе прошлого опыта для совершенно новых СЛОЖНЫХ задач, которые нельзя решить интеллектом, надо хоть какие-то решения предложить. Получается, что нейросети и генетические алгоритмы - это две крайности, которые явно нельзя отнести к интеллекту. Однако, по нашему мнению, обе эти крайности относятся, с точки зрения введенной классификации, к "ДО-интеллектуальному" уровню научных исследований. Впрочем, если кому-то не нравится подобный термин, то можно будет ввести другой, после обсуждения. Интеллектуальный уровень. Поясним, что будем понимать под интеллектом - это когда мы изучаем "черный ящик" и пытаемся залезть внутрь и смоделировать его, т.е. раскрыть секрет черного ящика, убрать черный ящик. Как известно, нейросети и генетические алгоритмы не раскрывают черных ящиков, а работают только с "входами и выходами" такого ящика, т.е. опираются только на статистику. Если сам черный ящик во времени не меняется, то применять статистику можно и, даже, должно. Только вот в реальной жизни все "течет и меняется", а значит и методы "черного ящика" обречены на провал в любом случае - это лишь вопрос времени. Хотя, наверное, можно как-то и с этим бороться... Регулярно проверять настройки, сверяться с практикой, экспериментами и т.п. Получается, что нейросети и генетические алгоритмы работают с количественными параметрами, а интеллект, т.е. моделирование и логический вывод, с качественными параметрами. Видимо, надо иметь и то, и другое. Теперь перейдем к термину "интеллект" - видимо, это ближе к логическому осознанному мышлению, когда человек понимает что и как. Очевидно, что это гораздо медленнее, чем реакции, но зато больше универсальности и т.п. Здесь уже скорее - познание, в отличие от того, что нейросети - диагностика и управление. В наших предыдущих работах была введена классификация, в которой явно выделена разница между познающими и диагностическими системами управления и обработки информации [1]. СВЕРХ-интеллектуальный уровень. На конференциях всегда уделяется внимание вопросам сознания, совести и т.п. интеллектуальных систем. Эти проблемы явно выходят за пределы "логического осознанного мышления", т.к. даже человек эти процессы не осознает. Сюда можно отнести и разнообразные эмоции и подобные вопросы. С одной стороны, можно говорить: давайте сначала сделаем хотя бы "логический интеллект", а уж потом займемся вопросами его совести и эмоций... С другой стороны, если есть ученые, которым важны и интересны проблемы, которые возникнут сразу после создания ИИ, то этим вполне можно заниматься. Тем более, что вопросы финансирования здесь особой роли не играют. У многих исследователей возникают сомнению про "научность" и необходимость подобных исследований, которые тоже достаточно обоснованы. Ведь, как известно, до сих пор не решен принципиальный вопрос: можно ли создать ИИ? Так зачем тогда думать о его последствиях. Именно для того, чтобы "не сталкивать лбами" такие принципиально разные научные подходы и предлагается выделить новый уровень исследований: СВЕРХ-интеллектуальный, на котором и будут изучаться вопросы "что будет после создания ИИ"! Более того, по нашему глубокому убеждению, миварный подход уже позволил создать работающие программные комплексы, которые автоматически создают - делают алгоритмы. Например, программа "УДАВ. Геометрия", которую можно свободно скачать с [1]. Эта программа наглядно демонстрирует возможности обучаемого адаптивного активного логического вывода с линейной вычислительной сложностью. Кроме того, помимо самого логического вывода, т.е. создания алгоритма работы программы, выполняются и вычислительные задачи. В совокупности получается реализация хорошо известных "интеллектуальных пакетов прикладных программ" (ИППП). Эти ИППП в настоящее время могут быть реализованы на основе Сервисно-ориентированной архитектуры (СОА), которую в дальнейшем целесообразно улучшить на основе миварного подхода. Через 5 - 10 лет, мы надеемся реализовать гораздо более мощные, чем "УДАВ. Геометрия", программы, которые уже смогут обоснованно претендовать на способность к автономной логической обработке "осознанному мышлению" и вычислениям результатов, т.е. к созданию прообраза искусственного интеллекта. В таком случае, уже сейчас вполне можно и нужно исследовать вопросы сверх-интеллектуального уровня научных исследований. Выводы. Для устранения лишних споров между учеными целесообразно выделить 3 уровня научных исследований: 1) ДО-интеллектуальный (диагностика, управление - нейросети и т.п.), 2) Интеллектуальный (логические рассуждения, принятие решений и обработка информации в миварном информационном пространстве - познание и т.п.) и 3) СВЕРХ интеллектуальный (проблемы сознания, совести и т.п.). Проанализированная проблема многоуровневости научных исследований требует дополнительной проработки и согласования на научных конференциях и Круглых столах. 1. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу О.О. Варламов, А.В. Носов, А.Н. Владимиров, АВТОНОМНОЕ РЕШЕНИЕ СЛОЖНЫХ ЛОГИЧЕСКИХ ЗАДАЧ ПРИНЯТИЯ РЕШЕНИЙ И УПРАВЛЕНИЯ В РОБОТОТЕХНИКЕ НА ОСНОВЕ ПРОГРАММЫ "УДАВ" И ЛИНЕЙНОЙ СЛОЖНОСТИ ЛОГИЧЕСКОГО ВЫВОДА НА МИВАРНОЙ СЕТИ ООО "МИВАР", Москва, ovar@narod.ru Одной из важных научно-технических проблем экстремальной робототехники является необходимость автономного решения в мобильных роботах сложных логических задач принятия решений и управления. В настоящее время реализован матричный метод поиска маршрута логического вывода и создан программный комплекс УДАВ, который реализует "универсальный делатель алгоритмов Варламова". Важной особенностью этой программы является то, что она на обычных компьютерах позволяет решать сложные логические задачи, ранее считавшиеся невозможными и NP-полными, в реальном времени и с линейной вычислительной сложностью. Это очень важный научный прорыв для экстремальной робототехники, т.к. теперь в компьютерной системе робота можно решать очень сложные задачи, учитывать большее количество параметров и более адекватно принимать решения и управлять действиями. В настоящее время, программа УДАВ предоставляет возможность активного обучения логического вывода, управляемого потоком входных данных, со снижением вычислительной сложности с N! до линейной. "Удав. Геометрия" на обычной ПЭВМ в реальном времени решает задачи с 33 переменными (объектами) и 161 правилом, что ранее считалось невозможным: 33 факториал вариантов. Скачать программу можно с [1]. УДАВ - это принципиально новая программа для решения сложных логических задач и обработки информации в реальном времени. "УДАВ" на основе [1]. Этот метод базируется на миварной логической сети правил и миварном информационном пространстве. В наших более ранних работах было указано, что миварный подход является очень перспективным для реализации в автономных роботах и многоагентных системах. Теперь реализован метод обработки, который еще более делает полезным миварный подход для робототехники. Представление информации в УДАВ основано на продукционном подходе: любая предметная область описывается набором правил или процедур в формате "ЕСЛИ..., ТО..." (продукции). Формируется перечень "объектов-переменных" и перечень "правил-процедур" (это и логические правила, и процедуры обработки информации). Ограничение: если известны все "входные" объекты-переменные, то должны быть выводимы и все "выходные" объекты-переменные. Все задачи бизнес-аналитики и многие задачи экстремальной робототехники могут быть представлены в таком виде. Решение УДАВ. Формируется набор взаимосвязей - "правил" между объектами предметной области: база данных объектов и база данных правил. Затем системе "УДАВ" задают известные входные объекты и требуемые объекты, для которых надо определить алгоритм их получения из входных объектов (сформировать маршрут логического вывода или "сделать алгоритм"). "УДАВ" по входным объектам на основе базы данных всех правил формирует "алгоритм вывода". Фактически, решается классическая задача поиска маршрута логического вывода, но: 1) вычислительная сложность - линейная, а не NP-полная, что доказано математически и подтверждено на практике; 2) решают и логические, и другие классы задач обработки информации; 3) "УДАВ" выполняет управляемую потоком данных активную обработку на адаптивной сети правил и переменных (самообучение). Для примера рассмотрим решение задач школьной геометрии - треугольники, где нами выявлено более 33 "объектов" и 160 "правил", описывающих взаимосвязи объектов. Параметры треугольника будут являться переменными, а уравнения - правилами. Для нахождения неизвестных переменных, на вход программы подаются 2 списка: список переменных и список правил. Программа УДАВ просматривает список правил и ищет среди них те, с помощью которых можно рассчитать искомые переменные. После этого проверяется, достаточно ли известных переменных для расчёта правила. Если параметров достаточно, то программа производит расчёт. Преимуществом программы "УДАВ" является то, что для увеличения числа переменных или правил не надо изменять программу. Это может сделать любой пользователь: необходимо открыть текстовый файл, где описаны параметры и правила и добавить туда нужную строку. Программу "УДАВ" можно оптимизировать под любую задачу. Вывод. Для автономных роботов программа УДАВ на основе миварного подхода адаптивно и с обучением в реальном времени решает сложные логические задачи, которые ранее считались NP-полными. Фактически, программа "УДАВ" автоматически "делает алгоритмы" для решения любой задачи, описанной в миварном информационном пространстве на основе продукционного подхода. Скачать демо-версию УДАВ можно с сайта WWW.OVAR.NAROD.RU. 1. Материалы сайта "дтн Варламов О.О." www.ovar.narod.ru. Переход на главную страницу Проект "УДАВ" - решение в реальном времени интеллектуальных логических задач УДАВ - это принципиально новый продукт, основанный на решении фундаментальной научной проблемы по созданию миварного (многомерного эволюционного) информационного пространства представления и обработки данных. УДАВ (Универсальный делатель алгоритмов Варламова) предназначен для решения сложных логико-вычислительных задач в реальном масштабе времени путем "конструирования алгоритмов" или "поиска маршрута логического вывода" с линейной вычислительной сложностью. Это не простой поиск информации или выполнение жестких алгоритмов, а именно ИНТЕЛЛЕКТУАЛЬНОЕ решение задач. Аналоги: экспертные системы (ЭС), интеллектуальные пакеты прикладных программ (ИППП), системы поддержки принятия решений (СППР), сервисно-ориентированный подход, системы оперативной диагностики, АСУ, АСОИ и бизнес-аналитика. Суть решения. Практически любая предметная область описывается набором правил или процедур в формате "ЕСЛИ..., ТО..." (логические продукции). В программе "УДАВ" формируется перечень "объектов-переменных" и перечень "правил-процедур" (это и логические правила, и различные процедуры обработки информации). Существует ограничение: если известны все "входные" объекты (в правилах они стоят после "ЕСЛИ ...," и до "ТО..."), то должны быть выводимы и все "выходные" объекты (в правилах они после "ТО"). Формируется набор "правил" (отношений) между объектами предметной области: база данных объектов и база данных правил. Затем системе УДАВ задают известные входные объекты и требуемые объекты, для которых надо определить алгоритм их получения из входных объектов (сформировать маршрут логического вывода). УДАВ по входным объектам на основе базы данных всех правил конструирует "алгоритм вывода" путем соединения "правил" через "объекты". Преимущества перед аналогами: 1) вычислительная сложность поиска маршрута логического вывода линейная, а не N!; 2) решают логические, интеллектуальные, вычислительные и другие задачи; 3) управление потоком входных данных и оперативная диагностика; 4) адаптивное описание предметной области для эволюционного решения задач; 5) УДАВ активно работает на адаптивной сети правил и объектов (самообучение). Решение основывается на отказе от полного перебора всех вариантов путем "подъема над плоскостью лабиринта графа" и построения специальных матриц, позволяющих анализировать "весь лабиринт графа" в комплексе и быстро находить требуемые решения. УДАВ может работать с полностью автономными системами: обрабатывать входные значения неких датчиков в реальном масштабе времени, а на выходе выдавать сигналы по заданным параметрам, например, "аварийная ситуация", "переход системы в новое состояние" и т.п. Аналогия на примере "рыбацкой сети": сначала вяжут рыболовную сеть, потом "наваливают кучей" сразу несколько сетей, а два рыбака подходят к этой "куче" и тянут в разные стороны, один за "известные входные переменные-объекты", другой - за "требуемые выводимые объекты-переменные". Если в результате из этой "кучи" получается "растянуть" фрагмент целой сети, связывающей входные и требуемые объекты, то задача решена и маршрут логического вывода найден (сконструирован алгоритм из модулей-сервисов). Если же два рыбака "расходятся" с разными фрагментами сети в руках, значит связи между входными и требуемыми объектами нет и у задачи нет решения, но можно в активном режиме определить те объекты, которые необходимо доопределить для "связывания" сети в единый маршрут логического вывода. Внедрение. Решение геометрических задач треугольников: даны формулы-зависимости между сторонами, медианами, высотами, углами и т.д. треугольника (теоремы синусов, косинусов, Пифагора и т.п.), формулы получения периметра, площади и т.д. Возможно огромное количество задач: по двум сторонам и углу между ними найти площадь; по высоте и стороне с углом определить другие стороны, построить медианы и т.п. Не каждый человек решит такие задачи. В программе "УДАВ. Геометрия" есть 33 "объекта" и 161 "правило". Создать единую программу решения таких задач до УДАВа было невозможно, т.к. вариантов программ расчета по некоторым объектам любых других будет 33!(факториал), т.е. примерно 10 в 30 степени вариантов. "УДАВ. Геометрия" - это единая программа, которая решает все эти задачи на основе базы "объектов" (стороны, углы, высоты, и т.д.) и базы "правил" (теоремы и правила), т.е. автоматически формирует (делает) алгоритм для каждого набора входных и требуемых (выходных) объектов. Это пример решения с помощью УДАВа интеллектуальных вычислительных и логических задач. Переход на главную страницу Английские аннотации докладов PROBLEMS OF EDUCATION AND FEATURES OF DEVELOPMENT OF CURRICULUMS ON SAFETY OF THE PERSONAL DATA S.V. Blohina, , E.G. Kolupaeva, O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru Features of drawing up various curriculums for training are considered in the field of a safety of the personal data. It is analyzed practical experience of realization such trainings, it is proved the necessity of inclusion the bases of representation of the information in training courses and the review of opportunities and features of technical investigation. It is recommended to divide two basic levels of the description and discussion of problems of a safety of the personal data: politically-legal and technical. Variants of various curriculums on information safety and protection of the personal data are given. Development of a science and engineering expands opportunities of technical investigations. It is necessary to protect the personal data, constantly taking into account new threats and introducing the certificated means of protection of the information in due time. Experts are necessary for this purpose, they must have special training and must receive the admission to independent work with the personal data. Training should be carried out under curriculums of a safety of the personal data. ABOUT ONE APPROACH TO THE SAFETY OF THE PERSONAL DATA FROM NINE KINDS OF COMPUTER INVESTIGATION K.E. Toza, E.G. Kolupaeva, O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru The problems of a safety of the personal data under actual requirements of the Russian legislation are considered. Opportunities for protection of the personal data from nine kinds of technical computer investigation are analyzed. It is proved necessity of realization of certification of information systems of the personal data with a view of maintenance of legal protection in any cases for operators of the personal data. Opportunities of technical investigations are constantly improved with the development of a science and engineering. Hence, it is necessary to protect personal data constantly taking into account new threats and introducing the certificated means of protection of the information in due time. There is no guarantees of full safety of the personal data. However, observance of requirements of the legislation, managing documents FSTEC of Russia and realization of certification of information system of the personal data provide legal protection to the operator of the personal data. ABOUT ONE APPROACH TO MODELLING MENTALITY ON BASIS OF MIVAR APPROACH O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru It is offered the hypothesis of representation of human mentality as logically arguing self-learning system in a formalism mivar approach: mentality is modeled as mivar`s network of the logic processing controlled by a stream of the entrance data from gauges. There are formed "cyclic" time loops in a head at the person when a certain signal plies on the certain cycle interconnected neuron`s. The quantity of exits at neuron can serve as the base to formation of multivariate space. During complication of knowledge of a head all new and new cycles are started: on the basis of previous cycles more complex cycles are under construction. And this process repeats. We receive, that all signals to some extent "run on the cycles" which in aggregate, probably, form a certain multivariate space of "rotating" and constantly varied cycles of information signals. Certainly, at different moments of time the total amount of such space can change. During training new "cycles" are created on the base of existing cycles. As analogy it is possible to give an example of molecules, electrons etc., where all is in constant movement, but keeps the form. So, during mentality numerous multivariate dynamic logic operation cycles and storages of the information are formed which "constantly rotate", become complicated, increased and are unique for each brain. This "rotation" explains loss of mental faculties of people during clinical death and forbids teleportation. ABOUT ONE APPROACH TO THE QUANTITATIVE ESTIMATION OF THE INFORMATION FROM THE POINT OF VIEW OF LOGIC AND "SENSE" INSTEAD OF TRANSFERRING OF THE INFORMATION E.G. Kolupaeva, O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru It is offered the new approach to a quantitative estimation of the information from the point of view of logic processing and information modelling, instead of transferring of the information by bats. This estimation depends on completeness of information model of a subject sphere, a condition of process of logic processing (a logic conclusion). The estimation is calculated on mivarnoi network of logic rules on the basis of definition of values of those objects (variables) which are necessary for completion of logic processing and reception of required results. The opportunity of a quantitative estimation is caused by features of mivarnoi network of the rules, allowing to calculate those variables which values are not sufficient for end of logic processing. Thus, it is offered the new approach to a quantitative estimation of the information for realization in mivarnom information space. ABOUT REALIZATION OF LINEAR COMPUTING COMPLEXITY OF THE MATRIX METHOD OF ROUTE SEARCHING OF THE LOGIC CONCLUSION IN THE PROGRAM COMPLEX "UDAV" ON BASIS OF MIVARNOI NETWORK OF RULES A.V. Nosov, A.N. Vladimirov, K.E. Toza, E.G. Kolupaeva, O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru In this work we perform practical results of creation of a program complex "UDAV" which realizes a matrix method linear computing complexity for searching of a route of a logic conclusion on mivarnoi networks of rules. This method allows to realize an active trained logic conclusion for any subject spheres which modelling is carried out in mivarnom information space. As an example realization of " geometrical tasks of decisions of triangles " is shown. This task could not be realized on computers in connection with potential computing complexity in 10 in 30 degrees earlier. The software " UDAV " is executed on technology Java and realizes" the universal maker of algorithms Varlamova" which can be referred to a class of " intellectual packages of applied programs ". ABOUT ONE APPROACH TO THE SAFETY OF THE PERSONAL DATA AT THEIR PROCESSING IN DATABASES AND ELECTRONIC ARCHIVES A.N. Vladimirov, E.G. Kolupaeva, A.V. Nosov, O.O. Varlamov "MIVAR", Moscow, ovar@narod.ru It is known the classical approach to technical protection of the information which is realized and for personal data: 1) reveal threats, 2) create system protection against these threats and 3) supervise security personal data. "The Model of threats" first of all is developed for protection personal data by a technique of definition of actual threats of safety personal data and on a basis of "Base model of threats". It is caused that revealing and the account of threats in concrete conditions make a basis for planning and realization of the actions, directed for safety personal data at their processing in information system personal data. The analysis of a safety of the personal data and securities of the information in the electronic archives created on the basis of certificated "ELAR SAPERION", has shown, that it is possible to create of in information system personal data and their certification for requirements FSTEC of Russia up to class К1. Переход на главную страницу | |||
| Напишите мне |
