УДК 004.42

ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ РАЗРАБОТКЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СОСТАВЕ ПРОГРАММНОГО КОМПЛЕКСА АВТОМАТИЗАЦИИ ФОРМИРОВАНИЯ НАГРУЗКИ ПРЕПОДАВАТЕЛЕЙ КАФЕДРЫ

Прищепа В.В., Краснокутский В.А., Меренкова Л.Л.
Донецкий национальный технический университет
кафедра компьютерной инженерии
e-mail: prishepa_vladimir_94@mail.ru

Аннотация

Прищепа В.В., Краснокутский В.А., Меренкова Л.Л. Перспективы применения технологий искусственного интеллекта при разработке системы поддержки принятия решений в составе программного комплекса автоматизации формирования нагрузки преподавателей кафедры. Рассмотрены проблемы и задачи разработки приложения для автоматизации процесса формирования нагрузки преподавателей, из которых вытекает необходимость применения технологий искусственного интеллекта. Предложены несколько путей решения. На основании, поставленной задачи, выбран вариант с использованием искусственной нейронной сети, описана ее структура, алгоритм обучения.

Общая постановка проблемы

Разрабатываемое приложение должно предоставлять пользователю, которым является ответственный человек на кафедре, удобный графический интерфейс для распределения дисциплин между преподавателями.

Принято решение о включении в данное приложение подсистемы, которая должна давать рекомендации по предоставлению дисциплины тому или иному преподавателю на основе анализа некоторого набора данных о преподавателе и дисциплине.

С целью исключения ситуации повторения системой ошибок, допущенных ранее, она должна быть обучаемой.

Пути решения проблемы

Теория принятия решений является широкой областью знаний и предполагает творческий подход при разработке систем поддержки принятия решений (СППР). Если система обладает интеллектуальными свойствами, то говорят об интеллектуальной СППР (ИСППР). Такие системы не действуют в соответствии с жестким алгоритмом, а используют подход, основанный на адаптации к текущим условиям работы и, как правило, это эвристический подход формирования решения на основе заданных входных параметров.

Для обеспечения указанных свойств могут использоваться методы, основанные на:

Оба подхода являются довольно популярными при разработке систем искусственного интеллекта. Учитывая специфику задачи и необходимость предотвращения повторения ошибок, а значит обеспечить обучение системы, разработчик склоняется к применению СППР с использованием ИНС.

Выбор архитектуры и класса сети

С помощью ИНС решаются широкий круг задач:

Во всех, описанных выше, классах задач на практике успешно применяются персептроны (рис. 1) – это одна из первых моделей нейронной сети, предложенная Френком Розенблаттом в 1957 году [4]. Персептрон обладает высокой степенью универсальности, успешно обучается и может решать широкий круг сложных задач.

Описанная задача, относится к классу задач принятия решений. При ее решении нет необходимости использовать сложные модели нейронных сетей, таких как сеть Элмана, которая используется для решения задач в реальном времени, к примеру, управление движущимся объектом.

Рисунок 1 – Двухслойный персептрон с n входами, скрытым слоем из a нейронов и r выходами

На рисунке 1 изображена классическая структура персептрона. Набор входных данных – вектор X, результат – вектор Y, S-layer (от англ. sensor) – входы сети, их количество зависит от решаемой задачи, A-layer (от англ. association) – ассоциативный или скрытый слой, выбор необходимого количества нейронов этого слоя является основной задачей проектирования нейронной сети, R-layer (от англ. reaction) – выходной слой, или слой реагирования, количество выходов сети зависит от конкретной задачи. Каждый чувствительный элемент S-слоя связан с каждым элементом A-слоя синапсами (межнейронными связями), w_an – отдельно взятый синапс из множества между слоями S и A, аналогичным образом происходит коммуникация нейронов между слоями A и R.

Персептрон может быть и однослойным (если убрать слой A и сенсоры подключить к выходному слою), скрытых же слоев может быть несколько, на практике применяются сети с одним, или двумя скрытыми слоями.

Персептрон был открыт в однослойном виде, такая структура позволяла очень просто его обучать с помощью правил Хебба и дельта-правила формулы (1) и (2), но с его помощью решался узкий круг задач [4].

(1)

(2)

Формула (1) описывает изменение весовых коэффициентов при обучении сети с использованием правил Хебба, в ней используются следующие обозначения:

Формула (2) описывает вычисление ошибки выхода сети (дельта-правило), в ней используются следующие обозначения:

Построение многослойных сетей резко расширяло круг решаемых задач, но вставала проблема их обучения. Обучение однослойного персептрона проходило путем подачи входных воздействий и вычисления погрешности на выходе (дельта-правило), после чего происходила корректировка весовых коэффициентов по правилам Хебба. Этот простой и элегантный метод невозможно применить к скрытым слоям сети, так как невозможно вычислить ошибку, не зная какие значения выходных сигналов скрытого слоя являются правильными [2].

Эффективным способом обучения многослойных персептронов является алгоритм обратного распространения ошибки [1]. Идея состоит в том, чтобы погрешность выходных сигналов скрытых слоев выражать через произведение суммы ошибок выходного слоя и весовых коэффициентов соответствующих синапсов [2].

(3)

Используя формулы (1) и (2), подставив (3) в (2), имеем для скрытого слоя [2]:

(4)

(5)

Обозначения в формулах (3), (4), (5) имеют тот же смысл, что и в формулах (1), (2).

То есть, метод обучения многослойных сетей по алгоритму обратного распространения ошибки является модификацией метода обучения однослойного персептрона, учитывающей особенности архитектуры многослойной сети.

ИНС классифицируются по следующим параметрам:

В рамках решаемой задачи информация о преподавателе и дисциплине может быть представлена в разных видах (как в булевом, так и в числовом). По типу входной информации проектируемая ИНС аналого-цифровая. Обучение сети базируется на основании выборки за последние годы, это способ обучения с учителем. Так как взаимосвязь между наборами входных данных и выходных не известна, то перед обучением весовые коэффициенты необходимо задать случайными малыми значениями. Результатом обучения должна стать сеть со значениями весовых коэффициентов, которые обеспечат корректный выходной вектор при определенном входном. Данную сеть можно классифицировать как сеть с динамическими связями.

Выводы

Современные технологии искусственного интеллекта позволяют решать широкий круг задач, и они легко адаптируются для рассматриваемой задачи. С учетом некоторых особенностей и необходимости обучения подсистемы, было принято решение реализовать ее на основе искусственной нейронной сети и возможностей архитектуры многослойного персептрона. Более точные модели потребуют усложнения математических вычислений, что повлечет за собой повышение требований разрабатываемого программного обеспечения к характеристикам компьютеров.

ЛИТЕРАТУРА