Перейти к полному списку специальных курсов кафедры

Спецкурс "Прикладные семиотические системы распределенного искусственного интеллекта"

Специальный курс адресован студентам, интересующимся вопросами связанными с разработкой систем распределенного искусственного интеллекта. Основной задачей спецкурса является ознакомление студентов с подходами к анализу и проектированию сложных наукоемких распределенных приложений с учетом современных методологий и программных средств.

Модуль 1. Введение в системный анализ и проектирование интеллектуальных систем.

1.1 Обзор основных типов программных систем.

1.2 Понятие архитектуры программного обеспечения. Элементы стандартной программной системы: данные, процессы, интерфейсы.

1.3 Методологии разработки программных систем: Rational Unified Process (RUP), Microsoft Solution Framework (MSF) и др.

1.4 Основные методологии организации жизненного цикла разработки программных, их особенности, преимущества и недостатки: последовательная, инкрементная и спиральная.

1.5 Основные этапы разработки наукоемкого ПО, их краткая характеристика.

Модуль 2. Искусственный интеллект и прикладная семиотика.

2.1 Введение в математические методы искусственного интеллекта. Краткая история направления. Возникновение вычислительного интеллекта и прикладной семиотики.

2.2 Данные и знания. Абстрактные типы данных. Внутренняя структура знаний. Отличие знаний от данных. Интерпретируемость, структурированность и активность знаний.

2.3 Представление знаний. Использование логических моделей для представления знаний. Ограниченность формальных систем. Системы продукций и их свойства. Семантические сети. Понятие фрейма и сети фреймов.

2.4 Базы, основанные на системах продукций. Различные типы баз в зависимости от вида продукционных систем. Сетевые базы знаний. Использование каузальных сетей в базах знаний. Смешанные базы знаний.

2.5 Открытость баз знаний. Немонотонность процедур представления знаний. Переход от знаний, основанных на булевой логике, к правдоподобным и нечетким знаниям.

2.6 Классические схемы вывода на знаниях. Распространение идей дедуктивного вывода на случай знаний. Требования к знаниям, используемым в схемах дедуктивного типа. Язык Пролог и вывод на знаниях.

2.7 Особенности больших интеллектуальных систем управления. Недостаточность классических моделей управления для больших систем. Принципы семиотического моделирования в системах управления. Описание ситуаций на объекте управления и в управляющей системе. Системы ситуационного управления и области их применения. Примеры систем ситуационного управления.

2.8 Прикладная семиотика. Задачи прикладной семиотики. Языки семиотического типа. Язык RХ-кодов, язык ситуационного управления. Универсальный семантический код. Формальные семиотические системы.

2.9 Пример проектирования и разработки прикладной семиотической системы: система информационного мониторинга.

Модуль 3. Распределенный ИИ на основе когнитивных агентов. Многоагентные системы.

3.1 Введение в многоагентные системы. Терминология многоагентных систем и их основные свойства.

3.2 Теория агентов. Основные предположения. Формальные модели ментальных понятий и правил манипулирования с ними. Теоретико-множественные отношения миров ментальных понятий.

3.3 Коллективное поведение агентов. Мотивация, цели и схемы кооперации и конкуренции агентов. Формальные модели коллективного поведения агентов. Модели координации поведения агентов. Теоретико-игровые модели. Модели планирования коллективного поведения. Модели координации поведения на основе конкуренции. Конфликты в многоагентных системах. Протоколы и языки координации.

3.4 Архитектура многоагентных систем. Архитектура взаимодействия системы агентов. Одноуровневая архитектура взаимодействия агентов. Иерархическая архитектура взаимодействия агентов. Архитектура агента: общая классификация. Архитектура агентов, основанная на знаниях. Архитектура на основе планирования (реактивная архитектура). Примеры архитектур агентов. Многоагентное управление сложными сенсорными системами (стационарными и мобильными).

3.5 Интеллектуальный сенсор как агент робототехнической системы. Особенности централизованного и децентрализованного управления. Задачи мультиагентного управления. Иерархическая декомпозиция глобальной задачи на локальные рабочие задания для интеллектуальных сенсоров. Оптимальное планирование распределения при мультиагентном управлении. Архитектура систем мультиагентного управления.

3.6 Задачи и методы планирования кратчайшего маршрута в среде с препятствиями. Локальная и мультиагентная информации о неизвестных препятствиях. Мультиагентная исследовательская стратегия адаптивного планирования кратчайших маршрутов. Мультиагентная стратегия локально- оптимального адаптивного планирования маршрутов для мобильных сенсорных и робототехнических систем.

3.7 Распределенный ИИ и управление знаниями. Отнологии и многоагентные системы для корпоративных семантических веб-сетей. Мобильные информационные агенты.

3.8 Пример проектирования и разработки семиотической системы распределенного искусственного интеллекта: система моделирования систем безопасности.

 Модуль 4. Распределенный вычислительный ИИ на основе реактивных агентов. Семиотические основы распределенного ИИ и распределенного вычислительного ИИ.

4.1 Методы распределенной интеллектуальной поддержки принятия решений в сенсорных сетях.

4.2 Распределенные базы данных в сенсорных сетях.

4.3 Вложенные методы мягких вычислений в сенсорных сетях (нечеткие системы, нейросети, генетические алгоритмы, искусственные иммунные системы)

4.4 Распределенные базы знаний и языки представления знаний в сенсорных сетях

4.5 Методы обучения и самообучения сенсорных сетях.

4.6 Методы слияния данных и агрегации в беспроводных сенсорных сетях на основе распределенного ИИ.

4.7 Интеллектуальные методы маршрутизации и энергосбережения в сенсорных сетях.

4.8 Алгебраическая семиотика распределенной поддержки принятия решений.

4.9 Пример проектирования и разработки семиотической системы распределенного искусственного интеллекта: система распределенного искусственного интеллекта в беспроводных сенсорных сетях.

Наверх