Полезным инструментом для причинно-следственных рассуждений является язык когнитивных карт, разработанный политологами для анализа, прогнозирования и понимания решений. Хотя этот язык основан на простых правилах вывода, его семантика специфична, он имеет много привлекательных сторон, и считается полезным во многих областях: административных науках, теории игр, анализе информации, прогнозировании политических событий, электрических цепей, анализе, объединении работ человека и машины, в распределенных группах поддержки принятия решений, адаптации, обучения и т.д. В этой статье мы покажем, как когнитивные карты можно рассматривать в контексте соотношений алгебры, и как алгебра обеспечивает семантическую основу, которая способствует развитию вычислительных инструментов, используя язык когнитивных карт.

Причинные знания обычно включают в себя множество взаимодействующих понятий, которые делают их сложными, и методы анализа становятся недостаточными (Парк, 1995). В этом случае используют другие методы, и, в частности можно использовать методы, вытекающие из качественных рассуждений, чтобы справиться с такого рода знаниями. Когнитивной карты (КК) строятся на основе этих методов, и является достаточными для решения взаимодействующих понятий.

Как правило, основные элементы КК являются простыми. Концепции индивидуального использования представлены в виде точек и причинно-следственных связей между этими понятиями представлены в виде стрелки между этими точками. Это представление из точек и стрелок, называется когнитивной картой. Стратегические альтернативы, все различные причины и следствия, цели, и в конечном итоге полезность принятия решений агент может рассчитать концепцию переменных и представлений в виде точек в причинной карте. Причинно-следственные связи могут быть различными положительные (содействие, усиление, помощь, и т.д.), отрицательные (такие, как: торможение, ухудшение, создание помех, вред, и т.д.) и нулевые (таких, как: не влияет на, не имеет значения, и т. п.). С помощью этого представления относительно легко увидеть, как понятия и причинно-следственные отношения связаны друг с другом и увидеть общность причинно-следственных связей одного понятия с другим. Например, КК на рис. 1, изученныt Уэлман (Wellman, 1994) и взяты из (Levi and Tetlock, 1980), объясняет, как японцы приняли решение атаковать Перл Харбор. Действительно, эта часть КК говорит, что "оставаясь незадействованными, японской силы истощаются при одновременном повышении оборонной готовности США, обе причины снижают японские шансы на успех в войне". Это показывает, что КК представляет собой набор понятий, как "Япония по-прежнему в простое", "Японский" истощение и т.д., а также подписаны причинно-следственные связи, как "содействие", "расширять", "снижение" и т.д.

Рисунок 1. Когнитивная карта (из [Levi and Tetlock, 1980])

Обратите внимание, что область понятия не обязательно определяется именно так, нет очевидных весов для измерения "США готовность "," успех в войне" и т.д. Тем не менее, кажется, что легко уловить смысл отношения в этой модели (Wellman, 1994). Как и любая когнитивная карта, КК на рис. 1 может быть преобразована в матрицу смежности, ее называют валентной или матрицей. Валентная матрица квадратной матрицы с 1 строкой и одним столбцом для каждого понятия в КК. Например, если мы принимаем к сведению понятия "Япония по-прежнему простой", "Японский истощение", "Японский успех в войне", "США готовности" на A, B, C, D соответственно, то валентность матрицы КК представлены на рис. 1 заключается в следующем:

Выводы, которые мы можем извлечь из КК на основе качественных рассуждений типа "друзья моих друзей друзья". Таким образом, в случае на рис. 1, снижаются перспективы японского успеха в войне по двум причинным путям. Обратите внимание, что отношения между праздностью и военными перспективами является негативной. В этих условиях Япония имеет интерес начать войну как можно скорее, если "считает", что война неизбежна. Таким образом, КК предоставляет интуитивно понятный рамки, в форме решений.

Когнитивные карты (КК), могут быть сложнее, чем в данной работе (см., например (Buede and Ferrell, 1993), там больше примеров). Кроме того, они часто представляют собой интересные динамические системы (Коско, 1992). Например, КК на рис. 2 представляет собой взгляд на исследования в развитых странах, динамическая система, отражающая много циклов: (1), (2), (3) и т.д. Такие циклы трудно представить используя деревья, как и для примера Маркова или Байесовскими деревьями, которые имеют ациклическое представление.

Рисунок 2. Когнитивная карта представляет собой организацию циклов.

Таким образом, CMS являются инструментом управления, который позволяет пользователям представлять причинно-следственные связи, как отражение в реальных динамических систем. Циклические контрмеры были рассмотрены как специальные представления с простыми правилами вывода, а не семантики. В этой статье мы предлагаем семантическую реляционную модель когнитивных карт. С помощью этой модели, мы разработали вычислительную модель, которая будет использоваться в рамках мультиагентных сред.

Эта статья организована следующим образом. Следующий раздел касается предыдущих работ о когнитивных карт. Раздел 3 - эскизы классического исчисления отношений и подробности нашей реляционной модели когнитивных карт. Наконец, в разделе 5 представлены реализации предложенной модели и ее применения в рамках мультиагентных систем.

Axelrod, R., editor (1976). Structure of Decision: The Cognitive Maps of Political Elites. Princeton University Press.

Bougon, M. G. and Komocar, J. M. (1990). Directing strategic change: a dynamic wholistic appraoch. In Huff, A. S., editor, Mapping Startegic Thought, pages 153-163. Wiley and Sons.

Buede, D. M. and Ferrell, D. (1993). Convergence in problem solving: a prelude to quantitative analysis. IEEE Transactions System, Man and Cybernetics, 23:746-765.

Caron, A. (1996). STZlab: Manual d'utilisation, Departement d'Informatique, Universite Laval, Canada.

Chaib-draa, B. (1994). Coordination between agents in routine, familiar and unfamiliar situations. Technical Report DIUL-RR-9401, departement d'Informatique, Universite Laval.

Chaib-draa, B. (1997). Causal reasoning in multiagent systems. In Boman, M., editor, MAAMAW'97 Agents and Multiagent Systems. LNAI, Springer-Verlag.

Diffenbach, J. (1993). Influence diagrams for complex strategic issues. Strategic Management Journal, 3:133-146.

Eden, C. J., editor (1979). Thinking in Organizations. Macmillan, London.

Kelly, G. A., editor (1955). The Psychology of Personal Constructs. New: Norton.

Klein, J. L. and Cooper, D. F. (1982). Cognitive maps of decision-makers in a complex game. Journal of the Operational Research Society, 2:377-393.

Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24:65-75.

Kosko, B. (1988). Hidden patterns in combined and adaptative knowledge networks. Inernational Journal of Approximate Reasoning, 2:377-393.

Kosko, B. (1992). Fuzzy associative memory systems. In A, K., editor, Fuzzy Expert Systems, pages 135-162. CRC Press.

Ladkin, L. B. and Maddux, R. D. (1994). On binary constraint problems. Journal of ACM, 41:435-469.

Levi, A. and Tetlock, P. E. (1980). A cognitive analysis of japan's 1941 decision for war. Journal of conflict Resolution, 24:195-211.

Montazemi, A. R. and Conrath, D. W. (1986). The use of cognitive mapping for information requirement analysis. MIS Quarterly, pages 45-56.

Moulin, B. and Chaib-draa, B. (1996). An overview of distributed artificial intelligence. In O'Hare, G. and Jennings, N. R., editors, Foundations of Distributed Artificial Intelligence, pages 3-55. Wiley Inter- science.

Nakumara, K., Iwai, S., and Sawaragi, T. (1982). Decision support using causation knowledge base. IEEE Transactions on Systems, Man and Cybernetics, 12:765-777.

Park, K. S. (1995). Fuzzy cognitive maps considering time relationships. International Journal of Man- Machine Studies, 42:157-168.

Ross, L. L. and Hall, R. I. (1980). Influence diagrams and organizational power. Administrative Science Quaterly, 25:57-71.

Schmidt, G. and Strohlein, T., editors (1993). Relations and Graphs. EATCS Monographs on Theoretical Computer Science, Springer-Verlag, Berlin.

Smithin, T. and Sims, D. (1982). Ubi caritas—modeling beliefs about charities. European Journal Opl Research, 10:273-243.

Styblinski, M. A. and Meyer, B. D. (1988). Fuzzy cognitive maps, signal flow graphs, and qualitative circuit analysis. In Proc. IEEE International Conference on neural Networks (ICNN-87), pages 549-556.

Taber, W. R. (1991). Knowledge processing with fuzzy cognitive maps. Expert Systems with Applications, 2:83-87.

Taber, W. R. and Siegel, M. (1987). Estimation of expert weights with fuzzy cognitive maps. In Proc. of the 1st IEEE International Conference on Neural Networks (ICNN-87), pages 319-325.

Weick, K. E. (1969). The social Psychology of Organizing. Addison-Wesley, Reading, MA.

Wellman, M. (1994). Inference in cognitive maps. Mathematics and Computers in Simulation, 36:137-148.

Zhang, W. R. (1996). NPN fuzzy sets and NPN qualitative algebra: a computational framework for bipolar cognitive modeling and multiagent analysis. IEEE Transactions on Systems, Man and Cybernetics, 26:561-574.

Zhang, W. R. and Chen, S. S. (1988). A logical architecture for cognitive maps. In Proc. of the 2nd IEEE International Conference on Neural Networks (ICNN-88), pages 231-238.

Zhang, W. R., Chen, S. S., and King, R. S. (1992). A cognitive map based approach to the coordination of distributed cooperative agents. IEEE Transactions on Systems, Man and Cybernetics, 22:103-113.