Sunteți pe pagina 1din 190

IOAN DZIAC

INTELIGEN
ARTIFICIAL

2008

Ioan Dziac, Inteligen artificial, 2008

II

Titlul crii: INTELIGEN ARTIFICIAL


Book title: ARTIFICIAL INTELLIGENCE

Descrierea CIP a Bibliotecii Naionale a Romniei


DZIAC, IOAN
Inteligen artificial / Ioan Dziac. - Arad : Editura
Universitii Aurel Vlaicu, 2008
ISBN 978-973-752-292-4
004.42
Ioan DZIAC (n. 14.02.1953, Poienile de sub
Munte, Maramure), este absolvent al
Facultii de Matematic i Informatic al
Universitii Babe-Bolyai din Cluj-Napoca
(1977), unde a obinut i titlul doctor n
informatic (2002) cu teza Procedee de calcul
paralel i distribuit n rezolvarea unor ecuaii
operatoriale.
n perioada 1977-1991 a predat matematic n
nvmntul preuniversitar, obinnd titlul de
profesor evideniat n 1988 i gradul didactic
I cu lucrarea Utilizarea calculatorului n
Ioan Dziac
predarea
- nvarea matematicii (1990).
http://dzitac.rdsor.ro
n perioada 1991-2003 a ocupat prin concurs
Domenii principale de interes:
un post de lector universitar la Universitatea
Calcul paralel i distribuit, Inteligen
din Oradea, iar apoi cel de confereniar
artificial, Metode fuzzy i neuro-fuzzy
universitar (2003-2005). n perioada 2004 2005 a fost directorul Departamentului de
Matematic i Informatic al Universitii din
Oradea. n prezent este confereniar universitar
i directorul centrului de cercetare Tehnologii
informatice avansate n management i
inginerie la Universitatea Agora din Oradea,
unde a fondat n 2006, alturi de acad. F.G.
Filip i prof. Miu-Jan Manolescu, revista
International
Journal
of
Computers,
Communications
and
Control,
prima
revist
Ioan Dziac, Miu-Jan Manolescu,
romneasc
de
Computer
Science
cotat
ISI
Lotfi A. Zadeh, Florin Gheorghe Filip
Web of Science (ncepnd cu numrul
suplimentar din 2006).
A fondat conferina International Conference Computers, Communications and Control
(ICCCC 2006), care la ediia ICCCC 2008 s-a bucurat de prezena printelui mulimilor i a
logicii fuzzy, Lotfi A. Zadeh, alturi de care a editat cartea
Lotfi A. Zadeh, Dan Tufis, Florin Gheorghe Filip, Ioan Dzitac (eds.), From Natural
Language to Soft Computing: New Paradigms in Artificial Intelligence , Editura Academiei
Romne, ISBN:978-973-27-1678-6, 2008 .

Ioan Dziac, Inteligen artificial, 2008

III

PREFA
nva de la toate...
(Din lirica norvegian)

1. De ce n titlul crii apare Inteligen artificial i nu Inteligena


artificial?
Rspunsul este simplu: a doua variant ar putea sugera o abordare
exhaustiv a Inteligenei Artificiale (IA), ceea ce ar fi prea ambiios i dificil.
Aici ne vom limita doar la un studiu introductiv n IA. Vom face o incursiune
superficial (i inegal), fr a intra n amnunte tehnice ale tuturor domeniilor
i subdomeniilor IA. Vom insista mai mult pe aspectele care implic logica
fuzzy, deoarece raionamentul bazat pe acest nou tip de logic (nuanat) a
deschis noi perspective n soluionarea problemelor pentru care nu dispunem de
modele matematice exacte.
2. Care este scopul acestei cri i cui se adreseaz?
Prezenta carte se adreseaz n primul rnd studenilor de la programul de
studii de licen, anul III, de la Universitatea Aurel Vlaicu din Arad,
Facultatea de tiine Exacte, servindu-le drept suport de curs, dar poate fi util
oricrui cititor care dorete s se familiarizeze cu preocuprile i aplicaiile IA.
Cartea este scris cu scopul declarat de a trezi interesul studenilor, i nu
numai, pentru studiul IA, ca studiu independent sau n cadrul unor programe
licen, masterat i doctorat din nvmntul superior, motiv pentru care va
semna pe alocuri mai mult cu o carte de popularizare a tiinei dect cu o
lucrare tiinific propriu-zis. Aceast abordare are o dubl motivaie: prima
este de natur didactic n spiritul principiului accesibilitii, iar a doua este
de natur metodologic n spiritul familiarizrii cu metodele de lucru cu
noiuni imprecise, specifice soft computing-ului.
3. Ce este IA?
Dac vei pune aceast ntrebare la 10 informaticieni, vei primi 10
rspunsuri diferite. Cert este c IA, ca ramur tiinific, se poate ncadra n
clasa mai larg a informaticii/tehnologiei informaiei/tiinei calculatoarelor
(nici ntre aceste 3 tiine nu exist o delimitare clar i uneori se folosesc ca
sinonime). Dar, vom vedea c IA este o tiin interdisciplinar, chiar

IV

Ioan Dziac, Inteligen artificial, 2008

multidisciplinar, implicnd rezultate din alte tiine ca matematica, biologia,


psihologia, filozofia etc. IA ncearc s imite inteligena natural.
Pentru a evita discuiile teoretice, de natur filozofic, asupra sensului sau
nonsensului IA, ni se pare mai productiv s utilizm atributul artificial n
coresponden strict cu atributul natural (Brbat, 2002), pentru a desemna o
entitate elaborat de om care imit, mai mult sau mai puin, o entitate
corespondent care exist i n natur. De exemplu, mierea produs de albine
exist n natur, este un produs natural i o numim miere natural (miere de
albine), dar exist i miere artificial, fabricat de om. Atributul artificial nu
se utilizeaz pentru produse care nu exist i n natur. De exemplu, telefonul
nu este un produs artificial, dei este produs de om, deoarece nu exist telefoane
produse pe cale natural (ns telefonul poate avea n componena sa elemente
inteligente).
Vom utiliza sintagma inteligen artificial pentru a desemna clasa
unor produse concepute de om (sisteme, ageni, programe de calculator, maini,
automate, roboi, etc.), care imit inteligena natural: creierul uman, reeaua
neuronal, membrana celulei, inteligena comportamental emergent
grupurilor sociale non-umane (colonii de furnici, roiuri de albine, stoluri de
psri, bancuri de peti, haite de lupi etc.) i altele.
4. De unde am cules informaia?
Aceast carte este un studiu bazat pe alte cri i articole tiinifice, studiu
trecut prin filtrul autorului i actualizat, pe ct posibil, fa de crile de
referin. Este ceea ce se numete ndeobte un curs de autor. Dar, chiar n
timp ce scriu aceast carte apar alte nouti n IA, ca urmare invit cititorii s-i
actualizeze singuri noutile din tot mai multe surse web demne de ncredere.
Am folosit n documentare n mod special cartea [Br02], n limba
romn, Sisteme inteligente orientate spre agent, scris de Boldur E. Brbat
(Ed. Academiei, 2002), precum i cartea [RuN03], n limba englez, Artificial
Intelligence: A Modern Approach, scris de Stuart Russell i Peter Norvig (ed. a
II-a, Prentice Hall 2003), mprosptnd informaia cu alte surse, cri i reviste
existente n biblioteci reale i virtuale (lista complet a surselor de informaie
este precizat n bibliografie sau/i n notele de subsol).
Am lsat multe cuvinte i expresii netraduse din limba englez, fie c nu
am putut gsit traducerea potrivit, fie c am considerat c cititorii ar trebui s
cunoasc limba englez.
Recomand cu cldur cele dou cri i cititorilor care vor s afle mai
multe despre IA, precum i celelalte surse bibliografice i webografice.
Ioan Dziac

Ioan Dziac, Inteligen artificial, 2008

CUPRINS
O INTRODUCERE SUMAR N IA
1. CE este IA? Testul Turing, cuvinte i sintagme cheie
2. DE CE studiem, cercetm i producem IA?
3. UNDE se studiaz, cerceteaz i promoveaz IA ?
4. CINE? Autori, conductori de doctorate, cercettori
5. CUM? Metode, modele, mijloace, tehnologii
CAPITOLUL 1. INTELIGENA ARTIFICIAL CA IMITAIE
APROXIMATIV A INTELIGENEI NATURALE
1.1. Inteligena natural uman
1.1.1. Generaliti
1.1.2. Inteligene multiple
1.1.3. Inteligena cognitiv (IQ). Teste psihometrice pentru IQ
1.1.4. Inteligena emoional (EQ). Inteligena social
1.2. Inteligena natural emergent grupurilor sociale de animale
(Swarm Intelligence)
1.3. Inteligena artificial (IA)
1.3.1. Definiii. Testul Turing
1.3.2. Obiectul de studiu al IA
1.3.3. Istoricul IA
1.3.4. Domeniile de cercetare i aplicaie ale IA
1.3.4.1. Raionamentul logic
1.3.4.2. Reprezentarea cunoaterii
1.3.4.3. Percepia
1.3.4.4. Calcul evolutiv. Algoritmi genetici
1.3.4.5. Reele neurale
1.3.4.6. Teoria jocurilor
1.3.4.7. nvarea automat (Machine learning)
1.3.4.8. Ageni inteligeni
1.3.4.9. Sisteme expert
1.3.4.10. Sisteme fuzzy
1.3.5. Sisteme i maini inteligente
1.3.5.1. Deep Blue
1.3.5.2. Sisteme de traducere automat
1.3.5.3. Optical Character Recognition
1.3.5.4. DENDRAL
1.3.5.5. Roboi
1.3.6. Computere SPRAY: praf inteligent, vopsea inteligent

1
2
3
4
12
26

31
31
31
33
34
36
39
42
42
45
47
51
51
51
52
52
53
54
54
55
56
57
57
57
58
58
58
58
59

VI

Ioan Dziac, Inteligen artificial, 2008

CAPITOLUL 2. SOFT COMPUTING


2.1. Raionament nuanat. Logic fuzzy
2.1.1. Generaliti
2.1.2. Logica fuzzy
2.1.3. Mulimi crisp. Mulimi fuzzy
2.1.4. Submulimi fuzzy
2.1.5. Relaii ntre mulimi fuzzy
2.1.6. Numere fuzzy
2.1.7. Operaii cu mulimi fuzzy
2.1.8. Implicaii pentru logica fuzzy
2.1.9. Operatori de compunere fuzzy
2.1.10. Fuzificarea i defuzificarea informaiei
2.1.11. Evaluarea i aprecierea. Scale liniare i neliniare
2.2. Calcul neural. Reele neurale. Reele neuro-fuzzy
2.2.1. Uniti funcionale (de procesare) ale reelelor neurale
2.2.2. Arhitectura reelelor neurale
2.2.3. Algoritmi de funcionare i nvare a unei reelele neurale
2.2.4. Reele neuro-fuzzy. Un exemplu de aplicaie neuro-fuzzy
2.2.4.1. Modelarea neuro-fuzzy
2.2.4.2. Utilizarea modelelor neuro-fuzzy la predicia unor
evenimente
2.2.4.3. Aplicaie privind predicia intervalelor de timp la
care pot s apar evenimente n cadrul unui sistem energetic
2.3. Calcul evolutiv. Algoritmi genetici
2.4. Raionament probabilist. Reele bayesiene
2.4.1. Metoda bayesian
2.4.2. Abordarea bayesian
2.4.3. Limitele metodei bayesiene
2.4.4. Comparaie ntre abordarea bayesian i factorii de
certitudine
2.4.5. Reele bayesiene
2.5. Teoria nvrii. Machine Learning
2.5.1. Noiuni de teoria nvrii
2.5.2. Despre date
2.5.3. Despre informaii
2.5.4. Despre cunotine
2.5.5. Inferena ca proces de cutare i constrngerile care apar
pentru satisfacerea condiiilor
2.5.6. Varietatea metodelor de raionare i rolul variabilelor
2.5.7. Metode din ingineria cunoaterii pentru nvarea
automatelor
2.5.8. nvarea inductiv. nvarea prin exemple

61
62
62
64
69
71
73
73
80
81
83
85
86
97
98
102
104
105
107
108
109
114
118
118
118
121
122
124
126
128
128
131
133
134
136
137
138
139

Ioan Dziac, Inteligen artificial, 2008

2.5.9. Alte metode de nvare ale automatelor


2.6.Teoria haosului. Fractali
2.6.1. Despre teoria haosului
2.6.2. Fractali
CAPITOLUL 3. SISTEME BAZATE PE CUNOTINE.
SISTEME EXPERT
3.1. Exemple de sisteme expert
3.2. Sisteme expert bazate pe reguli
3.2.1. Despre cunotine
3.2.2. Regulile ca i tehnic de reprezentare a cunotinelor
3.2.3. Structura unui sistem expert bazat pe reguli
3.2.4. Caracteristicile fundamentale ale unui sistem expert
3.2.5. Avantajele i dezavantajele unui sistem expert bazat pe
reguli
3.2.6. Managementul incertitudinii n sistemele expert bazate
pe reguli
3.3. Sisteme expert fuzzy
3.3.1. Generaliti
3.3.2. Reguli fuzzy
3.3.3. Inferene fuzzy
3.3.4. Construirea unui sistem expert fuzzy
3.4. Proiectarea sistemelor expert

BIBLIOGRAFIE

VII

140
140
140
142

155
155
159
159
160
161
164
166
167
169
169
170
172
172
175

177

VIII

Ioan Dziac, Inteligen artificial, 2008

LIST DE ABREVIERI
AAAI - American Association for Artificial Intelligence
ACM - Association for Computing Machinery
AIAI - Artificial Intelligence Applications Institute
AT&T - Bell Labs
AUAI - The Association for Uncertainty in Artificial Intelligence ()
CLIPS - C Language Integrated Production System
EC - Evolutionary Computation
EQ - Inteligena emoional
FL - Fuzzy Logic
IA - Inteligen artificial
IQ - Intelligence quotient
IN Inteligen natural
ISI - Institute of Scientific Information
MIT - AI lab at Massachusetts Institute of Technology
ML - Machine Learning
NC - Neural Computing
OCR - Optical Character Recognition
OPS - Official Production System
PR - Probabilistic Reasoning
SC - Soft Computing
SE - Sistem expert
TI - Tehnologia Informaiei

O INTRODUCERE SUMAR N IA
n aceast lucrare INTELIGENA ARTIFICIAL (IA) se va considera
ca fiind o imitaie aproximativ a INTELIGENEI NATURALE (IN).
n aceast introducere vom ncerca s descrierem succint problematica i
cteva aspecte eseniale ale IA n raport cu IN (v. fig.1 i 2).

Figura 1. Inteligena artificial - imitaie aproximativ a inteligenei naturale

Ioan Dziac, Inteligen artificial, 2008

Figura 2. Problematica IA

1. CE este IA? Testul Turing, cuvinte i sintagme cheie


IA este tiina care i propune s gseasc soluii la probleme complexe
care erau apanajul inteligenei umane, cu ajutorul programelor de calculator
sau a mainilor automate.
Dei IA ca tiin, este considerat, n general, ca o ramur a Informaticii,
Tehnologiei Informaiei sau a tiinei Calculatoarelor, trebuie s evideniem
legturile sale puternice cu alte tiine, cum ar fi Matematica (Logica, Teoria
probabilitilor), Psihologia (Inteligena uman, Teoria nvrii), Medicina
(Neurotiinele), Gnoseologia (Teoria cunoaterii), Biologia, Filozofia i multe
altele. Abilitatea de a combina cunoaterea din toate aceste domenii duce la
progres n crearea IA.
La nceput, crearea i cercetarea IA s-a desfurat pe terenul psihologiei,
punndu-se accent pe inteligena lingvistic, ca de exemplu la testul Turing (v.
fig. 3). Acest test const ntr-o conversaie n limbaj uman natural cu o main
(computer, program) care a fost programat special pentru acest test. Exist un
juriu uman care converseaz cu acest computer, dar i cu un om, prin cte un
canal pur text (fr ca ei s se vad sau s se aud, dac interlocutor 1 este
maina, atunci interlocutor 2 este omul i invers). n cazul n care juriul nu
poate s-i dea seama care este computerul i care omul, atunci inteligena
artificial (programul/calculatorul) a trecut testul. n acest mod, Turing a dat o
definiie implicit a IA, evitnd disputele filozofice i rigorile unei definiii
formale.

Ioan Dziac, Inteligen artificial, 2008

Figura 3. Schema testului Turing

Cuvinte i sintagme cheie n IA: inteligen artificial (artificial


intelligence), reele neurale (neural networks), reele semantice (semantic
networks), reele bayesiene/reele de ncredere (Bayesian networks/belief
networks), sisteme bazate pe cunotine (knowledge based systems), sisteme
expert (expert systems), sisteme fuzzy (fuzzy systems), sisteme hibride, calcul
inteligent (intelligent computing), calcul natural (natural computing), calcul
evolutiv (evolutionary computing), algoritmi genetici (genetic algorithms),
calcul sumar (soft computing), calcul emergent (swarm computing), ants
computing (calcul de tip muuroi), calcul membranar (membrane computing),
calcul n limbaj natural (natural language computing), agent, multi-agent, robot,
colonie de roboi, nvare automat (machine learning), test Turing etc.
Lsm deschis lista unor ntrebri de natur filozofic, unele chiar
ocante: Exist IA? Este ea necesar? Nu este periculoas pentru omenire?

2. DE CE studiem, cercetm i producem IA?

Figura 4. Coperta Revistei Engineering Applications of Artificial Intelligence1


1

http://www.sciencedirect.com/science/journal/09521976

Ioan Dziac, Inteligen artificial, 2008

Argument. Dintre cele mai cunoscute i utile aplicaii ale IA, care duc la
progres (n tiin, tehnologie, economie i viaa social), putem enumera:
rezolvarea automat a problemelor,
demonstrarea automat a teoremelor,
traducerea automat a textelor,
ageni inteligeni,
recunoaterea formelor/tiparelor (pattern recognition),
voce electronic,
sisteme expert,
robotic,
asisten inteligent n sntate,
nvare automat (machine lerning)
instruire asistat de calculator,
marketing i management asistat,
telecomunicaii bazate pe computer,
internet i aplicaii web,
motoare de cutare,
inginerie,
proiectare asistat
jocuri i altele.

3. UNDE se studiaz, cerceteaz i promoveaz IA ?


Programe de licen (ciclul I universitar) n Romnia:
IA se studiaz mai nou, de cele mai multe ori ca disciplin obligatorie, n
cadrul a tot mai multe specializri universitare de licen din toate centrele
universitare care au astfel de programe de studii: informatic, informatic
economic, cibernetic, calculatoare, tehnologia informaiei, automatizri,
robotic, energetic, etc.
Master n IA (ciclul II universitar, programe acreditate de ARACIS
ncepnd cu 2008-2009 n Romnia):
1. Universitatea Babe-Bolyai, Cluj- Napoca: Sisteme inteligente;
2. Universitatea din Bucureti: Inteligen artificial;
3. Universitatea Tehnic Gheorghe Asachi Iai, Sisteme inteligente;
4. Universitatea din Craiova: Metode i modele n inteligen
artificial;
5. Universitatea Dunrea de Jos Galai: Sisteme inteligente;
6. Universitatea de Vest din Timioara: Inteligen artificial i calcul
distribuit (Informatic); Nano-Microsisteme inteligente (Fizic).

Ioan Dziac, Inteligen artificial, 2008

Cercetare n Romnia:
1) Institutul de Cercetri pentru Inteligen al Academiei Romne
http://www.racai.ro
2) Centrul de Cercetri Cognitive i Neuronale (Coneural, institut privat)
http://www.coneural.org
Forumuri n Romnia:
1) http://www.inteligenta-artificiala.ro/
2) Clubul de inteligen artificial a Facultii de Informatic din Iai
(Universitatea A.I. Cuza)
http://profs.info.uaic.ro/~alaiba/club-ai/index.php?title=Pagina_principal%C4%83

Reviste romneti cotate ISI, care public articole tiinifice din domeniul
IA:
1) International Journal of Computers, Communications and Control
(apare n Editura Universitii Agora, Oradea din 2006, fondatori Ioan
Dziac (Editor executiv), Florin-Gheorghe Filip- Editor ef i M.-J.
Manolescu - Managing editor, cu articole introduse n ISI Web of
Science ncepnd cu Vol.1, numrul suplimentar din 2006),
http://www.journal.univagora.ro
2) Romanian Journal of Information Science and Technology (apare n
Editura Academiei Romne, Bucureti din 1998, Editor ef - Dan
Dasclu, Editor executiv - Gheorghe Pun, cu articole introduse n ISI
Web
of
Science
ncepnd
cu
Vol.10,
Nr.1/2007),
http://www.imt.ro/romjist/
Asociaii i institute internaionale de cercetare remarcabile:
1) AAAI: American Association for Artificial Intelligence
http://www.aaai.org/home.html
2) ACM: the Association for Computing Machinery
http://www.acm.org/
3) AIAI: Artificial Intelligence Applications Institute
http://www.aiai.ed.ac.uk/
4)AT&T Bell Labs
http://www.research.att.com/
5) Carnegie Mellon University Artificial Intelligence Repository
http://www.cs.cmu.edu/afs/cs.cmu.edu/project/ai-repository/ai/0.html
6) MIT: AI lab at Massachusetts Institute of Technology
http://www.csail.mit.edu/
7) IJCAI Home Page
http://ijcai.org/
8) The Association for Uncertainty in Artificial Intelligence (AUAI)
http://www.auai.org/

Ioan Dziac, Inteligen artificial, 2008

Mari universiti din lume unde se studiaz IA:


1) MIT: Massachusetts Institute of Technology: http://web.mit.edu/
2) University of California Berkeley: http://berkeley.edu/
3) Stanford University: http://www.stanford.edu/
4) Oxford University: http://www.robots.ox.ac.uk/~aisoc/
5) University of Edinburgh: http://www.inf.ed.ac.uk/
6) Yowa State University:
http://www.cs.iastate.edu/~honavar/aigroup.html
Cele mai prestigioase reviste internaionale care public articole tiinifice
n domeniul IA:
Sursa: http://www.thomsonscientific.com/cgi-bin/jrnlst/jlsubcatg.cgi?PC=D
Data accesrii: 02.12.2008
SCIENCE CITATION INDEX EXPANDED - COMPUTER SCIENCE,
ARTIFICIAL INTELLIGENCE - JOURNAL LIST
Total journals: 100
1. ADAPTIVE BEHAVIOR
2. ADVANCED ENGINEERING INFORMATICS
3. AI COMMUNICATIONS
4. AI EDAM-ARTIFICIAL INTELLIGENCE FOR ENGINEERING DESIGN ANALYSIS
AND MANUFACTURING
5. AI MAGAZINE
6. ANNALS OF MATHEMATICS AND ARTIFICIAL INTELLIGENCE
7. APPLIED ARTIFICIAL INTELLIGENCE
8. APPLIED INTELLIGENCE
9. APPLIED SOFT COMPUTING
10. ARTIFICIAL INTELLIGENCE
11. ARTIFICIAL INTELLIGENCE IN MEDICINE
12. ARTIFICIAL INTELLIGENCE REVIEW
13. ARTIFICIAL LIFE
14. AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS
15. AUTONOMOUS ROBOTS
16. CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS
17. COGNITIVE SYSTEMS RESEARCH
18. COMPUTATIONAL INTELLIGENCE
19. COMPUTATIONAL LINGUISTICS
20. COMPUTER SPEECH AND LANGUAGE
21. COMPUTER VISION AND IMAGE UNDERSTANDING
22. COMPUTING AND INFORMATICS
23. CONNECTION SCIENCE
24. CONSTRAINTS
25. DATA & KNOWLEDGE ENGINEERING
26. DATA MINING AND KNOWLEDGE DISCOVERY
27. DECISION SUPPORT SYSTEMS

Ioan Dziac, Inteligen artificial, 2008

28. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE


29. ENGINEERING INTELLIGENT SYSTEMS FOR ELECTRICAL ENGINEERING AND
COMMUNICATIONS
30. EVOLUTIONARY COMPUTATION
31. EXPERT SYSTEMS
32. EXPERT SYSTEMS WITH APPLICATIONS
33. GENETIC PROGRAMMING AND EVOLVABLE MACHINES
34. IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE
35. IEEE INTELLIGENT SYSTEMS
36. IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION
37. IEEE TRANSACTIONS ON FUZZY SYSTEMS
38. IEEE TRANSACTIONS ON IMAGE PROCESSING
39. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING
40. IEEE TRANSACTIONS ON NEURAL NETWORKS
41. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE
42. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART BCYBERNETICS
43. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART CAPPLICATIONS AND REVIEWS
44. IET COMPUTER VISION
45. IMAGE AND VISION COMPUTING
46. INFORMATION FUSION
47. INFORMATION TECHNOLOGY AND CONTROL
48. INTEGRATED COMPUTER-AIDED ENGINEERING
49. INTELLIGENT AUTOMATION AND SOFT COMPUTING
50. INTELLIGENT DATA ANALYSIS
51. INTERNATIONAL JOURNAL OF APPLIED MATHEMATICS AND COMPUTER
SCIENCE
52. INTERNATIONAL JOURNAL OF APPROXIMATE REASONING
53. INTERNATIONAL JOURNAL OF COMPUTER VISION
54. INTERNATIONAL JOURNAL OF FUZZY SYSTEMS
55. INTERNATIONAL JOURNAL OF INFORMATION TECHNOLOGY & DECISION
MAKING
56. INTERNATIONAL JOURNAL OF INNOVATIVE COMPUTING INFORMATION AND
CONTROL
57. INTERNATIONAL JOURNAL OF INTELLIGENT SYSTEMS
58. INTERNATIONAL JOURNAL OF NEURAL SYSTEMS
59. INTERNATIONAL JOURNAL OF PATTERN RECOGNITION AND ARTIFICIAL
INTELLIGENCE
60. INTERNATIONAL JOURNAL OF SOFTWARE ENGINEERING AND KNOWLEDGE
ENGINEERING
61. INTERNATIONAL JOURNAL OF UNCERTAINTY FUZZINESS AND KNOWLEDGEBASED SYSTEMS
62. INTERNATIONAL JOURNAL ON ARTIFICIAL INTELLIGENCE TOOLS
63. INTERNATIONAL JOURNAL ON DOCUMENT ANALYSIS AND RECOGNITION
64. INTERNATIONAL JOURNAL ON SEMANTIC WEB AND INFORMATION SYSTEMS
65. JOURNAL OF ARTIFICIAL INTELLIGENCE RESEARCH
66. JOURNAL OF AUTOMATED REASONING
67. JOURNAL OF CHEMOMETRICS
68. JOURNAL OF COMPUTER AND SYSTEMS SCIENCES INTERNATIONAL

Ioan Dziac, Inteligen artificial, 2008

69. JOURNAL OF EXPERIMENTAL & THEORETICAL ARTIFICIAL INTELLIGENCE


70. JOURNAL OF HEURISTICS
71. JOURNAL OF INTELLIGENT & FUZZY SYSTEMS
72. JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS
73. JOURNAL OF INTELLIGENT INFORMATION SYSTEMS
74. JOURNAL OF INTELLIGENT MANUFACTURING
75. JOURNAL OF MACHINE LEARNING RESEARCH
76. JOURNAL OF MATHEMATICAL IMAGING AND VISION
77. JOURNAL OF MULTIPLE-VALUED LOGIC AND SOFT COMPUTING
78. JOURNAL OF WEB SEMANTICS
79. KNOWLEDGE AND INFORMATION SYSTEMS
80. KNOWLEDGE ENGINEERING REVIEW
81. KNOWLEDGE-BASED SYSTEMS
82. MACHINE LEARNING
83. MACHINE VISION AND APPLICATIONS
84. MECHATRONICS
85. MEDICAL IMAGE ANALYSIS
86. MINDS AND MACHINES
87. NETWORK-COMPUTATION IN NEURAL SYSTEMS
88. NEURAL COMPUTATION
89. NEURAL COMPUTING & APPLICATIONS
90. NEURAL NETWORK WORLD
91. NEURAL NETWORKS
92. NEURAL PROCESSING LETTERS
93. NEUROCOMPUTING
94. PATTERN ANALYSIS AND APPLICATIONS
95. PATTERN RECOGNITION
96. PATTERN RECOGNITION LETTERS
97. REAL-TIME IMAGING
98. ROBOTICS AND AUTONOMOUS SYSTEMS
99. SOFT COMPUTING
100. TRAITEMENT DU SIGNAL

SCIENCE CITATION INDEX EXPANDED - COMPUTER SCIENCE,


CYBERNETICS - JOURNAL LIST
Total journals: 19
1. ACM TRANSACTIONS ON COMPUTER-HUMAN INTERACTION
2. BEHAVIOUR & INFORMATION TECHNOLOGY
3. BIOLOGICAL CYBERNETICS
4. CONTROL AND CYBERNETICS
5. CYBERNETICS AND SYSTEMS
6. HUMAN-COMPUTER INTERACTION
7. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART A-SYSTEMS
AND HUMANS
8. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART BCYBERNETICS
9. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART CAPPLICATIONS AND REVIEWS

Ioan Dziac, Inteligen artificial, 2008


10. INTERACTING WITH COMPUTERS
11. INTERNATIONAL JOURNAL OF HUMAN-COMPUTER INTERACTION
12. INTERNATIONAL JOURNAL OF HUMAN-COMPUTER STUDIES
13. JOURNAL OF COMPUTER AND SYSTEMS SCIENCES INTERNATIONAL
14. KYBERNETES
15. KYBERNETIKA
16. MACHINE VISION AND APPLICATIONS
17. MODELING IDENTIFICATION AND CONTROL
18. PRESENCE-TELEOPERATORS AND VIRTUAL ENVIRONMENTS
19. USER MODELING AND USER-ADAPTED INTERACTION

SCIENCE CITATION INDEX EXPANDED - COMPUTER SCIENCE,


THEORY & METHODS - JOURNAL LIST
Total journals: 90 (din acestea am selectat doar 23, care au i profil IA)
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.

ACM TRANSACTIONS ON COMPUTATIONAL LOGIC


ARTIFICIAL LIFE
COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE
CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE
EVOLUTIONARY COMPUTATION
EXPERT SYSTEMS
FUZZY SETS AND SYSTEMS
GENETIC PROGRAMMING AND EVOLVABLE MACHINES
HUMAN-COMPUTER INTERACTION
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION
IEEE TRANSACTIONS ON NEURAL NETWORKS
IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART ASYSTEMS AND HUMANS
IMAGE AND VISION COMPUTING
INTERNATIONAL JOURNAL OF GENERAL SYSTEMS
INTERNATIONAL JOURNAL OF QUANTUM INFORMATION
JOURNAL OF CELLULAR AUTOMATA
JOURNAL OF LOGIC AND COMPUTATION
JOURNAL OF MULTIPLE-VALUED LOGIC AND SOFT COMPUTING
JOURNAL OF SYMBOLIC COMPUTATION
MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING
QUANTUM INFORMATION & COMPUTATION
ROMANIAN JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY
THEORY AND PRACTICE OF LOGIC PROGRAMMING

SCIENCE CITATION INDEX EXPANDED - ROBOTICS & AUTOMATIC


CONTROL - JOURNAL LIST
Total journals: 58
1. ANNUAL REVIEWS IN CONTROL
2. ASIAN JOURNAL OF CONTROL
3. ASSEMBLY AUTOMATION
4. AT-AUTOMATISIERUNGSTECHNIK
5. AUTOMATICA
6. AUTOMATION AND REMOTE CONTROL

10

Ioan Dziac, Inteligen artificial, 2008

7. AUTONOMOUS AGENTS AND MULTI-AGENT SYSTEMS


8. CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS
9. CONTROL & AUTOMATION
10. CONTROL AND CYBERNETICS
11. CONTROL ENGINEERING
12. CONTROL ENGINEERING PRACTICE
13. DISCRETE EVENT DYNAMIC SYSTEMS-THEORY AND APPLICATIONS
14. ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE
15. ESAIM-CONTROL OPTIMISATION AND CALCULUS OF VARIATIONS
16. EUROPEAN JOURNAL OF CONTROL
17. IEEE CONTROL SYSTEMS MAGAZINE
18. IEEE ROBOTICS & AUTOMATION MAGAZINE
19. IEEE TRANSACTIONS ON AUTOMATIC CONTROL
20. IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING
21. IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY
22. IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS
23. IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS
24. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART BCYBERNETICS
25. IEEE-ASME TRANSACTIONS ON MECHATRONICS
26. IET CONTROL THEORY AND APPLICATIONS
27. IMA JOURNAL OF MATHEMATICAL CONTROL AND INFORMATION
28. INFORMATION TECHNOLOGY AND CONTROL
29. INTELLIGENT AUTOMATION AND SOFT COMPUTING
30. INTERNATIONAL JOURNAL OF ADAPTIVE CONTROL AND SIGNAL
PROCESSING
31. INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY
32. INTERNATIONAL JOURNAL OF APPLIED MATHEMATICS AND COMPUTER
SCIENCE
33. INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS & CONTROL
34. INTERNATIONAL JOURNAL OF CONTROL
35. INTERNATIONAL JOURNAL OF CONTROL AUTOMATION AND SYSTEMS
36. INTERNATIONAL JOURNAL OF FUZZY SYSTEMS
37. INTERNATIONAL JOURNAL OF INNOVATIVE COMPUTING INFORMATION AND
CONTROL
38. INTERNATIONAL JOURNAL OF ROBOTICS & AUTOMATION
39. INTERNATIONAL JOURNAL OF ROBUST AND NONLINEAR CONTROL
40. INTERNATIONAL JOURNAL OF SYSTEMS SCIENCE
41. JOURNAL OF CHEMOMETRICS
42. JOURNAL OF DYNAMIC SYSTEMS MEASUREMENT AND CONTROLTRANSACTIONS OF THE ASME
43. JOURNAL OF DYNAMICAL AND CONTROL SYSTEMS
44. JOURNAL OF MACHINE LEARNING RESEARCH
45. JOURNAL OF PROCESS CONTROL
46. JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS
47. JOURNAL OF THE FRANKLIN INSTITUTE-ENGINEERING AND APPLIED
MATHEMATICS
48. MATHEMATICS OF CONTROL SIGNALS AND SYSTEMS
49. MEASUREMENT & CONTROL
50. MECHATRONICS

Ioan Dziac, Inteligen artificial, 2008

11

51. MODELING IDENTIFICATION AND CONTROL


52. OPTIMAL CONTROL APPLICATIONS & METHODS
53. PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART IJOURNAL OF SYSTEMS AND CONTROL ENGINEERING
54. REVISTA IBEROAMERICANA DE AUTOMATICA E INFORMATICA INDUSTRIAL
55. ROBOTICS AND AUTONOMOUS SYSTEMS
56. SIAM JOURNAL ON CONTROL AND OPTIMIZATION
57. SYSTEMS & CONTROL LETTERS
58. TRANSACTIONS OF THE INSTITUTE OF MEASUREMENT AND CONTROL

SCIENCE CITATION INDEX EXPANDED - COMPUTER SCIENCE,


INTERDISCIPLINARY APPLICATIONS - JOURNAL LIST
Total journals: 96 (din acestea am selectat doar 28, care au i profil IA)
1) AI EDAM-ARTIFICIAL INTELLIGENCE FOR ENGINEERING DESIGN
ANALYSIS AND MANUFACTURING
2) APPLIED SOFT COMPUTING
3) ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING
4) BIOINFORMATICS
5) BIOMEDICAL ENGINEERING-APPLICATIONS BASIS COMMUNICATIONS
6) COMPUTATIONAL BIOLOGY AND CHEMISTRY
7) COMPUTATIONAL GEOSCIENCES
8) COMPUTATIONAL LINGUISTICS
9) COMPUTATIONAL STATISTICS & DATA ANALYSIS
10) COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE
11) COMPUTER METHODS IN BIOMECHANICS AND BIOMEDICAL
ENGINEERING
12) IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE
13) IEEE TRANSACTIONS ON MEDICAL IMAGING
14) IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART CAPPLICATIONS AND REVIEWS
15) IEEE-ACM TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND
BIOINFORMATICS
16) INTERNATIONAL JOURNAL OF INFORMATION TECHNOLOGY & DECISION
MAKING
17) INTERNATIONAL JOURNAL ON ARTIFICIAL INTELLIGENCE TOOLS
18) JOURNAL OF BIOMEDICAL INFORMATICS
19) JOURNAL OF COMPUTATIONAL BIOLOGY
20) MEDICAL & BIOLOGICAL ENGINEERING & COMPUTING
21) MEDICAL IMAGE ANALYSIS
22) NEUROINFORMATICS
23) QSAR & COMBINATORIAL SCIENCE
24) QUEUEING SYSTEMS
25) ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING
26) SAR AND QSAR IN ENVIRONMENTAL RESEARCH
27) SOFT COMPUTING
28) SPEECH COMMUNICATION

Ioan Dziac, Inteligen artificial, 2008

12

SCIENCE CITATION INDEX EXPANDED - COMPUTER SCIENCE,


INFORMATION SYSTEMS - JOURNAL LIST
Total journals: 104 (din acestea am selectat doar 16, care au i profil IA)
1.
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.

ACM TRANSACTIONS ON COMPUTER-HUMAN INTERACTION


DATA & KNOWLEDGE ENGINEERING
DATA MINING AND KNOWLEDGE DISCOVERY
DECISION SUPPORT SYSTEMS
IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE
IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING
INFORMATION TECHNOLOGY AND CONTROL
INTERNATIONAL JOURNAL OF COMPUTERS COMMUNICATIONS &
CONTROL
INTERNATIONAL JOURNAL OF INFORMATION TECHNOLOGY & DECISION
MAKING
INTERNATIONAL JOURNAL OF MEDICAL INFORMATICS
INTERNATIONAL JOURNAL ON SEMANTIC WEB AND INFORMATION
SYSTEMS
JOURNAL OF SIGNAL PROCESSING SYSTEMS FOR SIGNAL IMAGE AND
VIDEO TECHNOLOGY
JOURNAL OF THE AMERICAN MEDICAL INFORMATICS ASSOCIATION
JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION
JOURNAL OF WEB SEMANTICS
KNOWLEDGE AND INFORMATION SYSTEMS
MEDICAL INFORMATICS AND THE INTERNET IN MEDICINE

Observaie. Dintr-o list de 584 de reviste de COMPUTER SCIENCE incluse


n baza de date ISI de Thomson Reuters, la categoria SCIENCE CITATION
INDEX EXPANDED, un numr de 244 de reviste public articole tiinifice
despre IA, avnd denotaia sau conotaia chiar n titlul revistei. n realitate
numrul revistelor care public articole tiinifice despre IA este cu mult mai
mare. Titlurile revistelor de mai sus dovedesc marea varietate a subdomeniilor
IA i ponderea mare pe care o ocup IA n cercetarea i aplicaiile actuale.

4. CINE? Autori, conductori de doctorate, cercettori


Cri de referin din domeniul IA din Romnia:
1) N. ndreanu: -Introducere in programarea logica. Limbajul Prolog,
Editura Intarf, 1994;
2) D. Dumitrescu, H.Costin: - Reele neuronale, Teorie i aplicaii, Ed.
Teora, Bucureti,1996;
3) H. Luchian: - Clasificare evolutiv, Iasi, 1999;
4) D. Dumitrescu: -Principiile inteligenei artificiale, Ed. Albastr, ClujNapoca, 1999;

Ioan Dziac, Inteligen artificial, 2008

13

5) N. ndreanu: - Sisteme Expert. Reprezentarea cunotintelor i


inferena, Editura Universitaria, 2001, 344 p.;
6) R. Andonie, A. Caaron, Inteligen computaional, Editura Univ.
Transilvania Braov, 2002;
7) B. E Brbat: - Sisteme inteligente orientate spre agent, Ed. Academiei
Romne, 2002;
8) N. ndreanu: - Baze de cunostine, Editura Sitech, 2004;
9) H.-N. Teodorescu, M. Zbancioc, O. Voroneanu, Sisteme bazate pe
cunotinte. Aplicaii, Editura Performantica, Iasi, 2004;
10) T.I. Bjenescu, Performantele inteligentei artificiale - de la teorie la
aplicaii (ed. II), Ed. Albastr, 2008;
11) L.A. Zadeh, D. Tufi, F. G Filip., I. Dzitac I.(eds.), From Natural
Language to Soft Computing: New Paradigms in Artificial Intelligence ,
Editing House of Romanian Academy, 2008.

Rzvan Andonie
(UT Braov)

Dan Dumitrescu
(UBB Cluj)

Titu I. Bjenescu
(AT Militar)

Henri Luchian
(UAIC Iai)

Boldur E. Brbat
(ULB Sibiu)

Nicolae ndreanu
(U Craiova)

Figura 5. Civa dintre cercettori, profesori i autori de cri din domeniul IA din
Romnia

Ioan Dziac, Inteligen artificial, 2008

14

Doctorate n IA n Romnia:
Aproape n toate centrele universitare mari, unde exist coli doctorale n
domeniul Informatic sau tiina calculatoarelor (i nu numai), se elaboreaz i
se susin teze de doctorat pe teme de IA.
De exemplu, exist conductorii de doctorat n IA n urmtoarele centre
universitare:
1) Bucureti (A. C. Atanasiu, F.G. Filip, V. Mitrana, D. Tufi)
2) Braov (R. Andonie)
3) Cluj (D. Dumitrescu)
4) Craiova (N. ndreanu)
5) Iai (D. Cristea, D. Glea, H. Luchian, H. N. Teodorescu),
6) Timioara (B. Brbat, V. Negru, S. Preitl).

Cercettori romni importani n IA

Grigore C. Moisil
(1906-1973)

Solomon Marcus
n. 1935

Gheorghe Pun
n. 1950

H.-N. Teodorescu
n. 1951

Paul Dan Cristea


n. 1941

F.G. Filip
n. 1947

Gheorghe Tecuci
n. 1954

Dan Tufi
n. 1954

Figura 6. Civa dintre cercettorii romni importani n IA

1. Grigore C. Moisil (1906-1973): Logici cu mai multe valori. Pionier al


informaticii recunoscut de IEEE Computer Society,
http://www.ici.ro/romania/ro/stiinta/moisil.html

Ioan Dziac, Inteligen artificial, 2008

15

2. Solomon Marcus (n. 1935): Lingvistic matematic, Gramatici i


automate finite. Membru al Academiei Romne
http://www.imar.ro/~smarcus/
3. Paul Dan Cristea, Reele neurale, Informatic medical. Membru
Corespondent al Academiei Romne,
http://www.dsp.pub.ro/info/staff/pcristea.htm
4. Florin Gheorghe Filip: Sisteme suport pentru decizii cu cunotine
combinate (modele numerice i elemente de inteligen artificial).
Membru al Academiei Romne,
http://www.ici.ro/ici/homepage/filipf.html
5. Gheorghe Pun (DNA Computing, Membrane computing, P Systems),
Cercettor la Instititul de Matematic al Academiei Romne i asociat la
Universitatea din Sevilla. Membru Corespondent al Academiei Romne,
Membru al Academiei Europea .http://www.imar.ro/~gpaun/
6. Horia-Nicolai Teodorescu (Fuzzy szstems, Artificial live), Membru
Corespondent al Academiei Romne, profesor la Universitatea Tehnic
Gheorghe Asachi din Iai http://www.fict.ro/HNT.htm
7. Gheorghe Tecuci (Instructable agents, multistrategy learning, mixed initiative reasoning, modeling and knowledge acquisition, ontologies,
knowledge engineering), Membru al Academiei Romne, profesor la
George Mason University, SUA,
http://lalab.gmu.edu/members/tecuci.htm
8. Dan Tufi (Corpus Linguistics, Intelligent Computer Aided Language
Learning, Machine Language Learning, Machine Translation, Natural
Language Understanding, Natural Language Generation, Knowledge
Representation.). Membru Corespondent al Academiei Romne, director
la Istititutului de Cercetri n Inteligen Artificial al Academiei
Romne. http://www.racai.ro/~tufis/
Cele mai populare cri de iniiere n IA pe plan mondial:
1) Stuart Russel, Peter Norvig, Artificial Intelligence: A Modern
Approach (2nd Edition), Prentice Hall Series in Artificial Intelligence,
Hardcover, p. 1112, 2003.
2) Michael Negnevitsky, Artificial Intelligence, A Guide to Intelligent
Systems, Second Edition, Pearson Education Limited, 2002.
3) Toshinori Munakata, Fundamentals of the New Artificial Intelligence,
Second Edition, Springer-Verlag London Limited, 2008
4) Ben Goertzel, Cassio Pennachin, Artificial General Intelligence,
Springer-Verlag Berlin Heidelberg, 2007.

Ioan Dziac, Inteligen artificial, 2008

16

Fondatori i cercettori pe plan internaional n IA:

George Boole
(1815-1864)

Alan Turing
(192-1954)

John McCarthy
n. 1927

Marvin Minsky
n.1927

Lotfi A. Zadeh
n. 1921

Allen Newell
(1937-1992)

Herbert Simon
(1916-2001)

Seymour Papert
n. 1928

Ray Kurzweil
n.1948

Kevin Warwick
n.1954.

Figura 7. Civa dintre fondatorii de subdomenii i cercettori n IA pe plan internaional

Ali cercettori n IA (redm textul n limba englez, n original, cf. sursei2)


Cognitive Scientists
Ballard, Dana H. - "Animate vision". Computational theories of the
brain with emphasis on human vision. (Univ. of Rochester, USA)
Barsalou, Lawrence W. - Perceptual bases of cognition, situated
conceptualization, dynamic representations of concepts, frames,
category learning, event memory.
Brooks, Rodney A. - Embodied cognition in autonomous robots. (MIT,
USA).
Calvin, William H. - Theoretical neurophysiologist and popularizer.
Author of "The Cerebral Code," "How Brains Think," "Conversations
with Neil's Brain" and "A Brain for All Seasons," amongst other works.
Cave, Kyle R. - Cognitive psychology of visual cognition, including
attention, imagery, and object recognition.
Coneural Center for Cognitive and Neural Studies - Research center
for computational embodied neuroscience. Director: Razvan Florian.
2

http://www.dmoz.org/Computers/Artificial_Intelligence/ (02.12.2008): De menionat


c n lista de mai jos mai sunt menionate numele a trei cercettori romni: Rzvan Florian,
Rzvan Andonie i Raul Murean.

Ioan Dziac, Inteligen artificial, 2008

17

Cotterill, Rodney M.J. - Neurophysiology of consciousness, considered


as an active process. Implications of this view for understanding autism.
(Danish Technical University, Denmark)
Cziko, Gary- Educational psychology. Darwinian approaches. (Univ. of
Illinois, USA)
Dunbar, Kevin - Scientific discovery and reasoning (especially in
molecular biology); visual, causal, abductive, and analogical reasoning;
gender differences in reasoning; science education; mental models;
invivo cognition; visualization. (Dartmouth College.)
Gregory, Richard - Influential researcher on perception and perceptual
illusion. Site gives access to selected publications as well as his CV and
animated demonstrations of significant illusions.
Jrvilehto, Timo - Finnish Psychologist with interests in
psychophysiology, preception, education, and "the theory of the
organism-environment system".
Kirsh, David - Representation in everyday activity, cognitive
complexity.
Koch, Christoph- Neuroscience and consciousness.
Kosslyn, Stephen M. - Mental imagery, perception.
Kubovy, Michael - Perceptual grouping.
Loftus, Elizabeth F. - Psychology of memory, false memory, eyewitness
testimony.
Minsky, Marvin - One of the pioneers and most creative thinkers of
Artificial Intelligence research.
Modestino, Ed - A graduate student in the Complex Systems and Brain
Sciences program at Florida Atlantic University, working on
neuroimaging of complex systems and neural networks of cognition.
Moravec, Hans - Mobile robots and their psychology.
Norman, Don - Author of The Design of Everyday Things, list of books
and articles in human-centered design.
O'Regan, J. Kevin - Visual perception: "change blindness" (nice
animated demos), active perception, eye movements, consciousness, and
"the world as external memory".
Pylyshyn, Zenon W. - Visual attention and preattention, critique of
"pictorial" theories of mental imagery, foundational issues in the
computational theory of the architecture of cognition.
Scaruffi, Piero - Information about Scaruffi's research and teaching
activities in Cognitive Science, Psychology of Consciousness and
Philosophy of Mind, and links to his papers, and to his annotated
bibliography of cognitive science, artificial intelligence, neurobiology,

Ioan Dziac, Inteligen artificial, 2008

18

artificial life, linguistics, neural networks, connectionism, cognitive


psychology, and consciousness.
Smolensky, Paul- A leading researcher in connectionism.
Thomas, Nigel - The philosophical, scientific, and historical study of
imagination and mental imagery, and their role in consciousness and
cognition [Cal State LA].
Turner, Mark - Professor and Dean of Arts and Sciences at Case
Western Reserve University. Research focus is to study how human
thought processes are different than other species with an emphasis on
blending.
van Diepen, Paul - Scene perception, eye movements, chronometry of
information processing (no longer active in cognitive research).
Zhang, Jiajie - External representations; human-computer interaction;
human factors; medical informatics
Fuzzy Intelligence People
Abonyi, Janos - Fuzzy modeling for system identification and data
mining
De Baets, Bernard- Fuzzy Relations and Preference Modelling
Fodor, Jnos - Basics of fuzzy sets and connectives
Fortemps, Philippe - Preference modelling
Klement, Peter- Triangular Norms
Mencar, Corrado - Neuro-fuzzy classifiers
Roubens, Marc - Multicriteria decision aid
Yager, Ronald R. - Decision support
Zadeh, Lotfi A. - inventor of Fuzzy Sets
Zimmermann, Hans-Jurgen - Fuzzy O.R.
Neural Networks People

Adelson, Edward T. - Visual perception, machine vision, image


processing.
Agakov, Felix - Probabilistic graphical modeling, statistical learning
theory, pattern recognition, prediction, and causality.
Allan, Moray - Computer vision, probabilistic models for image
sequences, invariant features.
Amari, Shun-ichi- Neural network learning, information geometry.
Andonie, Razvan - Data structures for computational intelligence.
Andrieu, Christophe - Particle filtering and Monte Carlo Markov Chain
methods.
Anthony, Martin - Computational learning theory, discrete mathematics.
Attias, Hagai- Graphical models, variational Bayes, independent factor
analysis.

Ioan Dziac, Inteligen artificial, 2008

19

Bach, Francis - Machine learning, kernel methods, kernel independent


component analysis and graphical models
Ballard, Dana H. - Visual perception with neural networks.
Bartlett, Marian Stewart - Image analysis with unsupervised learning,
face recognition, facial expression analysis.
Beal, Matthew J. - Bayesian inference, variational methods, graphical
models, nonparametric Bayes.
Becker, Sue - Neural network models of learning and memory,
computational neuroscience, unsupervised learning in perceptual
systems.
Bengio, Samy - Torch machine learning library, including SVMTorch
support vector machine program. Research on mixture models, hidden
markov models, multimodal fusion, speaker verification.
Beveridge, Ross - Computer vision, model-based object recognition,
face recognition.
Bishop, Chris - Graphical models, variational methods, pattern
recognition.
Boutilier, Craig - Decision making and planning under uncertainty,
reinforcement learning, game theory and economic models.
Brody, Carlos D. - Somatosensory working memory, computation with
action potentials, design of complex stimuli for sensory
neurophysiology.
Brown, Andrew - Machine learning of dynamic data, graphical models
and Bayesian networks, neural networks.
Bulsari, A. - Neural networks and nonlinear modelling for process
engineering.
Calvin, William H. - Theoretical neurophysiologist and author of The
Cerebral Code, How Brains Think.
Caruana, Rich- Multitask learning.
Cheung, Vincent - Machine learning and probabilistic graphical models
for computer vision and computational molecular biology.
Chu, Selina - Artificial intelligence, machine learning, data mining.
Coolen, Ton - Physics of disordered systems. Working on dynamic
replica theory for recurrent neural networks.
Cottrell, Garrison W. - An artrificial intelligence researcher who is an
expert on neural networks.
Dahlem, Markus A. - Neural network models of visual cortex to model
neurological symptoms of migraine.
Dayan , Peter - Representation and learning in neural processing
systems, unsupervised learning, reinforcement learning.

Ioan Dziac, Inteligen artificial, 2008

20

de Freitas, Nando - Bayesian inference, Markov chain Monte Carlo


simulation, machine learning.
de Garis, Hugo - Evolvable neural network models, neural networks for
programmable hardware, large neural networks.
De vito, Saverio - Neural networks for sensor fusion, wireless sensor
networks, software modeling, multimedia assets management
architectures
De Wilde, Philippe - Brain inspired models of uncertainty, linguistic and
fuzzy uncertainty, uncertainty in dynamic multi-user environments.
Dietterich, Thomas G. - Reinforcement learning, machine learning,
supervised learning.
Dr Hooman Shadnia- Dedicated to artificial neural networks and their
applications in medical research and computational chemistry. Offers a
quick tutorial on theory on ANNs written in Persian.
Freeman, William T. - Bayesian perception, computer vision, image
processing.
Frey, Brendan J. - Iterative decoding, unsupervised learning
Friedman, Nir - Learning of probabilistic models, applications to
computational biology.
Frohlich, Jochen - Overview of neural networks, and explanation of
Java classes that implement backpropagation, and Kohonen feature
maps.
Garcia, Christophe - Computer vision, image analysis, neural networks.
Ghahramani, Zoubin - Sensorimotor control, unsupervised learning,
probabilistic machine learning.
Hansen, Lars Kai - Neural network ensembles, adaptive systems and
applications in neuroinformatics.
Herbrich, Ralph - Statistical learning theory, support vector machines
and kernel methods.
Heskes, Tom - Learning and generalization in neural networks.
Hinton, Geoffrey E. - Unsupervised learning with rich sensory input.
Most noted for being a co-inventor of back-propagation.
Honavar, Vasant - Constructive learning, computational learning theory,
spatial learning, cognitive modelling, incremental learning.
Hughes, Nicholas- Automated Analysis of ECG.
Jaakkola, Tommi S. - Graphical models, variational methods, kernel m.
Jensen, Finn Verner- Graphical models, belief propagation.
Jordan, Michael I. - Graphical models, variational methods, machine
learning, reasoning under uncertainty.
Joshi, Prashant - Computational motor control, biologically realistic
circuits, humanoid robots, spiking neurons.

Ioan Dziac, Inteligen artificial, 2008

21

Kearns, Michael - Reinforcement learning, probabilistic reasoning,


machine learning, spoken dialogue systems.
Koller, Daphne- Probabilistic models for complex uncertain domains.
Lafferty, John D. - Statistical machine learning, text and natural
language processing, information retrieval, information theory.
Lawrence, Neil- Probabilistic models, variational methods.
Lawrence, Steve - Information dissemination and retrieval, machine
learning and neural networks.
LeCun, Yann - Handwritten recognition, convolutional networks, image
compression. Noted for LeNet.
Leen, Todd - Online learning, machine learning, learning dynamics.
Leow, Wee Kheng - Computer vision, computational olfaction.
Lerner, Uri N. - Hybrid and Bayesian networks.
Li, Zhaoping - Non-linear neural dynamics, visual segmentation,
sensory processing.
Maass, Wolfgang- Theory of computation, computation in spiking
neurons.
MacKay, David- Bayesian theory and inference, error-correcting codes,
machine learning.
Malchiodi, Dario - Machine learning, Learning from uncertain data.
McCallum, Andrew - Machine learning, text and information retrieval
and extraction, reinforcement learning.
Meila, Marina - Graphical models, learning in high dimensions, tree
networks.
Minka, Thomas P. - Machine learning, computer vision, Bayesian
methods.
Muresan, Raul C. - Neural Networks, Spiking Neural Nets, Retinotopic
Visual Architectures.
Murphy, Kevin P. - Graphical models, machine learning, reinforcement
learning.
Murray, Alan - Neural networks and VLSI hardware.
Murray-Smith, Roderick - Gesture recognition, Gaussian Process priors,
control systems, probabilistic intelligent interfaces.
Neal, Radford - Bayesian inference, Markov chain Monte Carlo
methods, evaluation of learning methods, data compression.
Oja, Erkki - Unsupervised learning, PCA, ICA, SOM, statistical pattern
recognition, image and signal analysis.
Olier, Ivan - Artificial intelligence, generative topographic map, missing
data.

Ioan Dziac, Inteligen artificial, 2008

22

Olshausen, Bruno - Visual coding, statistics of images, independent


components analysis.
Opper, Manfred - Statistical physics, information theory and applied
probability and applications to machine learning and complex systems.
Paccanaro, Alberto - Learning distributed representation of concepts
from relational data.
Pearlmutter, Barak - Neural networks, machine learning, acoustic source
separation and localisation, independent component analysis, brain
imaging.
Prashant, Joshi - Computational neuroscientist, with main areas of
research interest being computational motor control, computational
models of olfaction, computation with spiking neurons,
neurocomputational basis of working memory and decision making,
learning in biologically realistic circuits.
Rao, Rajesh P. N. - Models of human and computer vision.
Rasmussen, Carl Edward - Gaussian processes, non-linear Bayesian
inference, evaluation and comparison of network models.
Revow, Michael - Hand-written character recognition.
Roberts, Stephen - Machine learning and medical data analysis,
independent component analysis and information theory.
Rovetta, Stefano - Research on Machine Learning/Neural
Networks/Clustering. Applications to DNA microarray data
analysis/industrial automation/information retrieval. Teaching activities.
Roweis, Sam T. - Speech processing, auditory scene analysis, machine l.
Russell, Stuart - Many aspects of probabilistic modelling, identity
uncertainty, expressive probability models.
Rutkowski, Leszek - Neural networks, fuzzy systems, computational int.
Saad, David - Neural computing, error-correcting codes and
cryptography using statistical and statistical mechanics techniques.
Sahani, Maneesh - Statistical analysis of neural data, experimental
design in neuroscience.
Sallans, Brian - Decision making under uncertainty, reinforcement
learning, unsupervised learning.
Saul, Lawrence K. - Machine learning, pattern recognition, neural
networks, voice processing, auditory computation.
Saund, Eric - Intermediate level structure in vision.
Schein, Andrew I. - Machine learning approaches to data mining
focussing on text mining applications.
Sejnowski, Terry - Sensory representation in visual cortex, memory
representation
and
adaptive
organization
of
visuo-motor
transformations.

Ioan Dziac, Inteligen artificial, 2008

23

Seung, Sebastian - Short-term memory, learning and memory in the


brain, computational learning theory.
Shkolnik, Alexander - Neurally controlled robotics.
Shuurmans, Dale - Computational learning, complex probability
modelling.
Simard, Patrice- Machine learning and generalization.
Smola, Alex J. - Kernel methods for prediction and data analysis.
Storkey, Amos - Belief networks, dynamic trees, image models, image
processing, probabilistic methods in astronomy, scientific data mining,
Gaussian processes and Hopfield neural networks.
Sutton, Richard S. - Reinforcement learning.
Sykacek, Peter - Brain Computer Interface.
Teh, Yee Whye - Learning and inference in complex probabilistic
models.
Tipping, Mike - Varied machine learning and data analysis topics,
including Bayesian inference, relevance vector machine, probabilistic
principal component analysis and visualisation methods.
Tishby, Naftali - Machine learning; applications to human-computer
interaction, vision,neurophysiology, biology and cognitive science.
Versace, Massimiliano - Neural networks applied to visual perception
and computational modeling of mental disorders.
Wainwright, Martin - Statistical signal and image processing, natural
image modelling, graphical models.
Wallis, Guy - Object recognition, cognitive neuroscience, interaction
between vision and motor movements.
Weiss, Yair - Vision, Bayesian methods, neural computation.
Welling, Max - Unsupervised learning, probabilistic density estimation,
machine vision.
Wiegerinck, Wim - Inference in graphical models, mean field and
variational approaches.
Williams, Christopher K. I. - Gaussian processes, image interpretation,
graphical models, pattern recognition.
Winther, Ole - Variational algorithms for Gaussian processes, neural
networks and support vector machines. Also work on belief propagation
and protein structure prediction.
Wiskott, Laurenz - Face recognition, Invariances in learning and vision.
Wu, Yingnian - Stochastic generative models for complex visual
phenomena.
Xing, Eric - Statistical learning, machine learning approaches to
computational biology, pattern recognition and control.

Ioan Dziac, Inteligen artificial, 2008

24

Yedidia, Jonathan S. - Statistical methods for inference and learning.


Zemel, Richard - Unsupervised learning, machine learning,
computational models of neural processing.
Zhou, Zhi-Hua - Neural computing, data mining, evolutionary
computing, ensemble networks.
Computers: Robotics: History: People
Asimov, Isaac - Asimov was one of the three grand masters of science
fiction and the creator of the term "robotics". He is known in the field
for his Four Laws of Robotics and the large body of fiction he wrote
about robots. He envisioned a future in which robots were (usually)
safe, well-controlled servants of man.
Brooks, Rodney A. - Director of the MIT CS and AI Lab. CTO of
iRobot. Involved in a wide range of robotics research initiatives. Best
known as the creator of Subsumption Architecture in which layers of
simple behaviors create complex emergent behaviors.
Capek, Karel - Czech author and playwright who popularized the term
robot in his 1920 play, RUR: Rossum's Universal Robots.
Moravec, Hans P. - Researcher at the CMU Robotics Institute who
believes intelligent machines will be the descendants of the human race.
Author of several books on the nature of evolving robot intelligence.
Current work involves 3D mapping and stereoscopic vision.
Tesla, Nikola - Tesla demonstrated a robotic boat that he called a
teleautomaton in 1898 that many consider to be the first robot.
Tesla's Race of Robots - A summary of Nikola Tesla's work in robotics
done as part of a PBS documentary on his life. Includes information on
his teleautomaton and his predication of mechanical, automated men.
Tilden, Mark - Creator of BEAM robotics, a controversial philosophy of
robot building that advocates the use of "nervous nets" instead of
conventional microprocessors as controllers, the use of recycled parts,
and solar power.
Walter, W. Grey, Online Archive - Biography of one of the pioneers of
robotics. Includes historical information and photos of many of the
robots Walter created in the 1940s and 1950s.
Walter, W. Grey, Robotics Pioneer - A respected neurophysiologist who
did early work on autonomous mobile robots in the 1940s.
Wiener, Norbert - Generally known as the "father of cyborgs". Wiener
was the originator of the term cybernetics and part of a group of
scientists who originated the field. He was also an MIT mathematician,
science fiction author, and designer of an early chess-playing robot.

Ioan Dziac, Inteligen artificial, 2008

25

Ioan Dziac, Inteligen artificial, 2008

26

5. CUM? Metode, modele, mijloace, tehnologii


INFORMATIC

ELECTRONIC
NEUROTINELE
Neuropsihologia
Neurologia
Neuropsihiatria
Neurobiologia
BIOLOGIA
Teoria evoluiei
Teoria emergenei
...

TEHNOLOGIA
INFORMAIEI

TIINA
CALCULATOARELOR

AUTOMATIC

INTELIGEN
ARTIFICIAL
(IA)
PSIHOLOGIA

FILOZOFIA
GNOSEOLOGIA

CIBERNETIC

MATEMATIC
Logic
Probabiliti
Grafuri
Limbaje formale
Combinatoric...

...

Figura 8. Principalele tiine implicate n IA

Nu exist o definiie unanim acceptat pentru IA nici ca domeniu


tiinific. Foarte muli consider IA ca un subdomeniu al tiinei
calculatoarelor, dar ea studiaz i este strns legat i ar putea fi revendicat ca
subdomeniu i de Informatic, Tehnologia informaiei, Automatic i
Cibernetic.
Cert este c IA este un domeniul tiinific interdisciplinar care implic pe
lng tiinele amintite (cele scrise cu alb n figura 8) i alte tiine (cele scrise
cu negru n figura 8), cum ar fi: Psihologia, Biologia, Neurotiinele,
Electronica, Matematica, Filozofia etc.
TIPURI DE
PROBLEME

MODELARE

REZOLVARE

1. Probleme
bine-puse
(date certe, valori
exacte)

Exist un
model formal
al problemei

determinist:
HARD
COMPUTING

2. Probleme
ru-puse
(date incerte,
valori
aproximative,
adevr parial)

Nu exist un
model formal
(rspunsuri
doar n
cazuri
particulare)

aproximativ:
SOFT
COMPUTING

ASOCIEREA NTRE
DATELE DE INTRARE
(ipoteze, valori iniiale) I
RSPUNSUL CORECT
(concluzie, rezultat)
Relaie funcional explicit

nvare (pe baz de exemple de


asociere ntrebare-rspuns)

Figura 9. Modelare i metode n IA

Ioan Dziac, Inteligen artificial, 2008

Calcul
inteligent
(pur simbolic)
HARD
COMPUTING

Logica
fuzzy

Reele neurale
Raionament
probabilist
Learning Machine

Calcul
evolutiv
Algoritmi
genetici

SOFT COMPUTING
tolerant la imprecizie, nesiguran,
adevr parial i aproximare

27

Calcul
convenional
(pur numeric)
HARD
COMPUTING

Figura 10. Tipuri de calcul inteligent

Bazndu-ne doar pe logica cu dou valori de adevr (numit i


tradiional, clasic, binar, boolean, aristotelic), putem rezolva doar
PROBLEMELE BINE PUSE, cu date certe, precise, exacte. Dar n practic ne
ntlnim la tot pasul cu probleme care conin noiuni inexacte, n care intervin
date incerte, mrimi imprecise, variabile lingvistice sau adevruri pariale,
numite i PROBLEME RU-PUSE, probleme care nu pot fi rezolvate prin
calculul tradiional. Rezolvarea unor astfel de probleme se face azi prin soft
computing, care are la baz logica fuzzy i cteva instrumente ale IA.
Logica fuzzy (Fuzzy Logic, Zadeh3, 1973) este o logic nuanat, nonaristotelic, cu mai mult de dou valori de adevr. Logica fuzzy mpreun cu
Raionamentul probabilist (Probabilistic Reasoning), prin utilizarea Calcului
evolutiv (Algoritmilor Genetici4) pe Reelele neurale5 i Learning Machine,
formeaz un nou stil de calcul, numit SOFT COMPUTING6, cu ajutorul cruia
putem rezolva probleme ru-puse.
Soft Computing-ul, la care se adaug, n mod nedisjunctiv, Sistemele
expert (din economie, comer, medicin, nvmnt etc.), Sistemele bazate pe
cunotine, Roboii, Reele semantice, Reelele de ncredere .a., sunt cteva din
subdomeniile importante ale Inteligenei Artificiale (v. i fig. 11).

3
4

http://www.cs.berkeley.edu/~zadeh/

n 1975 John Holland, inspirat de teoria evoluiei a lui Darwin, a pus bazele ALGORITMILOR
GENETICI moderni. Dar exist contribuii premergtoare n domeniu ale unor biologi sau informaticieni:
Barriceli (1954), Bremermann (1960), Fraser i Burnell (1970), Crosby )1973) .a. De multe ori algoritmii
genetici se bazeaz pe modele de tip SWARM INTELLIGENCE, de inspirate din inteligena natural
emergent a unor grupuri de insecte, cum ar fi cea a COLONIILOR DE FURNICI.
5
Prin anii 40, Warren McCulloch i Walter Pitts, inspirai de teoria nvrii condiionate a lui Pavlov, au
pus bazele REELELOR NEURONALE, capabile s nvee pe baza anumitor reguli simple. Ulterior au
adus contibuii Hebb (spresftul anilor40, Rosenblat (PERCEPTRON, 1950), Minsky i Papert
(PERCEPTRONI, 1969) .a.
6
...the principal constituents of Soft Computing (SC) are Fuzzy Logic (FL), Neural Computing (NC),
Evolutionary Computation (EC) Machine Learning (ML) and Probabilistic Reasoning (PR),
http://www.soft-computing.de/def.html

Ioan Dziac, Inteligen artificial, 2008

28

Clase
Calcul
natural

Subclase
Calcul neural

Calcul evolutiv
Calcul molecular
(DNA Computing)
Calcul membranar
(Membrane Computing)
Calcul cuantic
(Quantum Computing)
Calcul de tip swarm
(Swarm computing)

Calcul
fuzzy

Control fuzzy
Reele neuro-fuzzy

Modele de calcul
imitate
Reelele bioelectrice din
creierul uman formate de
neuroni
i
sinapsele
acestora.
Principiile darwiniste de
evoluie
ADN

Realizri
Reele neurale

Algoritmi genetici
Cutare armonic

Membrana celulei
Sistem fizic
Colonii de furnici
Bancuri de peti
Colonii de bacterii
Grupuri de animale
Stoluri de psri
Raionamentul uman
comun

Algoritmi de
optimizare

Sisteme fuzzy
Sisteme neuro-fuzzy
Sisteme expert
Sisteme hibride

Figura 11. Domeniile i subdomeniile calcului inteligent

Ageni inteligeni
Citm din Boldur Brbat, Sisteme inteligente orientate spre agent [Br02]:
- Ceva software care tie s fac lucruri pe care ai fi putut probabil s le
faci singur, dac ai fi avut timp (Selker, citat de Hermans, 1996).
- Un obiect care gndete (Gentia Software, 1997).
- O entitate cu scopuri, aciuni i cunotine ntr-un anumit domeniu, situat
ntr-un mediu (Stone i Veloso, 1997).
- O component de software i/sau echipament capabil s acioneze
exigent n scopul ndeplinirii unor sarcini pentru utilizator (Nwana, 1996).
(Nwana adaug c prefer s-l foloseasc drept metatermen pentru o gam de
tipuri de ageni.)
n fine, iat rezumatul unei definiii de sintez, dat de Tecuci (1998), care
cuprinde multe din aspectele de mai sus. Un agent inteligent este un sistem
bazat pe cunotine care: i percepe mediul; raioneaz pentru a interpreta
percepiile, infer, rezolv probleme i stabilete aciuni; acioneaz asupra
mediului pentru a ndeplini o seam de scopuri sau sarcini pentru care a fost
proiectat. [...]

Ioan Dziac, Inteligen artificial, 2008

29

Ce pretindem de la cineva pe care ni-l alegem ca agent? n esen, trei


trsturi (Pallmann, 1999):
a) Competen (inteligen nsoit de cunotine n domeniu).
b) Personalizare (chiar dac nu aparine persoanei al crei agent este,
trebuie s presteze serviciile cerute de acest client n stil croit pe msur, nu
standard).
c) Reprezentare (s acioneze nu numai pentru, ci i n numele persoanei
care l-a ales, evident, n limitele mputernicirii date).
n fine, adoptnd o perspectiv i mai vdit antropocentric, trstura de
frunte a agentului ar putea fi credibilitatea. Aceasta are, ca i n cazul
oamenilor, dou subdimensiuni:
a) calitatea de a fi demn de ncredere (trustwortiness);
b) competena (expertise).

Limbaje de programare utilizate n IA


LISP. Denumirea LISP vine de la LISt Processing7. Printele su este
John McCarthy de la MIT AI Lab, iar anul naterii este considerat anul 1958.
LISP este un limbaj declarativ (nu este imperativ). Conceput iniial ca un
formalism matematic menit s conduc la dezvoltarea unei teorii riguroase a
programelor, astzi LISP-ul este un limbaj puternic, n jurul cruia s-a dezvoltat
un veritabil mediu de programare. Se poate spune ca LISP-ul este limbajul care
ar permite s vedem calculatorul nu doar ca pe o complicat main de efectuat
calcule aritmetice, ci ca pe un adevrat creier electronic aflat ntr-o continu
i exploziv evoluie spre inteligen.
PROLOG. Limbajul Prolog ( PROgrammation en LOGique) a fost creat
la Marsilia la nceputul anilor 70, inventatorii fiind Alain Colmeraurer i
Philippe Roussel. Una din principalele idei ale programrii logice este aceea c
un algoritm este constituit din doua elemente disjuncte: logic i control.
Componenta logic corespunde definiiei problemei ce trebuie soluionat, n
timp ce componenta control stabilete cum poate fi obinut soluia. Un
programator trebuie sa descrie numai componenta logic a unui algoritm, lsnd
controlul executrii s fie exercitat de sistemul de programare logic utilizat. Cu
alte cuvinte, sarcina programatorului este specificarea problemei ce trebuie
soluionat. Astfel, limbajul logic poate fi conceput simultan ca limbaj de
descriere, specificare formal a problemei i ca un limbaj de programare a
calculatoarelor.

http://en.wikipedia.org/wiki/Lisp_programming_language

30

Ioan Dziac, Inteligen artificial, 2008

Fundamentele teoretice se gsesc n metoda demonstrrii automate


dezvoltat ncepnd cu 1965 dup metoda rezoluiei data de Julian Robinson.
Un rol important l-a avut si Robert Kowalski8 prin demonstrarea faptului ca se
poate programa folosind logica. n limbajul Prolog9 se poate face orice ca i n
alte limbaje de programare. ns Prologul are avantaje distincte, precum i
dezavantaje. Prelucrarea rapida a datelor numerice este un punct vulnerabil al
lui. Prologul poate mnui numere, ns nu aa de eficient ca un limbaj special
destinat acestui lucru. Prologul, nsa, puncteaz cnd e vorba de manipularea
simbolurilor. Ori manipularea simbolurilor este inima a ceea ce a devenit azi
cunoscut sub numele de IA.
CLIPS este un acronim pentru C Language Integrated Production
System, un sistem expert dezvoltat de NASA n anii 1980. Sintaxa i numele au
fost inspirate de OPS (sistem de producie oficial, n englez Official
Production System) creat de Charles Forgy. Primele versiuni de CLIPS au fost
dezvoltate ncepnd cu 1984 la NASA -Johnson Space Center (ca o alternativ
la sistemul existent numit ART*Inference) pn la nceputul anilor 1990 cnd
subvenia a ncetat din cauza problemelor bugetului Federal i a unui ordin
conform cruia NASA trebuia s cumpere software comercial n loc s-l
dezvolte.
CLIPS este probabil cel mai folosit sistem expert, deoarece este rapid,
eficient i gratuit. Cu toate c acum face parte din domeniul public, este nc
actualizat i susinut de autorul original, Gary Riley10.
CLIPS ncorporeaz un limbaj de programare orientat obiect numit COOL
pentru a scrie sisteme expert. Cu toate c este scris n limbajul de programare C,
interfaa sa seamn foarte mult cu cea a limbajului de programare LISP. Se pot
scrie extensii n C, iar CLIPS poate fi chemat din C.
Ca i alte sisteme expert, CLIPS are de-a face cu reguli i fapte. n timpul rulrii
programelor, existena diferitelor fapte ntr-o baz de cunotine pot face ca o
regul s fie aplicabil.

http://www.doc.ic.ac.uk/~rak/
http://thor.info.uaic.ro/~georgie/prolog/introducere.html
10
http://clipsrules.sourceforge.net/
9

Ioan Dziac, Inteligen artificial, 2008

31

CAPITOLUL 1
INTELIGENA ARTIFICIAL CA IMITAIE
APROXIMATIV A INTELIGENEI NATURALE
Rezumat. Paradoxul aproximrii inteligenei naturale prin inteligena
artificial: Ceea ce omul face mai uor (de exemplu: recunoatere vizual,
vorbire, mers, nvare) e mai greu de imitat prin inteligen artificial;
iar ceea ce omul face mai greu (de exemplu: calcule matematice, calcule
simbolice, memorare) e mai uor de imitat prin inteligen artificial.
Cel mai bune rezultate se obin imitnd inteligena emergent a grupurilor
de animale sociale.

1.1. Inteligena natural uman


1.1.1. Generaliti
ntr-o descriere aproximativ, inteligena uman ar fi capacitatea
individului de a nva uor i bine, uurina de a soluiona probleme noi, de a
se adapta la situaii noi, pe baza experienei acumulate.
William Stern a descris inteligena uman ([Ste12], [Ste38]), ca fiind
aptitudinea general a individului de a-i adapta contient gndirea unor
cerine noi: ea este capacitatea spiritual de adaptare general la noile cerine
i condiii ale vieii.
n latin, intelligere nseamn a relaiona, a organiza, iar interlegere
nsemna stabilirea de relaii ntre oameni. Probabil c aceste dou cuvinte au o
legtur strns cu etimologia cuvntului inteligen. Cuvntul inteligent
provine tot din limba latin de la intelligo, care n traducere nseamn detept,
nelept, priceput, ager la minte. Pe scurt, inteligena ar putea fi definit ca fiind
capacitatea minii de a stabili legturi ntre diferite date.
n [DEX98] gsim descrierea: INTELIGN, inteligene, s.f.
Capacitatea de a nelege uor i bine, de a sesiza ceea ce este esenial, de a
rezolva situaii sau probleme noi pe baza experienei acumulate anterior;
deteptciune [...].
Inteligena uman este obiectul de studiu al psihologiei n colaborare cu
neurotiinele (neurofiziologia, neuropsihologia, neuroanatomia, etc),
psihofizica, psihologia comportamental, cibernetica biologic, biomecanica,

32

Ioan Dziac, Inteligen artificial, 2008

inteligena artificial, teoria controlului, management, informatica i


matematicile aplicate, respectiv robotica, mecatronica i controlul automat.
Pentru msurarea inteligenei este vehiculat termenul de coeficient de
inteligen sau IQ (intelligence quotient), care este un scor derivat din unul sau
mai multe teste psihometrice standardizate de msurare a inteligenei.
Definirea noiunii de inteligen uman (delimitarea i clarificarea
aspectelor sale cantitative i calitative) sunt probleme extrem de dificile i ele
au fost abordate de muli oameni de tiin, n special, psihologi, dintre care se
remarc:
Alfred Binet (18571911) - psiholog i psihometrician francez, autor al
celebrului test de inteligen utilizat pentru msurarea inteligenei
cognitive (IQ);
Thodore Simon (1872 - 1961) psiholog i psihometrician francez,
care a contribuit la stabilirea faimoasei scale de inteligen, cunoscut
sub numele de scala de inteligen Binet- Simon;
William Lewis Stern (1871-1938) - psiholog german, inventatorul
coeficientului de inteligen pe baza cruia se face testul IQ;
Lewis Madison Terman (1877-1946) psiholog american, pionier al
psihologiei cognitive, profesor la Universitatea Stanford, care a pus la
punct, pe baza lucrrilor lui Binet, testul de inteligen cunoscut sub
numele de testul IQ Stanford-Binet;
Edouard Claparde (1873-1940) - neurolog i psiholog elveian, care
s-a ocupat de studiul psihologiei copilului i a tipurilor de memorie;
Jean Piaget (1896-1980) - filozof i om de tiin elveian care s-a
ocupat de studiul etapelor dezvoltrii cognitive. Piaget a spus despre
inteligen c este ceea ce foloseti cnd nu tii ce s faci i c
inteligena nseamn a nelege i a inventa ;
Howard Gardner (n. 1943) - fondatorul teoriei inteligenelor multiple;
Daniel Goleman (n. 1946) - psiholog american care s-a ocupat de
studiul inteligenei emoionale (EQ);
i alii: cele mai recente studii legate de inteligena emoional se
datoreaz lui Steven J. Stein, Howard E. Book i Karl Albrecht.
Secolul XX a fost dominat de conceptul IQ, ca indicator extrem de
important n anticiparea performanelor de care ar fi putut fi capabil un individ,
despre care se spune c nu prea mai poate fi mbuntit pe parcursul vieii. IQ
ia n considerare doar un singur tip de inteligen, inteligena cognitiv
(mental). Ulterior ns, a fost scos n eviden un alt aspect al inteligenei
umane, inteligena emoional, care are la baz teoria inteligenelor multiple a
lui Gardner.

Ioan Dziac, Inteligen artificial, 2008

33

1.1.2. Inteligene multiple


Teoria inteligenelor multiple a fost formulat pentru prima oar de ctre
psihologul american Howard Gardner [Gar83]. Teoria sa pornete de la ideea
existenei unor inteligene diferite i autonome ce conduc la modaliti diverse
de cunoatere, nelegere i nvare. El consider c inteligena nu este o
nsuire pus n lumin prin fore standard, ci capacitatea de a rezolva probleme
i de a dezvolta sau realiza produse n situaii concrete de via.
Astfel, capacitatea cognitiv a omului este descris printr-un set de
abiliti, talente, deprinderi mentale pe care Gardner le numete ,,inteligene
(iniial 7, apoi 8 i apoi a fost pomenit i a 9-a: [Gar06]). Toi indivizii normali
posed fiecare din aceste inteligene ntr-o msur mai mare sau mai mic. Ceea
ce-i deosebete este gradul lor de dezvoltare i natura unic a combinrii acestor
inteligene la fiecare individ n parte. n acest sens Gardner subliniaz ideea c
o inteligen trebuie s fie probat de existena unei zone de reprezentare pe
creier i prin existena unui sistem propriu de expresie.
Howard Gardner a identificat pn n prezent (n [Gar83] i [Gar06])
urmtoarele tipuri de inteligen:
1. Inteligena lingvistic: capacitatea de a rezolva probleme i de a construi
produse cu ajutorul codului lingvistic (presupune abilitatea i plcerea de a
citi, scrie, povesti sau a se juca cu cuvintele (exemple: rezolvarea
cuvintelor ncruciate, practicarea jocului SCRABLE etc.);
2. Inteligena logico-matematic: presupune capacitatea de a descoperi
legturi, modele, categorii i relaii (exemple: se manifest n jocuri logice,
rezolvarea problemelor de aritmetic sau n jocurile de strategie);
3. Inteligena spaial: se refer la capabilitatea de a gndi n imagini i la
facilitatea n rezolvarea unor probleme de tip geometrico-spaial (exemple:
gsirea drumului ntr-un labirint, aptitudinea de a desena sau de a construi
figuri din cuburi Lego sau jocuri pe calculator de tip spaial);
4. Inteligena corporal-kinestezic: implic o mare sensibilitate n
identificarea i prelucrarea senzaiilor fizice, de exemplu, a simi ritmul
unui dans; inteligena la nivelul corpului i al minilor ne permite s
controlm i s interpretm micrile corpului, s manevrm obiecte, s
realizm coordonarea (armonia) dintre trup i spirit. Acest tip de
inteligen nu se regsete numai la atlei, acrobai sau dansatori, ci poate
fi ntlnit n micrile, n practicarea unor meserii riscante care presupun o
mare finee pentru reuit (o operaie pe creier, dezamorsarea unei bombe,
pilotarea unei maini de curse etc.). Acest tip de inteligen include
deprinderi fizice speciale precum coordonarea, echilibrul, dexteritatea,
fora, flexibilitatea, viteza, precum i deprinderi la nivelul
proprioceptorilor, la nivel tactil i cutanat;

34

Ioan Dziac, Inteligen artificial, 2008

5.

Inteligena muzical: presupune existena urechii muzicale, adic a


posibilitii de a percepe i distinge sunete care par la fel altor persoane;
6. Inteligena interpersonal: presupune empatie (uurin de a te pune n
situaia altcuiva, adic existena capacitii de a nelege sentimentele
altora), este prezent mai ales la cei cu spirit de conductor;
7. Inteligena intrapersonal: reflect o bun cunoatere a propriilor
sentimente i posibiliti, capacitate de introspecie i autoanaliz non
subiectiv.
8. Inteligena naturalist (capacitatea de a rezolva probleme i de a
dezvolta produse cu ajutorul clasificrilor i reprezentrilor din mediul
nconjurtor).
9. Inteligena existenial Gardner este convins c este o modalitate de
cunoatere a lumii care i caracterizeaz pe filozofi, pe cei care pun
ntrebri despre sensul fericirii, nceputul universului etc. Probabil c i
spiritualitatea aparine acestui tip de inteligen. Gardner ns nu a stabilit
localizarea pe creier. De aceea vorbete despre aceasta ca despre o
jumtate de inteligen.
Din punct de vedere biologic, inteligenele sunt independente, n funcie
de zonele corticale care le guverneaz. La nivel individual ele apar n
combinaii, fiecare individ fiind de fapt , o colecie de inteligene.
Un studiu recent elaborat de ctre Karl Albrecht [Alb06] menioneaz
necesitatea rearanjrii modelului inteligenelor multiple al lui Howard Gardner,
n alte ase categorii primare:
1. Inteligena abstract: raionamente simbolice;
2. Inteligena social: legturile interumane;
3. Inteligena practic: organizarea activitilor;
4. Inteligena emoional: contiina de sine i auto-controlul;
5. Inteligena estetic: sensul formelor, desenul, muzica,arta i literatura;
6. Inteligena kinestezic: capacitile fizice, cum ar fi cele sportive,
dansul, muzica etc.
1.1.3. Inteligena cognitiv (IQ). Teste psihometrice pentru IQ
Se zice c IQ este un coeficient care nu poate fi ameliorat semnificativ pe
parcursul vieii. Testele de inteligen au fost folosite pentru a anticipa succesul
educaional. Astfel c persoanele cu un IQ sczut sunt uneori orientate ctre un
program de educaie pentru persoane cu nevoi speciale, n timp ce un IQ ridicat
recomand aceste persoane pentru un program educaional avansat.
Preocuparea pentru realizarea unor teste ct mai exacte dateaz nc din
anul 1905 i se datoreaz psihologului francez Alfred Binet, care a publicat
primul test modern de evaluare a inteligenei, cunoscut azi sub numele de scala
de inteligen Binet-Simon. Principalul scop al acestui test era de a identifica

Ioan Dziac, Inteligen artificial, 2008

35

studenii care aveau nevoie de asisten special n parcurgerea planului de


nvmnt. n colaborare cu Theodore Simon, Binet a adus optimizri,
publicnd noi versiuni ale acestui test de evaluare a inteligentei n 1908 i 1911.
Abrevierea termenului de coeficient de inteligen sau IQ (traducerea din
german a Intelligenz-Quotient) a fost atribuit n 1912 unui psiholog german,
William Stern, care definea IQ ca fiind coeficientul de msurare a nivelului de
inteligen al unei persoane.
n 1916, Lewis M. Terman, profesor la Universitatea Stanford, aplic
teoria lui Stern pentru o versiune rafinat a Scalei Binet-Simon i elaboreaz un
test numit scala de inteligen Stanford-Binet. Testul lui Terman a pus bazele
unuia dintre cele mai moderne teste de evaluare a inteligentei folosit pn n
prezent.
IQ se calcula folosind formula
IQ= 100 X vrsta mintal/vrsta biologic,
rezultnd c pentru o persoan n vrst de 10 ani care era evaluat la nivelul
unei persoane cu vrsta de 13 ani s aib un IQ de 130 (100 X 13/10).
Primul test de inteligen special creat pentru aduli a fost publicat de abia
n 1939 de David Wechsler i era numit scala de inteligen pentru aduli a lui
Weschler (WAIS), ceea ce a determinat i apariia WISC (scala de inteligen
pentru minori a lui Weschler), standardiznd astfel coeficientul de inteligen,
care nu se mai baza pe vrst.
Astfel, pe baza rezultatelor aplicrii acestui test, persoanele testate sunt
arondate unei anumite categorii de inteligen (v. fig. 1.1.1).
IQ
>140
120-140
110-119
90-109
80- 89
70- 79
50-69
20-49
< 20

CLASIFICARE
Geniu
Deosebit de inteligent
Foarte inteligent
Inteligen medie (Normal)
Inteligen mediocr
La limita deficienei mintale
napoiat mintal (Cretin)
Imbecil
Idiot

Figura 1.1.1. Clasificarea inteligenei umane dup IQ

Faptul ca IQ msoar doar inteligena nnscut i nu poate fi ameliorat


semnificativ pe parcursul vieii, dar i ncercrile de a explica situaiile n care
persoane cu un IQ mediu sau sczut au cunoscut un mare succes n societate (de
exemplu, Shakespeare, Darwin, Spilberg, Picasso, Ghandi, Einstein, Mozart,
Freud etc.), au deschis perspectivele teoriei privind importana i influena

36

Ioan Dziac, Inteligen artificial, 2008

inteligenei emoionale n dezvoltarea personalitii umane. Deci, inteligena


este de dou tipuri: cea cognitiv (analitic, logic) i cea emoional. Prima
este strategic i acioneaz pe termen lung, iar cea de-a doua poate oferi
rspunsuri la probleme curente n viaa de zi cu zi.
1.1.4. Inteligena emoional (EQ). Inteligena social
Cartea lui Daniel Goleman, Inteligena emoional, cheia succesului n
via (v. [Gol04] i www.DanielGoleman.info), a marcat o revoluie uluitoare
n psihologie prin analiza importanei covritoare a emoiilor n dezvoltarea
personalitii umane.
Studiul su ne explic cum, atunci cnd ne nelegem sentimentele,
situaia n care ne aflm devine mai limpede. Descoperim chiar un nou mod de
a privi cauzele bolilor care ne macin familia i societatea.
Prelund rezultatele cercetrilor asupra creierului i comportamentului, autorul
propune extinderea conceptului de inteligen. Autorul a deschis calea unei
psihologii care acord un interes egal i inteligenei sentimentelor.
Inteligena emoional (EQ) presupune, n primul rnd, contientizare
de sine, autodisciplin i empatie. Ea d seama de felul n care ne controlm
impulsurile i sentimentele.
Vestea bun este faptul c inteligena emoional poate fi mbuntit.
Dei copilria este extrem de important n punerea unor baze solide pentru
dezvoltarea inteligenei emoionale, ea poate fi mbuntit i cultivat inclusiv
la vrsta adult.
La zece ani de la apariia primei ediii n limba englez, studiul
inteligenei emoionale a cptat proporiile unui domeniu tiinific autonom n
slujba cruia lucreaz un numr impresionant de cercettori folosind cele mai
avansate metode tehnologice. Astzi, inteligena emoional se pred n coli i
universiti, competenele sale au devenit criterii de angajare sau de promovare
n carier, iar programele de educaie pe baza sa au devenit punctul de plecare
n politicile sociale de prevenire a mbolnvirilor psihice sau criminalitii.
Mai mult, se vorbete azi deja i de o inteligen social. Omul este un
animal social, dup cum a spus nc Aristotel. Omul triete i acioneaz ntrun mediu social. De aceea, eficiena sa att n rezolvarea problemelor din viaa
de zi cu zi, ct si a celor ntlnite n activitatea profesional, nu depinde numai
de aptitudinea intelectual, ci i de capacitatea de a construi i dezvolta relaii
interpersonale pozitive i armonioase, care s permit ndeplinirea elurilor
propuse.
O alt carte a lui Daniel Goleman, Inteligena social. Noua tiin a
relaiilor umane [Gol07], ne atrage atenia asupra unui nou tip de inteligen,
diferit de inteligena emoional, nu ca parte a acesteia, ci ca dimensiune de
sine stttoare.

Ioan Dziac, Inteligen artificial, 2008

37

Reaciile pe care le avem fa de ceilali, ca i ale lor fa de noi, au un


impact biologic mult mai extins dect ne nchipuim. Este vorba de declanarea
unor cascade de hormoni care ne regleaz ntregul organism, de la inim pn la
sistemul imunitar, determinnd relaiile bune s acioneze ca nite vitamine, iar
pe cele proaste ca nite otrvuri. Ne putem molipsi de emoiile celorlali
oameni tot aa cum lum o grip, iar, pe de alt parte, consecinele izolrii sau
cele ale unui stres social intens ne pot scurta viaa.
n Inteligena social, Goleman explic surprinztoarea corectitudine a
primelor impresii, fundamentul carismei i fora emoional, complexitatea
atraciei sexuale i sesizarea minciunilor. El descrie partea ntunecat a
inteligenei sociale, de la narcisism la machiavelism i psihopatie. Ne mai
vorbete despre uimitoarea noastr capacitate de a fi vizionari, ca i despre
tragedia celor care, asemenea copiilor autiti, au un acces redus la raiune. Iar
mesajul distinct al acestei cri este urmtorul: noi, oamenii, avem o predilecie
nnscut ctre empatie, cooperare i altruism, astfel nct putem dezvolta o
inteligen social prin care s ne hrnim aceste caliti nepreuite.
Suntem n era n care tot mai multe voci susin necesitatea dezvoltrii
acelei laturi a naturii umane care este inteligena emoional, cea care ne asigur
succesul profesional i n plan personal.
Modelul practic al competenei EQ elaborat de Daniel Goleman identific
urmtoarele cinci dimensiuni:
1. Contiina de sine;
2. Auto-cenzurarea;
3. Motivaia;
4. Empatia;
5. Relaiile.
Steven J. Stein i Howard E. Book [StB08] se refer la organizarea EQ sub
forma unor domenii:
1. Domeniul intrapersonal: contiina emoional de sine, caracterul
asertiv, independena, respectul de sine, mplinirea de sine;
2. Domeniul interpersonal: empatia, responsabilitatea social, relaiile
interpersonale;
3. Domeniul adaptabilitii: testarea realitii, flexibilitatea, soluionarea
problemelor;
4. Domeniul administrrii stresului: tolerana la stres, controlul
impulsurilor;
5. Domeniul strii generale: optimismul, fericirea.

38

Ioan Dziac, Inteligen artificial, 2008

Modelul inteligenei sociale elaborat de ctre K. Albrecht [Alb06] este


alctuit din cinci dimensiuni distincte:
1. Contiina situaional: radar social sau abilitatea de a studia
situaiile i de a interpreta comportamentul oamenilor;
2. Prezena: inuta sau ntreaga colecie de semnale pe care ceilali le
proceseaz ntr-o impresie evaluatoare a unei persoane.
3. Autenticitatea: radarele sociale ale altora asupra comportamentului
nostru.
4. Claritatea: capacitatea noastr de ai face pe alii sa coopereze cu noi.
5. Empatia: dar empatia mprtit ntre dou persoane, ca stare a
legturilor cu alt persoan care s creeze bazele pentru o interaciune
pozitiv i cooperant.

Ioan Dziac, Inteligen artificial, 2008

39

1.2. Inteligena natural emergent a grupurilor sociale de


animale (swarm intelligence)
n natur ntlnim comportamente inteligente emergente la colonii de
furnici sau termite, roiuri de albine, stoluri de psri, turme de animale, haite de
lupi, etc.
n general, vom prefera s numim acest tip de inteligen Swarm
Intelligence, denumire utilizat n limba englez pentru formele de inteligen
artificial bazate pe comportamentul colectiv al sistemelor distribuite, autoorganizate din natur, ca cele amintite mai sus. Aceast expresie a fost
introdus de ctre Gerardo Beni i Jing Wang n 1989 n contextul sistemelor
celulare de roboi.
O alt definiie pentru Swarm Intelligence, care a fost dat de ctre
Bonabeau, Dorigo, Theraulaz, este: orice ncercare de a proiecta algoritmi
sau echipamente distribuite inspirate din comportamentul colectiv al coloniilor
de insecte sociale sau alte societi de animale, n [BDT01], [Ca+01],
[HRR05]11.
Unul dintre cele mai simple i mai relevante exemple de comportament
emergent inteligent l constituie, indiscutabil, coloniile de furnici.
Cum creierul unei furnici cntrete mai puin de o milionime din
creierul uman, nu este de mirare c o specie de furnici poate produce doar zece
pn la douzeci de semnale. Spre deosebire de limbajul uman, aceste mesaje
sunt integral instinctuale (Mark W. Moffett12, 2006).
O furnic are ntre 100 -10.000 neuroni (spre deosebire de om, care are
cca. 100 de miliarde de neuroni). O furnic solitar este neajutorat i supus
pieirii, dar n colonie furnicile dovedesc o inteligen de grup, de natur
emergent, uluitoare, rezolvnd n mod eficient problemele lor de via:
construirea i gospodrirea muuroiului, cutarea hranei etc.
Regina unei colonii de furnici (omoloaga mtcii unui stup de albine) are
doar rol de reproducere n colonie, ea nu d comenzi directe anumitor grupuri
de furnici pentru ca acestea s nceap s caute hran sau s construiasc, s
ntrein sau s apere muuroiul. Fiecare furnic, pe baza unui program genetic,
reacioneaz la stimuli chimici generai de larve, de alte furnici sau de intrui i
las i ea o urm chimic de feromoni care reprezint un stimul pentru celelalte
furnici. Astfel, orice furnic reacioneaz doar la mediul local, pe baza codului
su genetic. Dei lipsete un control centralizat, furnicile prezint un
comportament care permite coloniei s rezolve probleme de natur topologic
11

Eric Bonabeau, Marco Dorigo, Guy Theraulaz, Swarm Intelligence: From Natural to
Artificial Systems, J. Artificial Societies and Social Simulation 4(1): (2001).
12
http://www.natgeo.ro/natura/animale/furnicile-legionar/?av-page=2

40

Ioan Dziac, Inteligen artificial, 2008

(n mod uzual furnicile identific cea mai lung distan de la toate intrrile n
muuroi pentru a depozita cadavrele i cea mai scurt distan la sursa de
hran). Studiul coloniilor de furnici aflate att n natur, ct i n laborator au
determinat o serie de fapte extrem de importante pentru aplicarea acestui studiu
n inteligena computaional artificial. Furnicile naturale sunt capabile de a
identifica drumul cel mai scurt aflat ntre muuroi i sursa de hrana, fr a se
folosi de dovezi vizuale. De asemenea, ele sunt capabile de a se adapta la
schimbrile de mediu, precum prsirea unui drum cunoscut ntre muuroi i o
surs de hran prin apariia unui obstacol (alegerea celei mai scurte rute
ocolitoare).

Figura 1.2.1. Furnici legionar, Foto: Mark W. Moffett13

Principalul mod de comunicaie la furnici const n semnalizarea prin


feromoni. Furnicile elimin o anumit cantitate de feromoni pe obiectele de
interes sau pe drum, marcnd astfel calea pe care o urmeaz. Ulterior, pe baza
codului genetic, furnicile sunt atrase s urmeze direciile bogate n urme de
feromoni, alegnd n majoritatea cazurilor direciile cele mai bogate i cele mai
proaspete n feromoni. Mirosul de feromoni eliminai de furnici are proprietatea
de a se atenua n timp, ceea ce permite ca o direcie nefolosit s nu mai fie
luat n considerare dup un anumit timp, modalitate prin care ele reuesc s
ocoleasc un obstacol pe partea cea mai scurt dup un anumit timp.
Un aspect remarcabil al acestui proces autocorectiv este faptul c
identificarea drumului cel mai scurt care ocolete obstacolul este o proprietate
emergent a interaciunii cu mediul: forma obstacolului, modul n care e aezat
obstacolul i comportamentul distribuit al furnicilor. Dei toate furnicile se
mic aproximativ cu aceeai vitez i depun aproximativ aceeai cantitate de
feromoni n unitatea de timp, faptul c un drum este mai scurt, conduce la
acumularea mai rapid a cantitii de feromoni. Acest lucru combinat cu
preferina genetic a furnicilor pentru urmarea direciilor bogate n feromoni i
13

http://www.natgeo.ro/natura/animale/furnicile-legionar/?av-page=2

Ioan Dziac, Inteligen artificial, 2008

41

cu proprietatea de dispariie a mirosului feromonilor n timp, conduce la faptul


c ntr-un interval scurt de timp calea mai lung este abandonat n ntregime.

Figura 1.2.2. Algoritmul de cutare a hranei de ctre coloniile de furnici (R.-D. Cioarg14)

14

Rzvan-Dorel CIOARG, Comportament emergent n medii colaborative robotizate,


http://dsplabs.cs.upt.ro/grants/melissevs/pdfs/2008.2.1.pdf

42

Ioan Dziac, Inteligen artificial, 2008

1.3. Inteligena artificial (IA)


1.3.1. Definiii. Testul Turing
Inteligena artificial (IA) este traducerea din limba englez a sintagmei
Artificial Intelligence i se refer la un domeniu de cercetare, n general n
cadrul informaticii, tehnologiei informaiei sau tiinei calculatoarelor, care se
ocup cu studiul i proiectarea agenilor inteligeni, unde prin agent inteligent
se nelege un sistem astfel conceput, nct s-i perceap mijloacele i s
acioneze n aa mod, nct s-i optimizeze ansele de succes. n vorbirea
curent IA este un produs rezultat n urma desfurrii acestei activiti. Nu
exist ns o definiie standard a ce nseamn exact IA, fiecare autor avnd o
percepie proprie asupra definiiei.
IA se poate descrie, ca fiind capabilitatea mainilor sau programelor s
mimeze procesele de gndire umane, cum ar fi cugetarea sau nvarea. Mai
mult, obiectul IA se poate defini ca fiind studiul de a face calculatoarele s
realizeze lucruri pentru care omul are nevoie de inteligen pentru a le realiza.
Aceast definiie extins nu doar include prima definiie, dar acoper i
tehnologiile pe care le utilizeaz calculatoarele pentru a dobndi sarcini
inteligente, chiar dac acestea nu simuleaz n mod necesar procesele de
gndire umane. O trstur des ntlnit a IA este c sistemul respectiv este
capabil s nvee, cu scopul de a se mbunti permanent i fr ajutoare
externe.
O alt definiie a IA ar putea fi: capacitatea sistemelor tehnice evoluate
de a obine performane cvasiumane.
Definiia cea mai acceptat a IA a fost dat de John McCarthy n 1955: o
main care se comport ntr-un mod care ar putea fi considerat inteligent, dac
ar fi vorba de un om.
Ce nseamn un calculator inteligent?
O caracterizare a calculatorului inteligent se bazeaz pe aparena problemelor
ce trebuie rezolvate. De exemplu, un calculator care face operaia 1+1 i
afieaz rezultatul 2 nu este neaprat inteligent, dar un calculator ce calculeaz
derivata simbolic a lui f(x)=cos2x e-x poate fi numit cu siguran inteligent.
Clasele de probleme care necesit inteligen includ inferene bazate pe
cunotine, raionament cu informaie incert sau incomplet, diferite forme de
percepie i nvare i aplicri pentru probleme ca predicie, clasificare, control
i optimizare.
O a doua caracterizare a calculatoarelor inteligente se bazeaz pe
mecanismul de susinere a proceselor biologice folosite pentru a ajunge la o

Ioan Dziac, Inteligen artificial, 2008

43

soluie. Primele exemple pentru aceast categorie sunt reelele neurale i


algoritmii genetici.
IA, ca tiin, i propune s explice i s modeleze comportamentul
inteligent n termenii proceselor de calcul i este de natur interdisciplinar
(informatic, matematic, psihologia proceselor cognitive etc.).
Alan Turing (1912-1954) a fost unul dintre pionierii IA, considerat ca
prim printe a acesteia. Turing nu a furnizat definiii despre maini i gndire, ci
a evitat argumentele semantice inventnd un joc, jocul imitaiei Turing. n loc
s ntrebm Pot mainile gndi?, Turing spunea c ar trebui s ne ntrebm
Pot mainile trece un test de comportament pentru inteligen? El a prezis c
n anul 2000, un calculator va putea fi programat pentru a avea o conversaie cu
un interogator uman pentru cinci minute i va avea 30% anse s-l induc n
eroare. Turing a definit comportamentul inteligent a unui calculator ca abilitatea
de a acumula performane la nivel uman n sarcini cognitive. Cu alte cuvinte, un
calculator trece testul, dac interogatorii nu pot distinge o main de un om pe
baza rspunsurilor date la ntrebrile lor. Jocul imitaiei propus de Turing
cuprinde 2 faze. n prima faz, interogatorul, un brbat i o femeie, sunt pui n
camere separate i pot comunica doar prin mediu neutral, cum ar fi un terminal
la distan. Obiectivul interogatorului este de a-i da seama care este femeia i
care este brbatul doar din ntrebrile pe care le adreseaz celor doi. Regulile
jocului sunt c brbatul ar trebui s ncerce s induc n eroare interogatorul, n
timp ce femeia trebuie s-l conving c ea este femeia. n a doua faz a jocului,
omul este nlocuit cu un calculator programat s induc n eroare interogatorul
aa cum a fcut i brbatul. Ar putea foarte bine s fie programat i s fac erori
i s dea rspunsuri evazive, aa cum ar face-o un om. Dac calculatorul poate
pcli interogatorul la fel de des ca i brbatul, putem spune c acel calculator a
trecut testul de comportament inteligent. n testul lui Turing, interogatorul nu
vede, simte sau aude calculatorul, brbatul sau femeia i deci nu este influenat
de aparene sau voce.
Testul lui Turing are dou caliti remarcabile ce l fac universal:
Prin meninerea comunicaiei dintre om i main prin
intermediul terminalelor, testul ne furnizeaz un punct de vedere
standard obiectiv asupra inteligenei. Se evit dezbaterile despre
natura uman a inteligenei i elimin orice nclinare n favoarea
omului.
Testul nsui este destul de independent de detaliile
experimentului. Poate fi realizat fie ca un joc n 2 faze sau avnd
doar o faz, n care interogatorul trebuie s aleag ntre un om i
main.

44

Ioan Dziac, Inteligen artificial, 2008

Dei calculatoarele moderne nc nu pot trece testul Turing, acesta


furnizeaz o baz pentru verificarea i validarea sistemelor bazate pe cunotine.
Un program despre care se crede c este inteligent ntr-o anumit arie de
expertiz este evaluat prin compararea performanelor sale cu performanele
unui expert uman.
Creierul nostru stocheaz echivalentul a peste 1018 bii i poate procesa
informaii echivalente a 1015 bii pe secund. n 2020, probabil, creierul va fi
modelat de un cip de mrimea unui cub de zahr i poate pn atunci va exista
i un calculator care va putea juca chiar ctiga jocul imitaiei a lui Turing.
Oricum, chiar dorim ca mainile s realizeze calcule matematice att de ncet i
incert ca i un om? Dintr-un punct de vedere practic, o main inteligent ar
trebui s ajute oamenii s ia decizii, s caute informaii, s controleze obiecte
complexe i, n final, s neleag sensul cuvintelor. Probabil c nu exist ceva
de ctigat, dac mainile sunt dezvoltate cu inteligen uman. S construim un
sistem inteligent, trebuie s capturm, organizm i s folosim cunotina
experilor umani dintr-o anumit arie de expertiz.
Alan Turing15 a prezis n 1950 c pn n anul 2000 vor exista maini
(calculatoare) cu 109 bytes (1 GB) de memorie care vor putea "pcli" 30% din
juriile umane ntr-un test de 5 minute. ns, n timp ce pe de-o parte tehnologia
chiar a depit previziunile lui Turing, IA este nc departe de a egala pe cea
uman n multe domenii.
Din testul Turing se desprind cteva caracteristici implicite ale unui
sistem inteligent:
prelucrarea limbajului natural;
posibilitatea de reprezentare a cunoaterii, a informaiilor apriorice i a
celor recepionate n timpul dialogului;
raionament automat pentru utilizarea informaiilor n rspunsuri,
concluzii sau pentru formularea propriilor ntrebri;
nvarea n vederea adaptrii la situaii noi.
Alte definiii ale IA:
1. Marvin Minsky16: Inteligena nu este un singur lucru, ci o colecie de
strategii, iar IA este tiina identificrii concrete a acestor strategii i a
modului n care se ncadreaz ntr-un tot coerent;
2. Patrick Winston17: IA se ocup cu studiul proceselor computaionale
care fac posibile percepia, raionamentul, aciunea i este studiul
ideilor care permit calculatoarelor s efectueze lucrurile care fac
oamenii s par inteligeni.
15

http://en.wikipedia.org/wiki/Alan_Turing accesat la 18.10.2008


http://web.media.mit.edu/~minsky/ accesat la 18.10.2008
17
http://people.csail.mit.edu/phw/index.html accesat la 18.10.2008
16

Ioan Dziac, Inteligen artificial, 2008

45

1.3.2. Obiectul de studiu al IA


Din punct de vedere informatic, IA se ocup cu generarea reprezentrilor
procedurilor care permit n mod automat i autonom rezolvarea unor probleme
care erau doar apanajul oamenilor.

Exist dou abordri fundamentale majore diferite n cadrul IA.


Prima, numit n mod tradiional IA simbolic, a fost dominant de-a
lungul timpului. Aceasta se caracterizeaz printr-un nivel nalt de abstractizare
i o privire macroscopic. Psihologia clasic opereaz la un astfel de nivel. Ea
mai este numit inteligen artificial puternic (strong AI): prin aceasta se
nelege o inteligen artificial, de obicei bazat pe un computer, care chiar
poate gndi i este contient de sine. Sistemele informatice bazate pe
cunoatere i programarea logic fac parte din aceast categorie.
IA simbolic (puternic) acoper arii, cum ar fi:
sisteme bazate pe cunotine,
raionamentul logic,
nvarea simbolic a mainilor,
tehnicile de cutare i
procesarea limbajului natural.
A doua abordare se bazeaz pe nivelul inferior, modele biologice
microscopice, similare cu accentuarea psihologiei sau a geneticii. Ea se mai
numete inteligen artificial slab (weak AI) sau conecionist: o inteligen
artificial care nu pretinde c poate gndi, putnd ns rezolva o anumit clas
de probleme ntr-un mod mai mult sau mai puin inteligent, de exemplu cu
ajutorul unui set de reguli. Reelele neurale i algoritmii genetici sunt exemple
relevante pentru aceast abordare. Aceste modele biologice nu trebuie neaprat
s semene cu prile biologice originale. n orice caz, acestea sunt arii care
evolueaz i din care multe persoane ateapt aplicaii practice semnificative pe
viitor.
n plus, celor dou categorii menionate mai sus, se mai pot aduga
tehnici noi de IA, care includ:
sisteme fuzzy,
teoria mulimilor brute i
sistemele haotice.
Sistemele fuzzy i teoria mulimilor brute pot fi folosite pentru IA
simbolic, ct i ca aplicaii numerice, de multe ori avnd de-a face cu date
imprecise sau incomplete.
Incompletitudinea unei informaii se exprim pe dou scri:

46

Ioan Dziac, Inteligen artificial, 2008

 scara incertitudinii se refer la ncrederea care i se acord


informaiei (dac sursa de informaie, instrumentul de msur
sau expertul sunt complet siguri, demni de ncredere, informaia
este cert)
 scara impreciziei se refer la coninutul informaional
(informaia este precis dac mulimea valorilor specificate n
enunul corespunztor este single-ton, adic are o valoare unic)
Pentru a exemplifica aceste noiuni, s considerm exprimarea unor opinii
despre rezultatele recensmntului din 200218:
 Institutul Naional de Statistic a precizat c la 18 martie 2002,
populaia stabil a Romniei era de 21.698.181 locuitori.
Aceasta este o tire sigur, deoarece e o informaie oficial i este precis.
Aadar, este o informaie complet
 Populaia Romniei este n mod sigur sub 22 milioane de
locuitori.
Avem de-a face aici cu o informaie cert, dar imprecis (teoretic, valoarea
aparine intervalului 0 22.000.000)
 Cred c populaia Romniei este de 21.500.000 locuitori.
Informaia este incert (cred), dar precis (are o valoare bine definit, chiar
dac din punct de vedere pragmatic este incorect)
 Am impresia c rezultatul era n jur de 21 de milioane.
Informaia este incert i imprecis
 N-am nici cea mai mic idee.
n acest caz, informaia nu este deloc semnificativ, toate valorile sunt egal
probabile iar gradele de incertitudine i de imprecizie sunt maxime.
Progresul n crearea unei IA puternice este mic. Aproape toate simulrile
inteligenei se bazeaz pe reguli i algoritmi obinuii, existnd un progres doar
n domeniul celei slabe (de exemplu, la recunoaterea verbal i a scrisului, la
traducerea automat dintr-o limb n alta sau la jocul de ah).
Noile previziuni ale experilor se bazeaz pe aa-numita legea lui Moore19
(numrul de tranzistori pe un circuit integrat se va dubla la fiecare 18 luni, prin
urmare i puterea de calcul), lege care nu a fost contrazis n ultimii 30 de
ani i poate c va mai fi valabil nc 5-10 ani. Pentru viitor se sper c noile
tehnologii (cuantice, optice, holografice, nanotehnologiile .a.) vor permite
meninerea creterii exponeniale, astfel c n maximum 20 de ani computerele
s depeasc puterea de procesare a creierului uman (vezi: Singularitate
tehnologic20). Unul dintre principalii susintori ai acestei ipoteze, pe lng
18

Glea D., Leon F., Inteligen artificial, http://eureka.cs.tuiasi.ro/~fleon/curs_ia.htm, 2007.


http://en.wikipedia.org/wiki/Moore%27s_law, accesat la 18.10.2008
20
http://ro.wikipedia.org/wiki/Singularitate_tehnologic%C4%83, accesat la 18.10.2008
19

Ioan Dziac, Inteligen artificial, 2008

47

Vernor Vinge21, este cunoscutul expert Raymond Kurzweil22 cu a sa celebr lege


a ntoarcerilor accelerate. ns aceste consideraii sunt n general de natur
cantitativ, neglijnd din pcate nenumratele faete calitative ale inteligenei
umane.
O alt latur a IA studiaz animalele i aici, n special insectele, care sunt
mai uor de emulat de roboi. Totui nc nu au putut fi create modele
computaionale satisfctoare pentru simularea inteligenei animalelor.
n 1961, John Lucas23 (n. 1929) a argumentat n lucrarea sa Mini, maini
i Gdel c mintea unui matematician nu poate fi reprezentat printr-un
algoritm, bazndu-se pe teorema incompletitudinii a lui Gdel: Nu exist
sisteme formale care s fie i consistente (ne-contradictorii) i complete .

1.3.3. Istoricul IA
Contribuii remarcabile n istoria IA:
Geoge Boole (1815-1864): a pus bazele matematice ale calculatoarelor
(algebra boolean, logica boolean);
2. Alan Turing (1912-1954): considerat ca primul printe al IA (test
Turing, maina Turing etc.);
3. Warren S. McCulloch (1899-1969): considerat de unii ca al doilea
printe al IA (reele neurale, poker chip);
4. Walter Pitts;
5. John McCarthy (n. 1927): a dat numele i prima definiie pentru IA,
contribuii (Lambda Calculus, Lisp);
6. Allen Newell;
7. Herbert Simon;
8. Marvin Minsky;
9. Lotfi A. Zadeh (n. 1912)
10. .a.

1.

nc din Antichitate exist urme ale IA. Primul sistem expert se


consider a fi un papirus egiptean din sec. III . Hr., care consta n 48 de
observaii privind tratarea rnilor la cap. Cunotinele erau organizate sub forma
unor reguli, dac are loc un anumit simptom, atunci se aplic un anumit
tratament. Aceast realizare se bazeaz pe o invenie crucial a omului, scrisul,
prin care obiectele fizice ale lumii reale pot fi manipulate n mod simbolic. Dar
nc mai devreme, din sec. IV . Hr., Aristotel a descoperit logica silogistic,
primul sistem formal de raionament deductiv, bazat pe logica binar.
21

http://en.wikipedia.org/wiki/Vernor_Vinge, accesat la 18.10.2008


http://en.wikipedia.org/wiki/Ray_Kurzweil, accesat la 18.10.2008
23
http://en.wikipedia.org/wiki/John_Lucas_(philosopher) accesat la 18.10.2008
22

48

Ioan Dziac, Inteligen artificial, 2008

n perioada Renaterii, n sec. XVII, Blaise Pascal realizeaz un


calculator mecanic pentru adunri i scderi, perfecionat apoi de Leibniz pentru
efectuarea nmulirii i mpririi.
n 1928 John von Neumann, a demonstrat teorema minimax,
fundamental n teoria jocurilor.
n 1941 apare primul calculator programabil funcional: Z3, construit de
Konrad Zuse.
John von Neumann este cunoscut ca i autor al principiilor de funcionare
a unui calculator, aplicate apoi n 1945 la construcia lui ENIAC.
n 1948 apare primul calculator comercial, Mark 1, creat de Howard
Aiken24.
n 1943 Waren McCulloch i Walter Pitts concep o arhitectur inteligent
bazat pe reele neuronale artificiale.
Termenul de Inteligen Artificial a fost lansat n 1956 de John
McCarty la o conferin de la Dartmouth College.
Tot n 1956 Allan Newell25 i Herbert Simon26 elaboreaz un program care
simuleaz raionamentul uman, General Problem Solver, un program bazat pe
paradigma logicii predicative.
n 1965 Lotfi A. Zadeh a introdus noiunea de mulime fuzzy, care a a
avut un impact deosebit n dezvoltarea IA. La nceput, principala preocupare a
fost n analiza sistemelor, analiza deciziilor i sisteme informaionale. n
prezent, Zadeh se ocup de logica fuzzy (pe care a introdus-o n 1973), calcul
bazat pe cuvinte (word computing) i sintagma soft computing, care mbin
logica fuzzy, reele neuronale, programarea evolutiv i calculul probabilistic.
Principiul de baz n "soft computing" este c, n general, soluiile cele mai
bune pot fi obinute prin combinarea metodelor constitutive ale soft-computingului, dect prin folosirea unei singure metode.
Soft Computing (SC), spre deosebire de calculul convenional (hard
computing) este tolerant la imprecizie, incertitudine, adevr parial i
aproximare. Rolul de model pentru SC este mintea (creierul) omului.
Principalele componente implicate n Soft Computing sunt logica fuzzy (Fuzzy
Logic), calculul neural (Neural Computing), calculul evolutiv (Evolutionary
Computation), Machine Learning i gndirea probabilistic (Probabilistic
Reasoning), reele bayesiene (belief networks), teoria haosului (chaos theory) i
pri din teoria nvrii (learning theory). De reinut c SC nu este un
nlocuitor, ci mai degrab exist un parteneriat n care fiecare partener
contribuie cu metodologia sa pentru a aborda problemele din domeniul
respectiv. Din aceast perspectiv principala metodologie n SC este mai
degrab complementaritatea dect competiia. De altfel, SC poate fi privit ca o
24

http://en.wikipedia.org/wiki/Harvard_Mark_I
http://en.wikipedia.org/wiki/Allen_Newell
26
http://www.psy.cmu.edu/psy/fAculty/hSimon/hsimon.html
25

Ioan Dziac, Inteligen artificial, 2008

49

component fundamental a inteligenei conceptuale. Aplicarea cu succes a SC


sugereaz c succesul su va fi n cretere n viitor.
Primele lucrri recunoscute n cmpul IA au fost prezentate de Warren
McCulloch i Walter Pitts n 1943. Ei au propus un model de reele neurale
artificiale n care fiecare neuron era considerat un status binar, adic o condiie
deschis sau nchis. Ei au demonstrat c modelul lor de reea neural era, de
fapt, echivalentul mainii Turing i au demonstrat c orice funcie calculabil ar
putea fi calculat de o reea de neuroni conectai. Ei au artat de asemenea c
astfel de structuri de reea simple pot nva.
Modelul reelei neurale, stimulat att teoretic, ct i experimental, a fost
creat pentru a modela creierul n laborator. Experimentele au demonstrat n mod
clar c modelul binar de neuroni nu era corect. De fapt, un neuron are
caracteristici puternic neliniare i nu poate fi considerat ca un simplu dispozitiv
cu dou statusuri. Mai mult, McCulloch, considerat al doilea fondator a IA
dup Alan Turing, a creat piatra de cpti a calculului neural i a reelelor
neurale artificiale. Dup un declin n anii 70, ideile sale revin n for la sfritul
anilor 80.
Primii ani ai IA sunt caracterizai printr-un entuziasm enorm, mari idei i
succes foarte limitat. Doar cu civa ani nainte, calculatoarele au fost introduse
pentru a realiza calcule matematice, dar cercettorii IA au demonstrat c,
calculatoarele ar putea face mai mult dect atta. A fost o er a marilor
ateptri.
n 1958, John McCarthy a prezentat o lucrare, Programe cu raiune n
care a propus un program intitulat ntreprinztorul de sfaturi pentru cutarea
de soluii pentru problemele generale ale lumii. McCarthy a demonstrat c acest
program putea genera, de exemplu, o hart pentru a conduce pn la aeroport,
bazndu-se pe nite axiome simple. Dar cel mai important lucru, programul era
astfel fcut nct putea accepta noi axiome, sau cu alte cuvinte, noi cunotine,
n diferite domenii de expertiz fr a fi nevoie s fie reprogramat. Astfel acest
program a fost primul sistem complet bazat pe cunotine ce incorpora
principiile centrale a reprezentrii cunotinelor i a raiunii.
Marvin Minsky s-a axat pe logica formal i a dezvoltat o perspectiv de
viitor anti logic asupra reprezentrii cunotinelor i raionalizarea acestora.
Teoria lui, din 1975, a fost de asemenea o alt mare contribuie la ingineria
cunotinelor.
Au fost continuate lucrrile timpurii asupra calculului neural i a reelelor
neurale artificiale. Metodele de nvare au fost mbuntite, iar Frank
Rosenblatt a demonstrat teorema convergenei perceptronilor ce demonstra
c algoritmul su de nvare ar putea ajusta fora de conectare a unui
perceptron.
Unul dintre cele mai ambiioase proiecte ale erei a fost Rezolvatorul
Problemelor Generale, dezvoltat de Allen Newell i Herbert Simon, prin care

50

Ioan Dziac, Inteligen artificial, 2008

se dorea un program care s simuleze metodele umane de rezolvare a


problemelor. Acest program a fost primul prin care s-a ncercat separarea
tehnicilor de rezolvare a problemelor de date. S-a bazat pe tehnica acum
cunoscut ca analiza sfritului mediei. Cei doi au afirmat c o problem ce
trebuie rezolvat poate fi definit n termeni de stri. Analiza sfritului mediei
a fost folosit pentru a determina diferena dintre starea curent i starea dorit
sau starea int a problemei, i pentru alegerea i aplicarea operatorilor
necesari pentru atingerea strii int. Dac nu se putea ajunge direct la starea
int, atunci se mai aduga o stare mai apropiat de starea int, procedeul
repetndu-se pn cnd se ajungea la starea int. Mulimea operatorilor
determina planul soluiei. Dar acest program a euat cnd s-a dorit rezolvarea
unor probleme mai complicate.
Se poate ca cea mai important dezvoltare n anii 70 s fie realizarea c
domeniul problemei pentru mainile inteligente trebuie s fie suficient de
restricionat. nainte cercettorii IA credeau c algoritmi detepi de cutare i
tehnici de raionament ar putea fi inventate pentru a emula metode generale,
umane de rezolvare a problemelor. Un mecanism de cutare pentru un scop
general s-ar baza pe pai de raionament elementar pentru a gsi soluii
complete i ar putea folosi cunotine slabe despre domeniu. Dar, cnd metodele
slabe au euat, cercettorii au neles n sfrit c singura cale de a livra
rezultate practice era rezolvarea cazurilor tipice n arii limitate de expertiz prin
realizarea de pai de raionament mari. n aceast perioad apar programe cum
ar fi DENDRAL (prin care se dorea expertiza solului pe Marte), MYCIN
(sistem expert bazat pe reguli pentru diagnosticarea bolilor de infecii ale
sngelui), PROSPECTOR (sistem expert pentru explorarea mineral).
Sistemele expert menionate mai sus au fost realizate cu limbaje ale IA, cum ar
fi: LISP, PROLOG sau OPS.
La mijlocul anilor 80, cercettori, ingineri i experi au descoperit c,
construirea unui sistem expert necesit mai mult dect cumprarea unui sistem
de raionament sau shell-ul unui sistem expert i punerea n el a mai multor
reguli. Deziluzia dat de aplicabilitatea tehnologiei sistemelor expert a dus chiar
la prezicerea unei ierni cu nghearea proiectelor IA. Cercettorii IA au decis
s se axeze pe reelele neurale. Datorit necesitii procesrii informaiei
asemntoare cu cea a creierului i, odat cu progresul din tehnologia
calculatoarelor i n neuro-tiine, reelele neurale au experimentat o renatere
dramatic. Acum apar teoria rezonanei adaptive ce a stat la baza unei noi clase
de reele neurale, reelele Hopfield reele neurale cu feedback, etc.

Ioan Dziac, Inteligen artificial, 2008

51

1.3.4. Domeniile de cercetare i aplicaie ale IA


1.3.4.1. Raionamentul logic
Raionamentul logic sau raionamentul simbolic se bazeaz pe teoria
logico-matematic clasic i analizeaz modul n care pot fi derivate cunotine
noi din cele existente, n mod deductiv, pe baza unor reguli de inferen. Ca i
cursuri pregtitoare pentru studiul IA se recomand un curs de logic
computaional. Ca aplicaii, putem aminti limbajele declarative Lisp, Prolog i
Clips sau sistemele de demonstrare automat a teoremelor.
1.3.4.2. Reprezentarea cunoaterii
Este un domeniu fundamental al IA, deoarece studiaz modalitile n
care cunotinele din lumea real pot fi exprimate i simbolizate n vederea
manipulrii computaionale. Alegerea optim a metodei de reprezentare a
cunotinelor reprezint un pas important n construirea unui sistem bazat pe
cunotine corect i eficient.
Prin reprezentarea cunotinelor se nelege descrierea i codificarea unor
obiecte (entiti) care aparin unui domeniu particular de aplicare a unei forme
de raionament artificial. Definiia se refer la dou aspecte complementare ale
reprezentrii cunotinelor, exprimarea i, respectiv, manipularea cunotinelor.
Cunotinele sunt exprimate ntr-un limbaj formal, numit limbaj de descriere a
cunotinelor. Limbajul dispune de o sintax care cuprinde un ansamblu de
expresii valide n termenii limbajului i de o semantic prin care se atribuie
sensul formulelor sintactice utilizate ntr-un context particular. Manipularea
cunotinelor consta n aplicarea unor proceduri de organizare i utilizare a
cunotinelor reprezentate formal.
Principalele familii de metode formale (formalisme) de reprezentare a
cunotinelor, considerate n prezent suficient de consolidate din punct de
vedere teoretic pentru a permite dezvoltarea unor aplicaii complete de gestiune
a bazelor de cunotine, sunt:
reelele semantice,
logicile terminologice,
reprezentarea orientata obiect,
grafurile conceptuale.
Fiecare dintre aceste formalisme propune mecanisme concrete de formalizare
(exprimare si manipulare) a cunotinelor.

52

Ioan Dziac, Inteligen artificial, 2008

1.3.4.3. Percepia
Cerceteaz reprezentarea ntr-o form accesibil din punct de vedere
computaional a stimulilor care provoac reacii la nivelul organelor senzoriale
umane, cum ar fi percepia vizual i percepia auditiv. De exemplu, sistemul
inteligent Optical Character Recognition (OCR)27 poate efectua
recunoaterea scrisului de tipar sau de mn.
1.3.4.4. Calcul evolutiv. Algoritmi genetici
Studiaz modul n care soluia poate fi gsit prin mecanisme inspirate
din procesele de evoluie biologice, din aa numitul calcul natural.
n general, orice sarcin abstract care trebuie ndeplinit poate fi privit
ca fiind rezolvarea unei probleme, care, la rndul ei, poate fi perceput ca o
cutare n spaiul soluiilor poteniale. Deoarece, de regul, cutm cea mai
bun soluie, putem privi acest proces ca fiind un proces de optimizare. Pentru
spaii reduse, metodele clasice exhaustive sunt suficiente; pentru spaii mai
mari, pot fi folosite tehnicile speciale ale IA.
Metodele calculului evolutiv se numr printre aceste tehnici; ele folosesc
algoritmi ale cror metode de cutare au ca model cteva fenomene naturale:
motenirea genetic i lupta pentru supravieuire.
Cele mai cunoscute tehnici din clasa calculului evolutiv sunt:
algoritmii genetici,
strategiile evolutive,
programarea genetic,
programarea evolutiv.
Exist i alte sisteme hibride care ncorporeaz diferite proprieti ale
paradigmelor de mai sus; mai mult, structura oricrui algoritm de calcul
evolutiv este, n mare msur aceeai.
Algoritmii genetici au aprut n jurul anului 1950, cnd mai muli biologi
au folosit calculatoarele pentru simularea sistemelor biologice. Rezultatele
muncii au aprut dup 1960, cnd la Universitatea din Michigan, sub
ndrumarea lui John Holland28, algoritmii genetici au aprut n forma n care
sunt cunoscui azi. Dup cum rezult i din denumire, algoritmii genetici
folosesc principii din genetic natural. Cteva principii fundamentale ale
geneticii sunt mprumutate i folosite artificial pentru a construi algoritmi de
cutare, care sunt robuti i au marele avantaj c cer informaii minime despre
problem. Algoritmii genetici au fost inventai folosind modelul procesului de
27
28

http://en.wikipedia.org/wiki/Optical_character_recognition
http://en.wikipedia.org/wiki/John_Henry_Holland

Ioan Dziac, Inteligen artificial, 2008

53

adaptare. Ei opereaz, n principal, cu iruri binare i folosesc un operator de


recombinare i unul de mutaie.
1.3.4.5. Reele neurale
Reelele neurale se bazeaz pe analogia cu modul de organizare a
sistemului nervos uman pentru nmagazinarea implicit a cunotinelor i pentru
efectuarea unor procese de nvare i generalizare n condiii de informaii
incomplete sau afectate de perturbaii de recepie. Sunt sisteme paralele,
distribuite, cu capacitatea de a nva pe baz de exemple. Reelele neurale
caracterizeaz ansambluri de elemente de procesare simple, puternic
interconectate i opernd n paralel, care urmresc s interacioneze cu mediul
nconjurtor ntr-un mod asemntor creierelor biologice i care prezint
capacitatea de a nva. Nu exist o definiie general acceptat a acestor tipuri
de sisteme, dar majoritatea cercettorilor sunt de acord cu definirea reelelor
artificiale ca reele de elemente simple puternic interconectate prin intermediul
unor legturi numite interconexiuni prin care se propag informaie numeric.
Originea acestor reele trebuie cutat n studierea reelelor bioelectrice din
creier formate de neuroni i sinapsele acestora. Principala trstur a acestor
reele este capacitatea de a nva pe baz de exemple, folosindu-se de
experiena anterioar pentru a-i mbunti performanele. Dei se aseamn n
funcionare cu creierul uman, reelele neuronale au o structur diferit de cea a
creierului. O reea neural este mult mai simpl dect corespondentul uman, dar
la fel ca i creierul uman, este compus din uniti puternice de calcul, mult
inferioare ns corespondentului uman, neuronul.

Figura 1.3.1. Schema unei reele neurale

54

Ioan Dziac, Inteligen artificial, 2008

1.3.4.6. Teoria jocurilor


Studiaz strategiile pe care trebuie s le urmeze ntr-o confruntare cu
reguli bine definite doi sau mai muli concureni ale cror interese nu coincid.
n exemplele virtuale imaginate de diveri teoreticieni, prin joc se nelege o
situaie care implic doi sau mai muli decideni, numii juctori care sunt pui
n faa situaiei de a-i alege o strategie pentru a-i maximiza recompensele
primite ca urmare a propriilor aciuni raportate la mutrile celorlali. n aceste
jocuri, juctorii au interese opuse, n totalitate sau parial, acest aspect cauznd
un anumit comportament i o anumit strategie n abordarea jocului. Strategiile
sau combinaiile de strategii ale juctorilor sunt recompensate cu un anumit
punctaj. La finalul jocului are loc o comparare a rezultatelor i o corelare a
acestora cu strategiile efectuate.
1.3.4.7. nvarea automat (Machine learning)
nvarea automat (Machine learning) este un domeniu de baz al IA,
care se ocup de dezvoltarea de algoritmi i metode ce permit unui sistem
informatic s nvee date, reguli i chiar algoritmi. Machine learning este axat
pe proiectarea i dezvoltarea de algoritmi i tehnici care permit calculatoarelor
s nvee prin metode inductive sau deductive. Mainile de nvat inductive
extrag reguli i forme din blocuri masive de date.
Cele mai importante aplicaii pentru machine learning sunt:
1. procesarea limbajului natural;
2. recunoaterea sintactic a formelor;
3. recunoaterea obiectelor;
4. instrumente de cutare;
5. diagnoz medical;
6. bioinformatic;
7. detectarea fraudelor informatice;
8. voce electronic;
9. micarea roboilor;
10. jocuri etc.
nvarea automat presupune, n primul rnd, identificarea i
implementarea unei modaliti ct mai eficiente de a reprezenta informaii, n
sensul facilitrii cutrii, reorganizrii i modificrii lor. Alegerea modului de a
reprezenta aceste date ine att de concepia general asupra modului de
rezolvare a problemei, ct i de caracteristicile datelor cu care se lucreaz.

Ioan Dziac, Inteligen artificial, 2008

55

1.3.4.8. Ageni inteligeni


Un agent inteligent29 este o entitate autonom (program, robot etc.), care
achiziioneaz date i cunotine i acioneaz pe baza acestora. Agenii
inteligeni sunt programe adaptive i autonome care pot fi folosite n vederea
crerii de software ce rezolv anumite sarcini (task-uri) n numele unui anumit
utilizator, bazndu-se pe instruciuni explicite sau implicite din partea acestuia.
Agenii inteligeni pot facilita interaciunea om-computer prin :
ascunderea complexitii task-urilor dificile,
realizarea de task-uri (aciuni) laborioase,
conducerea unor tranzacii n numele utilizatorului,
pregtire i nvare,
oferirea de ajutor unor anumii utilizatori n vederea colaborrii
acestora,
monitorizarea de evenimente si proceduri diverse.
Agenii inteligeni opereaz n cadrul unui mediu software cum ar fi
sistemele de operare, bazele de date sau reelele de calculatoare. Tehnologia
aflata n spatele agenilor inteligeni este o combinaie de tehnici din domeniul
IA i de metodologii de dezvoltarea sistemelor, cum ar fi programarea orientat
obiect, care permite programelor s nvee din si sa reacioneze la mediul
nconjurtor. Agenii inteligeni interacioneaz cu mediul din care fac parte
prin criterii de selecie a datelor bazate pe reguli. Un agent inteligent i
dezvolt reguli corespunztoare prin intermediul instruciunilor explicite
furnizate de utilizator, prin imitarea utilizatorului, prin feedback (rspuns)
pozitiv sau negativ primit de la utilizator i prin indicaii obinute n urma
interacionrii cu ali ageni.
Exist dou tipuri de ageni inteligeni:

29

Agent simplu: varietatea cea mai comun de agent este agentul care
este construit cu scopul de a nva i de a prelucra permanent
sarcini de rutin sau repetitive ale utilizatorului. Un astfel de agent
poate recunoate, de exemplu, c utilizatorul ignor n mod constant
e-mail-urile provenind de la un anumit expeditor i terge automat
un astfel de e-mail cnd acesta sosete (utilizatorul nici mcar nu
afl c a primit un astfel de e-mail, el nefiind reinut n Inbox).

Agent de tipul fire-and-forget: un utilizator poate instrui un


agent pentru a gsi anumite informaii, urmnd ca apoi s-l trimit
n cutarea acestor informaii. De exemplu, agentul inteligent astfel
instruit poate fi lansat n reea, iar el i poate croi drumul spre
sistemul de computere al renumitei Bibiloteci a Congresului SUA,

http://en.wikipedia.org/wiki/Intelligent_agents

Ioan Dziac, Inteligen artificial, 2008

56

cu scopul de a cerceta/ntreba, dac i unde se poate afla informaia


pe care el o caut. Utilizatorul este astfel eliberat de laborioasa
sarcina de a cuta pe Internet informaia ce-l intereseaz, lucrul
acesta fiind realizat de ctre agentul su inteligent, care, dup un
anumit timp, poate chiar cteva zile, i va furniza rezultatul cutrii.
n acest timp, utilizatorul se poate concentra asupra unor probleme
creative, de exemplu. Sarcinile de rutin vor fi controlate i efectuate
de ctre un astfel de agent. Alte operaiuni pe care le poate efectua
un agent inteligent tip fire-and-forget ar fi: programarea de
ntlniri (scheduling appointments), realizarea de cumprturi pe
pieele electronice, sesizarea apariiei anumitor oportuniti (n care
utilizatorul este interesat) i alertarea, eventual i remedierea
automat, a problemelor de software.
Din punctul de vedere al aptitudinilor de mobilitate ale unui agent, avem
de asemenea dou categorii:

Ageni statici: nu-i pot prsi locul i nu pot traversa prin reea
pentru a ajunge la alte servere i nu pot comunica nici cu agenii
aflai n acelai mediu;

Ageni mobili: ei fiind caracterizai din punct de vedere formal ca


fiind obiecte ce posed comportament, stare i locaie. n vederea
realizrii sarcinii ce i s-a ncredinat, un agent din aceast categorie
poate prsi site-ul pentru care a fost creat i poate naviga prin reea,
n fiecare moment el identificndu-se printr-o anumit locaie (siteul pe care a ajuns), un anumit comportament (task-ul pe care l
realizeaz n acea situaie/stare) i starea corespunztoare.

n finalul introducerii am reprodus un text din [Br02], care poate lmuri


mai clar sensul noiunii de agent inteligent i noiunea de agentitate.
1.3.4.9. Sisteme expert
Un sistem expert este un program care urmrete un grup de cunotine
pentru obinerea n acelai mod ca i experii umani a rezultatelor despre
activiti dificil de examinat sau executat. Principala caracteristic a sistemelor
expert este derivat dintr-o baz de cunotine, mpreun cu un algoritm de
cutare specific metodei de raionare. Un sistem expert trateaz cu succes
probleme pentru care o soluie algoritmic clar nu exist. Ceea ce este
remarcabil pentru sistemele expert este aria de aplicabilitate ce a cuprins multe
domenii de activitate, economie, industrie, nvmnt, medicin etc.

Ioan Dziac, Inteligen artificial, 2008

57

1.3.4.10. Sisteme fuzzy


Bazate pe logica fuzzy, sistemele fuzzy sunt considerate un caz particular
al sistemelor expert (motiv pentru care mai sunt denumite i sisteme expert
fuzzy) care ofer o metod flexibil pentru tratarea incertitudinii. Logica fuzzy,
datorat lui Lotfi A. Zadeh, ofer instrumentele necesare pentru reprezentarea
n sistemele inteligente a unor concepte imprecise cum sunt mare, mic,
scump, ieftin .a., concepte numite variabile lingvistice sau variabile fuzzy.
Pentru reprezentarea acestora se folosesc seturile fuzzy, care capteaz din punct
de vedere cantitativ interpretarea calitativ a termenilor. Japonia este ara cu
cele mai multe sisteme fuzzy implementate, mai ales n domeniile urmririi
produciei i al vnzrilor. De asemenea, multe sisteme fuzzy au fost
ncorporate n unele dintre bunurile de larg consum: maini de splat, cuptoare
cu microunde, aparate foto, aparate de aer condiionat i pn la nave cosmice.
Vom reveni asupra logicii fuzzy n capitolul urmtor.

1.3.5. Sisteme i maini inteligente


1.3.5.1. Deep Blue
Deep Blue, un computer de la firma IBM care joac ah, l-a nvins pe
campionul modial din caea vreme, Gari Kasparov, n celebrul meci n 1997 .

Figura 1.3.2. Garry Kasparov jucnd ah mpotriva programului (mainii) Deep Blue30

30

http://en.wikipedia.org/wiki/Artificial_intelligence, 18.10.2008

Ioan Dziac, Inteligen artificial, 2008

58

1.3.5.2. Sisteme de traducere automat


Sistemele de traducere automate, precum SYSTRAN31, LingoSoft32 sau
Language Weaver33 sunt folosite pe anumite domenii restrnse, dar rezultatele
nu se compar cu traducerea uman.
1.3.5.3. Optical Character Recognition
Optical Character Recognition (OCR)34 sunt sisteme inteligente pentru
recunoaterea scrisului de tipar sau de mn.35
1.3.5.4. DENDRAL
Dendral36 este considerat un sistem expert de pionierat, conceput pentru
chimiti. Din Denral au derivat alte sisteme, precum MYCIN, MOLGEN,
MACSYMA, PROSPECTOR, XCON i STEAMER.
1.3.5.5. Roboi
Un robot este un agent inteligent. n practic, robotul este un sistem
electro-mecanic sau doar un sistem virtual, care, prin efecte, gesturi sau micri,
execut aciuni pentru care a fost proiectat ca agent sau agentitate.
Mai nou se vorbete deja de colonii de roboi [Lef08], constnd ntr-o
mulime de roboi simpli, care funcioneaz dup nite reguli simple, dar
mpreun produc o inteleigen de tip emergent.

Figura 1.3.3. Robotul ASIMO nzestrat


cu senzori inteligeni pentru a trece
peste obstacole37
31

Figura 1.3.4. Robotul Kismet


(cu deprinderi sociale rudimentare)38

http://www.systran.co.uk/
http://www.lingvosoft.com/
33
http://www.languageweaver.com/home.asp
34
http://www.ocr.org.uk/index.html
35
http://en.wikipedia.org/wiki/Optical_character_recognition
36
http://en.wikipedia.org/wiki/Dendral
32

Ioan Dziac, Inteligen artificial, 2008

59

1.3.6. Computere SPRAY: praf inteligent, vopsea inteligent


La nceput, conceptul de computere SPRAY a aprut ca un sistem de
reele n care acestea ar putea fi puse la dispoziia utilizatorilor sub form de
doze de aerosoli (cu praf sau vopsea) pentru a fi aplicate pe diferite obiecte
pentru a le mri funcionalitatea: materiale auto-reparante, haine inteligente etc.
Stadiul tehnologic actual nc nu permite implementarea unor astfel de reele,
dar principiile de miniaturizare, control descentralizat i auto-administrare ale
sistemelor SPRAY sunt aplicate cu succes n domeniul reelelor de senzori cu
auto-organizare, formare ad-hoc: reele de dispozitive mobile, reele de microcomputere care se ntind pe o suprafa de civa metri ptrai, reele de
dispozitive conectate la Internet care acoper suprafee mult mai mari, cum ar fi
reelele metropolitane .a.
Principiile computerelor SPRAY sunt aplicate n toate domeniile reelelor
cu auto-organizare, la trei nivele:
Nivel microscopic: computere SPRAY adevrate (proiectul Smart Dust
dezvoltat la Berkeley39);
Nivel mediu: computere handheld i haine inteligente (wearable
computers);
Nivel global: calcul global (o infrastructura distribuit programabil,
disponibila la scara intregii lumi).

37

http://en.wikipedia.org/wiki/Artificial_intelligence
http://en.wikipedia.org/wiki/Artificial_intelligence
39
Smart Dust, Autonomous sensing and communication in a cubic millimeter; on-line:
http://robotics.eecs.berkeley.edu/~pister/SmartDust/
38

60

Ioan Dziac, Inteligen artificial, 2008

Michio Sugeno
(autorul inferenei Sugeno din logica fuzzy, al doilea din stnga, SOFA 2007)

Ioan Dziac, Inteligen artificial, 2008

61

CAPITOLUL 2
SOFT COMPUTING
Rezumat. Prin Soft Computing putem rezolva probleme care conin noiuni
inexacte, n care intervin date incerte, mrimi imprecise, variabile lingvistice
sau adevruri pariale, numite i PROBLEME RU-PUSE, probleme
care nu pot fi rezolvate prin calculul tradiional (numit prin opoziie i Hard
Computing, destinat rezolvrii PROBLEMELOR BINE PUSE). Dup
clasificarea dat prima dat de ctre Zadeh, Logica fuzzy (Fuzzy Logic40)
mpreun cu Raionamentul probabilist/Reele bayesiene (Probabilistic
Reasoning/
Bayesian
Networks),
prin
utilizarea
Calcului
Evolutiv/Algoritmilor Genetici41 (Evolutionary Computation/Genetic
Algorithms) pe Reelele Neurale42 i Teoria nvrii/ nvarea automat
(Learning Theory/ Machine Learning), formeaz un nou stil de calcul, numit
SOFT COMPUTING43. Ulterior s-au inclus aici i Teoria haosului (Chaos
Theory).
Deci, n acest capitol vom descrie pe scurt urmtoarele pri ale SOFT
COMPUTING-ului:
2.1. Raionament nuanat. Logic fuzzy;
2.2. Calcul neural. Reele neurale. Reele neuro-fuzzy;
2.3. Calcul evolutiv. Algoritmi genetici;
2.4. Raionament probabilist. Reele bayesiene;
2.5. Teoria nvrii. Machine Learning;
2.6. Teoria haosului. Fractali.

40

Termen introdus n 1973 de Lotfi A. Zadeh, http://www.cs.berkeley.edu/~zadeh/


n 1975 John Holland, inspirat de teoria evoluiei a lui Darwin, a pus bazele
ALGORITMILOR GENETICI moderni. Dar exist contribuii premergtoare n domeniu ale
unor biologi sau informaticieni: Barriceli (1954), Bremermann (1960), Fraser i Burnell (1970),
Crosby )1973) .a. De multe ori, algoritmii genetici se bazeaz pe modele de tip SWARM
INTELLIGENCE, de inspirate din inteligena natural emergent a unor grupuri de insecte,
cum ar fi cea a COLONIILOR DE FURNICI.
42
Prin anii 40, Warren McCulloch i Walter Pitts, inspirai de teoria nvrii condiionate a lui
Pavlov, au pus bazele REELELOR NEURONALE, capabile s nvee pe baza anumitor reguli
simple. Ulterior au adus contribuii Hebb (spresftul anilor40, Rosenblat (PERCEPTRON,
1950), Minsky i Papert (PERCEPTRONI, 1969) .a.
43
...the principal constituents of Soft Computing (SC) are Fuzzy Logic (FL), Neural
Computing (NC), Evolutionary Computation (EC) Machine Learning (ML) and Probabilistic
Reasoning (PR), http://www.soft-computing.de/def.html
41

Ioan Dziac, Inteligen artificial, 2008

62

2.1. Raionament nuanat. Logic fuzzy


2.1.1. Generaliti
Logica este tiina demonstraiei al crei obiect este stabilirea condiiilor
corectitudinii gndirii, a formelor i a legilor generale ale raionrii corecte,
conforme prin ordinea ideilor cu organizarea logic a realitii obiective.
Logica clasic este logica de tradiie aristotelic, care studiaz formele
logice fundamentale (noiunea, judecata, raionamentul), precum i principiile
gndirii. Legea terului exclus a lui Aristotel a fcut imposibil o a treia variant
a valorii de adevr a unei propoziii, n afar de adevrat sau fals, ceea ce este
n dezacord cu logica bunului sim, cu logica comun cu care este nzestrat
i conform creia acioneaz omul n viaa real.
Logic matematic (simbolic) este o ramur a logicii care cerceteaz
operatorii logici i care are ca obiect aplicarea metodelor matematice n
domeniul logicii formale, n informatic, electronic, cibernetic, lingvistic
etc.
Logica boolean (binar, bivalent) consider valoarea de adevr a
propoziiilor, doar n termeni de adevrat (1) sau fals (0).
Dac propoziia P este adevrat, vom nota valoarea de adevr cu
p=truth(P) i vom avea:
p=truth(P)=1.
Dac propoziia Q este fals, vom nota valoarea de adevr tot cu
q=truth(Q) i vom avea:
q=truth(Q)=0.
Deci, mulimea valorilor de adevr n logica boolean (George Boole),
este:
B2={0,1},
unde simbolurile 0 i 1 nu au neaprat o semnificaie numeric.
Pe mulimea propoziiilor cu valori de adevr n B2 putem defini
operatorii NOT, AND i OR, astfel:
1, truth ( P ) = 0
,
truth( NOT ( P )) =
0, truth ( P ) = 1
0, truth ( P) = 0 , truth (Q ) = 1
,
truth( AND ( P, Q ) =
1, altfel
0, truth( P ) = 0 , truth(Q) = 0
.
truth(OR ( P, Q) =
1, altfel

Ioan Dziac, Inteligen artificial, 2008

63

Logica binar este guvernat de dou principii:


1) Principiul contradiciei:
truth( AND ( P, NOT ( P )) = 0 i

2) Principiul terului exclus:


truth(OR ( P, NOT ( P )) = 1 .

De multe ori omul nu poate rspunde categoric la o anumit ntrebare


doar cu DA sau NU, nu poate percepe culorile doar n ALB sau NEGRU, nu
poate pune o tampil categoric de BUN sau RU peste orice obiect, adic nu
ntotdeauna poate afirma categoric c o propoziie este adevrat 100% sau
fals 100%.
Paradoxul lui Bertrand Russel. ntr-o localitate exist un singur frizer care
brbierete pe toi cei care nu se brbieresc singuri. Propoziia P: Brbierul se
brbierete singur produce un paradox n logica clasic, deoarece, dac
brbierul nu se brbierete singur ( truth( NOT ( P) = 1 ), atunci, el brbierind pe
toi cei care nu se brbieresc singuri avem i truth( P ) = 1 , adic nu funcioneaz
principiul contradiciei.
Anticipnd logica fuzzy, acest paradox poate fi eliminat utiliznd
operatorii fuzzy NOT, AND, OR:
Fie propoziia P cu valoarea de adevr p=truth(P) n intervalul compact [0, 1].
Putem defini operatorii logici fuzzy:
truth( NOT ( P )) = 1 p ,
truth( AND ( P, Q )) = min( p, q ) ,
truth(OR ( P, Q )) = max( p, q ) .
n acest contextul paradoxul lui Betrand Russel este eliminat. Fie propoziia P:
Brbierul se brbierete singur i NOT(P): Brbierul nu se brbierete
singur. Avem:
trutht ( NOT ( P ) = truth( P ) = p ,
dar truth( NOT ( P )) = 1 p ,
deci p = 1 p p = 0.5 .
O anecdot44: Cum i-a dat seama Sherlock Holmes c logica boolean este bun,
dar uneori inutil. Cic n coul unui aerostat, luat de vnt i ce pierdea din nlime,
se aflau Sherlock Holmes i doctorul Watson. Cltorii lui, n momentul cnd
pierduser orice orientare, au zrit un om.
- Domnule, spunei-mi, v rog, mcar aproximativ, unde ne aflm? ntreb Holmes.
- De ce aproximativ, domnule? V pot spune precis. V aflai n coul aerostatului.
n acest moment o rafal de vnt zmuci aerostatul n sus.
- S-l ia naiba de matematician, bolmoji Holmes.
44

http://math.ournet.md/distractiva/umor/umor.html

Ioan Dziac, Inteligen artificial, 2008

64

- Sunt uimit, ca de obicei, spuse Watson, cum de ai aflat, c omul acesta este un
matematician?
- Pi, faptul este evident, zice Holmes, rspunsul lui este pe ct de exact, pe att i
de inutil.

Pe vremea cnd Sir Arthur Conan Doyle l-a creat i l-a utilizat pe
detectivul fictiv Sherlock Holmes (sf. sec. XIX - nceputul sec. XX) n
rezolvarea unor probleme criminalistice ntortocheate (de regul, n cazul
crimelor urmele se ascund, deci se lucreaz cu adevr parial, informaii
incomplete i inexacte), singura logic pe care o utilizau matematicienii era
logica clasic (binar, boolean, aristotelic), cu ajutorul creia se puteau
rezolva doar PROBLEMELE BINE PUSE, cu date certe, precise, care nu
tolereaz inexactitatea. De multe ori ns un rspuns precis la o problem nu ne
este de nici un folos [DzB09].
Este clar c o manier strict de evaluare a valorii de adevr a
propoziiilor nu coincide cu modul mult mai flexibil n care gndesc oamenii n
condiii de incompletitudine (informaie incert sau imprecis). Dac sursa de
informaie, instrumentul de msur sau expertul sunt complet siguri, demni de
ncredere, informaia este cert, n caz contrar este incert. Dac mulimea
valorilor specificate n enunul corespunztor coninutului informaiei este
neambiguu, informaia este precis.
2.1.2. Logica fuzzy
Logica fuzzy (Fuzzy Logic, Zadeh, 1973) este o logic nuanat, nonaristotelic.
Eu nu sunt matematician, sunt inginer, a subliniat printele Logicii
Fuzzy, Lotfi A. Zadeh45 (n. 1921), la conferina ICCCC 200846.

Lotfi A. Zadeh
la ICCCC 2008
45
46

Lotfi A. ZADEH este profesor la Catedra de


Computer Science din cadrul Departamentului EECS
al Universitii din California, Berkeley. n plus, este
director al BISC (Berkeley Initiative in Soft
Computing). Lotfi A. Zadeh, de formaie iniial
inginer, este absolvent al Universitii din Teheran,
MIT i al Universitii din Columbia. S-a afirmat prin
vizite la Institutul pentru Studii Avansate, Princeton,
NJ; MIT, laboratoare de cercetare IBM, San Jose, CA;
SRI International, Menlo Park, CA; i la Centrul de
studii a limbilor i informaiei, Stanford University.

http://www.cs.berkeley.edu/~zadeh/
http://www.iccc.univagora.ro

Ioan Dziac, Inteligen artificial, 2008

65

Lotfi A. Zadeh47 la ICCCC 200848, Bile Felix,


prezentnd conferina plenar invitat intitulat
A New Frontier in Computation Computation Described in Natural Language
La nceput, principala sa preocupare a fost n analiza sistemelor, analiza deciziilor i
sisteme informaionale. n prezent, profesorul Zadeh nu mai pred la catedr, dar
cltorete mult pe la diverse conferine i congrese din lumea ntreag, unde prezint
cercetrile sale legate de logica fuzzy, calcul bazat pe cuvinte (word computing) i soft
computing, care mbin logica fuzzy, reele neuronale, programarea evolutiv i
raionamentul probabilistic. Principiul de baz n "soft computing" este c, n general,
soluiile cele mai bune pot fi obinute prin combinarea metodologiilor constitutive ale
soft-computing-ului, dect prin folosirea unei singure metodologii. Lotfi A. Zadeh este
membru al IEEE, AAAS, ACM, AAAI i IFSA. Este, de asemenea, membru al
Academiei Naionale de Inginerie i Membru strin al Academiei de tiine Naturale din
Rusia. A primit medaliile IEEE Education, IEEE Richard W. Hamming, medalia de
onoare IEEE, medalia ASME Rufus Oldenburger, medalia B. Bolzano a Academiei de
tiine din Cehia, medalia the Kampe de Feriet, premiul AACC Richard E. Bellman
Central Heritage, premiul Grigore Moisil, premiul Honda, premiul Okawa, premiul AIM
Information Science, premiul SOFT Scientific Contribution Memorial al societii
japoneze pentru Teoria Fuzzy, medalia IEEE Millennium, premiul ACM 2000 Allen
Newell, precum i alte premii i doctorate onorifice. A publicat lucrri pe o gam variat
de subiecte legate de concepia, proiectarea i analiza sistemelor informaionale
inteligente, i este membru n comitetele editoriale a peste 50 de reviste de specialitate.

Un tip de logic neconvenional, premergtoare logicii de tip fuzzy, a


aprut nc din 1920, fiind propus de matematicianul polonez Jan ukasiewicz
47

n anul 2003 printele mulimilor i logicii fuzzy; Lotfi A. Zadeh, a primit titlul de Doctor
Honoris Causa al Universitii Aurel Vlaicu din Arad
48
International Conference on Computers, Communications & Control (ICCCC),
http://www.iccc.univagora.ro

66

Ioan Dziac, Inteligen artificial, 2008

(1878-1956) [uk20] [uk30] (aceast logic ia n considerare trei valori de


adevr). Contribuii deosebite n acest domeniu a avut i logicianul romn
Grigore C. Moisil (1906-1973) [Moi40] [Moi41] [Moi42] [Moi75] i
continuatorii si: George Georgescu, Sergiu Rudeanu, Afrodita Iorgulescu
[GIR06], Gheorghe Nadiu [DzA06] i alii.
Logica binar (Boole) este redat astfel: L2 = {0;1} .

n logica trivalent (ukasiewicz): L3 = 0; 1 ;1 este prezent i


2
apartenena de valoare medie 3 = 1 , cu semnificaia de apartenen
2
ndoielnic la mulimea de referin.
n logica polivalent survine necesitatea interpretrii unei mulimi de
valori logice, spre exemplu, L4 = 0; 1 ; 2 ;1 , logica tetravalent a crei
3 3
interpretare este:
1. 0 fals;
2. 1/3 nu neaprat fals;
3. 2/3 nu neaprat adevrat;
4. 1 adevrat.
Literatura citeaz o logic de detaliu, logica endecadenar:
L11 = {0; 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9;1}
ale crei elemente au urmtoarea semnificaie:
1. 0-fals;
2. 0,1-practic fals;
3. 0,2-aproape fals;
4. 0,3-destul de fals;
5. 0,4-mai mult fals, dect adevrat;
6. 0,5-nici adevrat, nici fals;
7. 0,6-mai mult adevrat dect fals;
8. 0,7-destul de adevrat;
9. 0,8-ca i adevrat;
10. 0,9-practic adevrat;
11. 1-adevrat.
Aceast ultim scal conform experilor - setul acestor 11 nivele (valori
logice) ofer suficiente informaii pentru o modelare de nalt nivel de
flexibilitate.

Ioan Dziac, Inteligen artificial, 2008

67

Un model mai puin extins, dar care se dovedete a fi un instrument de


modelare practic, mai ales n cazul sistemelor tehnice, este logica heptenar
(septuatenar):
L7 = 0; 1 ; 2 ; 3 ; 4 ; 5 ; 1 ,
6
6 6 6 6
elementelor sale fiindu-le asociat semantica:
1. 0-nesatisfctor
2. 1/6-aproape nesatisfctor
3. 2/6-puin satisfctor
4. 3/6-satisfctor
5. 4/6-bine
6. 5/6-aproape foarte bine
7. 1-foarte bine.
Un suport teoretic valoros care trateaz incompletitudinea este teoria
mulimilor fuzzy introdus n 1965 de Lotfi A. Zadeh [Zad65].
Teoria mulimilor fuzzy se utilizeaz n urmtoarele scopuri:
Modelarea incertitudinilor incertitudinea poate fi modelat prin
diferite teorii, n funcie de cauzele incertitudinii, de tipul i de cantitatea
informaiilor disponibile etc. Teoria mulimilor fuzzy este, n acest sens,
una dintre metodele care pot fi utilizate pentru a modela diferite tipuri
de incertitudini, n diferite circumstane;
Generalizare modelele si metodele clasice sunt, n mod normal, bazate
pe logica bivalent. Adesea, aceast abordare nu surprinde adecvat
realitatea. Teoria mulimilor fuzzy a fost utilizat cu precdere n scopul
relaxrii sau al generalizrii metodelor clasice, de caracterul gradual;
Simplificare tehnologia fuzzy se utilizeaz n scopul reducerii
complexitii datelor la un grad acceptabil, fie prin variabile lingvistice
sau prin analiza fuzzy a datelor;
Procesarea cunoaterii n raionamentul aproximativ, cuvintelor si
propoziiilor li se ataeaz sensuri. Motorul de inferen nu proceseaz
simboluri, ci expresii lingvistice cu un anume sens.
Tehnologia fuzzy a fost aplicat n multe din problemele tradiionale, iar
recent, a fost aplicat n domenii ca: tehnologia informaiei, telecomunicaii,
controlul traficului i n sistemele energetice.
Astfel de scale de ierarhizare (apartenen) n raport cu o anumit mulime
pot fi de tip liniar sau neliniar; de asemenea, n varianta non-crisp se prefer
scalele neliniare care conin un nivel (funcie de apartenen) de mijloc: 0,5.
Referitor la valorile de adevr (funciile de apartenen) incluse n intervalul
[0;1] , acestea nu pot fi interpretate ca probabiliti; este necesar a se face
distincia ntre conceptul de aleatorism (randomness) i punctul de vedere al
logicii nuanate (fuzzy), fuzzyness. Valorile de adevr nu au semnificaia unor
numere reale, operaiile de sum/nmulire neavnd sens.

68

Ioan Dziac, Inteligen artificial, 2008

n 1973 Lotfi A. Zadeh a extins teoria posibilitii ntr-un sistem formal


de logic matematic [Zad73]. Sistemul su permitea extinderea valorii de
adevr a unei propoziii la toate numerele reale din intervalul [0,1]. Un numr
din acest interval era interpretat drept posibilitatea ca propoziia considerat s
fie adevrat sau fals. Aceste cercetri au dus la apariia teoriei posibilitii, o
tehnic de raionament n condiii de inexactitate. De asemenea, a adus n
discuie modalitile de lucru cu termeni nuanai ai limbajului natural. Acest
instrument de reprezentare i manipulare a termenilor nuanai se numete
logica fuzzy. Logica tradiional consider c un obiect poate aparine sau nu
unei mulimi. Logica fuzzy permite o interpretare mai flexibil a noiunii de
apartenen. Astfel, mai multe obiecte pot aparine unei mulimi n grade
diferite.
Teoria mulimilor fuzzy i conceptele fuzzy au aprut din necesitatea de a
exprima cantitativ mrimi imprecise. Dei exist numeroase ramuri ale
matematicii mai vechi dect teoria fuzzy, care se ocup cu studiul proceselor de
natur aleatoare: teoria probabilitilor, statistica matematic, teoria informaiei,
totui nu se pot face substituii ntre acestea i teoria mulimilor fuzzy. Exist o
distincie ntre teoria probabilitii (care trateaz incertitudinea stochastic) i
teoria posibilitii (care trateaz incertitudinea epistemic).
Incertitudinea stochastic poate fi modelat foarte uor cu ajutorul teoriei
probabilitilor condiionate (bayesiene), teorie aplicabil n acele situaii n
care evenimentele sunt bine precizate, dar apariia lor este incert din cauza
lipsei de informaie. Interesul privind calculul probabilitilor n sistemele
expert a crescut mult dup succesul remarcabil obinut n sistemul inteligent
MYCIN.
n cazul incertitudinii epistemice (subiective), probabilitile nu mai pot fi
aplicate din cauza lipsei de informaii. Prin urmare, s-a ncercat dezvoltarea
altor teorii care s modeleze incertitudinea epistemic. Printre acestea se
numr i teoria posibilitii i teoria evidenei. O prima abordare a
incertitudinii epistemice o reprezint teoria posibilitii, prezentat pentru prima
dat de Lotfi Zadeh. Unul dintre conceptele principale ale teoriei posibilitii
este distribuia acesteia. Punctul de plecare l-a reprezentat noiunea de restricie
fuzzy. Pentru a nelege ce este aceasta, s ne imaginm un geamantan cu perei
elastici i unul inelastic. Pentru cel cu perei tari, volumul acestuia este o
valoare unic, bine stabilit. Pentru cel cu perei elastici, volumul depinde de
gradul de nghesuire al obiectelor n acesta. Acest grad de nghesuire poate fi
foarte bine reprezentat de o funcie similar funciei de apartenen a unei
mulimi fuzzy. Astfel distribuia posibilitii (va fi numeric egal cu funcia de
apartenen a unei mulimi fuzzy (restricie fuzzy), avnd ns o interpretare
diferit.
Pentru a ilustra diferena dintre distribuia posibilitii i distribuia
probabilitii, Zadeh ne ofer un exemplu foarte concludent:

Ioan Dziac, Inteligen artificial, 2008

69

Hans mnnc x ou la micul dejun. Distribuia posibilitii poate fi


interpretat ca o msur a uurinei cu care Hans mnnc x ou, n timp ce
distribuia probabilitii se obine n urma observrii lui Hans la micul dejun,
ntr-o anumit perioad de timp, n scopul surprinderii frecvenei cu care Hans
mnnc x ou.
Prin proiectarea de instrumente care s faciliteze sau s fac mai eficient
modelarea problemelor complexe cu ajutorul tehnologiei fuzzy, numrul i
dimensiunea ariei de aplicabilitate a acestei tehnologii au crescut rapid.

2.1.3. Mulimi crisp. Mulimi fuzzy


Pornind de la concepia clasic cu privire la mulime i element al unei
mulimi, se poate susine c noiunea de mulime fuzzy reprezint o abordare
dintr-un unghi diferit a conceptului de mulime, mai precis, ntre apartenena
unui element la o mulime i nonapartenen exist o serie de situaii tranzitorii,
de natur continu, caracterizate de aa numitele grade de apartenen.
Mulimi crisp. Vom numi mulime crisp o mulime clasic, de tip Cantor.
Fiind dat un univers U i o mulime A proprie (nevid i neidentic cu U) din
acest univers. O parte din elementele lui U aparin cu certitudine lui A i o a
doua parte de membri lui U nu aparin lui A. Distincia dintre cele dou
categorii - cea a membrilor i nemembrilor este exclusiv. Procesul prin care
se definete proprietatea de apartenen la mulimea A este evideniat de
funcia caracteristic a mulimii A (pe o vom numi funcia de apartenen i o
vom nota cu A ):
Fie x, y U :
Dac x A , vom scrie A ( x ) = 1 ;
Dac y A , vom scrie A ( y ) = 0 .
Rezult c mulimea valorilor funciei de apartenen n universul U este:
not
}

A (U ) = A = {0;1} .

Procesul de fuzzyficare constituie obiectivul unei concepii caracterizate


printr-o capacitate mare de adaptabilitate i flexibilitate n modelarea unor
concepte vagi, imprecise, a unor situaii n care un element poate aparine unei
mulimi cu grade de apartenen diferite.
Definiia 1.
notate cu x.
apartenen
mulimea A:

Fie X universul discursului (mulimea de referin), cu elemente


O mulime fuzzy (vag) A n X este caracterizat de o funcie de
A (x) , care asociaz fiecrui element x un grad de apartenen la
A ( x) : X [0,1].

70

Ioan Dziac, Inteligen artificial, 2008

Deci, mulimea fuzzy A este descris prin perechi ordonate de elemente cuplate
cu gradul lor de apartenen:

A = {( x, A ( x)) / x X }.
Dac X este o mulime finit X = {x1 , x 2 , ..., x n } , atunci se mai folosete de
multe ori notaia simplificat:
A = 1 / x1 + 2 / x 2 + ... + n / x n .
Exemplul 1: Fie universul discursului:
U = mulimea cadrelor didactice din Universitatea Aurel Vlaicu din
Arad (UAV)i fie
D = mulimea cadrelor didactice cu titlul tiinific de doctor din UAV.
T = mulimea cadrelor didactice tinere din UAV.
D este o mulime crisp, adic putem mpri lista din U n mod clar,
neechivoc, dihotomic, n dou pri: cadre care aparin lui D i cadre care nu
aparin lui D.
Nu acelai lucru l putem face cu mulimea T, care este o mulime fuzzy,
deoarece. tinereea este o noiune imprecis, nefiind clar delimitat. Un
asistent A de 25 de ani l putem ncadra n T, iar un profesor P de 64 de ani, n
pragul pensionrii, l putem exclude din T. Dar ce facem cu un lector L de 30
de ani sau cu confereniar C de 40 de ani?
Natural este ca s le asociem diverse grade de apartenen la T, ca de
exemplu:
T = {A/1; L/0.8; C/0.5; ..., P/0},

unde fiecare element al mulimii fuzzy este reprezentat ca un cuplu:


<element din U>/ <grad de apartenen la T>.
Valorile 0 i 1 reprezint cel mai mic i, respectiv cel mai mare grad de
apartenen la A al unui element x X.
n sens Zadeh, o mulime pentru care o delimitare evident ntre extremele
aparine-nu aparine este exprimat gradual.
Oricare mulime caracterizat de o frontier de separaie vag
reprezint o mulime fuzzy.
Exemplul 2. Fie U universul discursului dat de universul nlimilor unor
persoane i s notm cu I mulimea oamenilor nali. Putem admite, prin
convenie, c sub nlimea de 150 cm omul nu este nalt (gradul lui de

Ioan Dziac, Inteligen artificial, 2008

71

apartenen la I este 0), iar peste 180 cm este cu siguran nalt (gradul lui de
apartenen la I este 1). Aici avem n discuie o variabil imprecis, variabila
lingvistic nalt.
Dac lum, de exemplu, oamenii cu nlimile date de
X= {200, 178, 170, 160, 140} i stabilim gradele de apartenen cu semnificaia:
o persoan cu nlimea de 200 aparine lui I 100%, o persoan de 178 cm
aparine lui I n proporie de 90%, o persoan de 170 cm aparine lui I n
proporie de 50%, o persoan de 160 cm aparine lui I n proporie de 20%, iar o
persoan de 140 cm aparine lui I n proporie de 0%, putem scrie:
I={200/1, 178/0.9, 170/0.5, 160/0.2, 140/0}

sau uneori se scrie astfel:


I = 200 / 1 + 178 / 0,9 + 170 / 0,5 + 160 / 0,2 + 140 / 0 .

2.1.4. Submulimi fuzzy


Fie un sistem de referin (univers) U definit de mulimea:
U = {a, b, c, d , e, f , g }

O submulime crisp A = {b, c, d , f , g } , inclus n acest univers


A U poate fi reprezentat ca o mulime fuzzy ca n fig. 2.1.1.
A

x (element din U)
(x)= valoarea
funciei de
apartenen a
elementului x la A

a
0

b
1

c
1

d
1

e
0

f
1

g
1

Figura 2.1.1. Mulimea crisp A reprezentat ca o mulime fuzzy

i a crei interpretare este urmtoarea:


a A ; b A; c A; d A; e A; f A; g A
Rezult c un anumit element al lui U aparine sau nu submulimii A U .
Aadar, A = [0;1] . n cazul A = {0;1} mulimea fuzzy degenereaz ntr-o
mulime crisp.

Ioan Dziac, Inteligen artificial, 2008

72

Conceptul de submulime fuzzy const n a admite c un element x poate


aparine sistemului de referin cu o valoare ( x) [0;1] ; spre exemplu, fie
submulimea B, la care elementele aparin cu grade diferite din intervalul [0,1],
aa cum se precizeaz n tabelul de mai jos:
B

x (element din U)
(x)= valoarea
funciei de
apartenen a
elementului x la B

a
0,4

b
0,6

c
0,2

d
0,8

e
0

f
1

g
0,9

Figura 2.1.2. Mulimea fuzzy B

Acest lucru se mai poate scrie astfel:


B = {x/(x)}={a/0.4, b/0.6, c/0.2, d/0.8, e/0, f/1, g/0.9}

sau
B = a/0.4 + b/0.6 + c/0.2 + d/0.8 + e/0 + f/1 + g/0.9.

Definiia 2. Fie A o submulime fuzzy a universului de discurs X. Se numete


suportul lui A, submulimea strict a lui X, notat supp(A), ale crei elemente au
grade de apartenen nenule n A:
supp ( A) = {x X / A ( x) > 0} .

Definiia 3. Fie A o submulime fuzzy a universului de discurs X. Se numete


nlimea lui A cea mai mare valoare a funciei de apartenen:
h( A) = sup A ( x) .
xX

Definiia 4. Fie A o submulime fuzzy a universului de discurs X. A se numete


normal, dac are nlimea egal cu 1, iar n caz contrar se numete
subnormal.
Definiia 5. Fie A o submulime fuzzy a universului de discurs X. Se numete
nucleul lui A submulimea strict a lui X, notat n(A), ale crei elemente au
grade de apartenen unitare n A:
n ( A) = {x X / A ( x) = 1} .

Ioan Dziac, Inteligen artificial, 2008

73

2.1.5. Relaii ntre mulimi fuzzy


Definiia 6. Fie A i B dou mulimi a universului de discurs X.
Spunem c:
a) A B A ( x) B ( x), x X (A este submulime a lui B sau A
este inclus n B);
b) A = B A ( x) = B ( x), x X .
Observaie. ntr-o accepiune mai imprecis, se poate considera c dou
mulimi fuzzy sunt egale, dac
A ( x) B ( x) , x U ,

unde reprezint o abatere admisibil, acceptabil din punct de vedere practic.


n sistemul non-finit R o submulime fuzzy ale crei elemente x au
funciile de apartenen (x) este prezentat n figura 2.1.3.

Figura 2.1.3. Submulime fuzzy n R

2.1.6. Numere fuzzy


ntlnim frecvent situaii n care suntem nevoii s folosim expresii
imprecise pentru exprimarea unor numere, cum ar fi:
aproximativ 10:
circa 100;
aproape 0;
n jur de 25.

74

Ioan Dziac, Inteligen artificial, 2008

Astfel de numere le putem reprezenta ca submulimi fuzzy ale numerelor


reale i pe care le vom numi numere fuzzy, cu condiia ca funcia de apartenen
s fie convex, continu i cu suport mrginit.

Definiia 7. Un numr fuzzy F este o submulime fuzzy a numerelor reale, dac


funcia de apartenen F este convex, continu i are suportul supp (F)
mrginit.
Logica fuzzy utilizeaz frecvent numere fuzzy triunghiulare (T) i numere fuzzy
trapezoidale (P), redate astfel n figurile 2.1.4 i 2.1.5.

Figura 2.1.4. Numr fuzzy triunghiular (T)

Pentru numerele fuzzy triunghiulare de interval T = (a1 , a 2 , a3 ) - funcia de


apartenen triunghiular este dat de:
x a1 ;
T (x ) = 0 ,

T ( x ) = x a1 , a1 x a 2 ;

a 2 a1

(x ) = a3 x , a x a
2
3
T
a3 a 2

T ( x ) = 0 ,
x a3

Dac notm cu:


c = a2 centrul numrului triunghiular fuzzy;
= a 2 a1 = c a1 abaterea la stnga;
= a 3 a 2 = a 3 c abaterea la dreapta,

(2.1.1)

Ioan Dziac, Inteligen artificial, 2008

75

putem nota numrul fuzzy triunghiular de centru c i abaterile , , respectiv,


T = (c , c, c + ) .
n acest caz, funcia de apartenen se poate scrie
cx
1 , c x c

xc

, c< xc+ ,
T ( x) = 1

0, altfel

(2.1.2)

ceea ce exprim faptul c numrul x este aproximativ c, iar


(a1 , a 2 , a3 ) = (c , c, c + ) se numete tripleta de ncredere.
Se vede uor c funcia de apartenen este convex i continu. Avem i
supp (T ) = (c , c + ) , care este o mulime mrginit.
n cazul numerelor fuzzy trapezoidale de interval (a1 ; [a 2 ; a 3 ]; a 4 ) - funcia de
apartenen trapezoidal este dat de (2.1.3):
x a1 ;
P (x ) = 0 ,

( x ) = x a1 , a x a ;
1
2
P
a 2 a1

a 2 x a3
P (x ) = 1 ,

a x
P (x ) = 4
, a 3 x a4
a4 a3

x a4
P (x ) = 0 ,

(2.1.3)

76

Ioan Dziac, Inteligen artificial, 2008

Figura 2.1.5. Numr fuzzy trapezoidal (P)

(a1 ; [a 2 ; a3 ]; a 4 ) - triplet de ncredere


[a 2 ; a3 ] - subinterval de maxim ncredere
Logica fuzzy utilizeaz frecvent numerele fuzzy triunghiulare.

Exemplul 1: Fie variabila a R nivelul de temperatur care caracterizeazprintre multe altele-starea de confort dintr-o locuin i T (a k ) funciile de
apartenen ale diverselor valori ale temperaturii la valoarea ambiental cea mai
favorabil fie aceasta opt = 25 o C - figura 2.1.6.

Figura 2.1.6. Numrul fuzzy triunghiular (T)

Ioan Dziac, Inteligen artificial, 2008

77

Nivelul optim de temperatur este opt = 25 o C , T (x ) - funciile de apartenen


la nivelul optim ale celorlalte valori ale temperaturii.
Apartenena nivelului de temperatur = +10 o C la valoarea optim
ambiental opt = 25 o C se deduce conform relaiei (2.2):

10 ( 5 )
= +10 o C = 0,5 .
25 ( 5 )

40 35
= +35 o C = 0,333 .
40 25

T = +10 o C =

De asemenea,

T = +35 o C =

Universul lingvistic propus pentru diversele valori ale temperaturii


5; + 40 o C este:

Pentru T

- total neconfortabil
- practic neconfortabil
- aproape neconfortabil
- puin confortabil
- relativ confortabil

( 5 C )
(0 C )
(+ 5 C )
(+ 10 C )
(+ 15 C )
(+ 20 C )
(+ 25 C )
(+ 30 C )
(+ 35 C )
(+ 40 C )
o

- confortabil
- foarte confortabil
- relativ confortabil
- foarte puin confortabil

- neconfortabil

n cazul numerelor fuzzy trapezoidale (P) se consider subintervalul de


maxim ncredere + 20 o C ;+25 o C , cruia i corespunde subintervalul de
maxim prezumie, = 1 - figura 2.1.7.

Ioan Dziac, Inteligen artificial, 2008

78

Figura 2.1.7. Numrul fuzzy trapezoidal (P)

Subintervalul de maxim ncredere SI mi este + 20 o C ;+25 o C

MP

- nivel de maxim prezumie = 1

Exemplul 2: Fie = 37 o C , funcia de apartenen va fi conform relaiilor


(2.1.4):
40 37
( = +37 o C ) =
( = +37 o C ) = 0,2
(2.1.4)
40 25
Alte modele ale funciilor de apartenen
Funcie de apartenen de tip parabolic figura 2.1.8.

Figura 2.1.8. Funcie de apartenen de tip parabolic

(D) ax de simetrie

Ioan Dziac, Inteligen artificial, 2008

79

Expresia de calcul a funciei de apartenen este:

x a2

( x ) = 1 4
a 3 a1

(2.1.5)

Exemplul 3:
Se consider:

a1 = 3
a2 = 5
a3 = 7
2

45
Pentru x = 4 rezult (4 ) = 1 4
(4 ) = 0,75
7 3

Funcie de apartenen de tip normal (Gauss) figura 2.1.9.

Figura 2.1.9. Funcie de apartenen de tip Gauss

(D) ax de simetrie

Valoarea funciei de apartenen se deduce din expresia (2.1.6):

(x ) = e

( x a2 )2

2 ( a3 a1 )2

(2.1.6)

Un alt model l reprezint mulimea numerelor reale din apropierea cifrei 0 , a


crei funcie de apartenen se obine din relaia (2.1.7):

(x ) =

1
,
1 + 10 x 2

x [ 2;+2]

(2.1.7)

Ioan Dziac, Inteligen artificial, 2008

80

2.1.7. Operaii cu mulimi fuzzy


Operaiile uzuale din teoria clasic a mulimilor se pot redefini n cazul
mulimilor fuzzy n termenii funciei de apartenen:
-

mulimea vid X este caracterizat de:

(x ) = 0 ; x X

(2.1.8)

m A ( x ) = 1, x X

(2.1.9)

- mulimea total X de:

- dou mulimi fuzzy sunt egale, dac funciile lor de apartenen sunt
identice :

M = N M = N ;

(2.1.10)

- mulimea fuzzy M este coninut n mulimea fuzzy N :


M N M N

(2.1.11)

- ntre mulimile fuzzy M i N se pot defini operaiile:


-

reuniune:
M N , cu M N (x ) = M ( x ) N ( x ) , x X

intersecie:
M N , cu M N ( x ) = M ( x ) N ( x ) , x X

(2.1.12)

(2.1.13)

complementara:

C M , cu CM ( x ) = ( x ) , x X .

(2.1.14)

- produsul algebric al mulimilor fuzzy M i N, notat M N ,


este caracterizat de funcia de apartenen:

Ioan Dziac, Inteligen artificial, 2008

M N = M N

81

(2.1.15)

- suma algebric a mulimilor fuzzy M i N, notat M + N , este


caracterizat de funcia de apartenen:

M +N = M + N M N

(2.1.16)

Operaiile , + sunt asociative, comutative, dar nu sunt distributive.

2.1.8. Implicaii pentru logica fuzzy


n logica fuzzy, implicaia este o operaie de compunere a formulelor
fuzzy, n sensul corelrii a dou categorii de evenimente, denumite premise,
respectiv consecine. Rezultatul unei implicaii fuzzy este o submulime fuzzy.
Variabilele fuzzy sunt mrimi fuzzy asociate celor deterministe. Fiecrui
atribut al unei variabile lingvistice i este asociat o funcie de apartenen, a
crei valoare (n sens determinist) indic nivelul de ncredere cu care unei valori
deterministe i se poate asocia acel atribut al variabilei lingvistice.

Implicaia reprezint o operaie care conecteaz dou evenimente: premis i


consecin.
Exemplul 4:
Fie mulimile M1 i M2 , respectiv variabilele R1 i R2 ce aparin celor dou
submulimi:
R1 M 1
R2 M 2
unde R1 semnific, spre exemplu, nivelul de fiabilitate de etichet aproape
foarte bun, constatat de un grup de experi cu ocazia efecturii unei expertize
la un echipament tehnic oarecare;
R2 evideniaz nivelul de fiabilitate, practic foarte bun, propus de un alt grup
de specialiti n urma participrii la o contraexpertiz pentru aceeai instalaie.
S-au considerat urmtoarele valori ale funciilor de apartenen (valori ale
fiabilitii determinate statistic pe baza datelor de exploatare, n momente
diferite de timp):

(R1 ) = 0,95 ; (R2 ) = 0,92 .

82

Ioan Dziac, Inteligen artificial, 2008

n cazul analizat, implicaia fuzzy este urmtoarea:


DAC nivelul R1 esteaproape foarte bun,
ATUNCI R2 este practic foarte bun.
DAC nivelul R1 esteaproape foarte bun = PREMISA
ATUNCI R2 este practic foarte bun = CONSECINA
Pentru determinarea funciei de apartenen rezultat n urma operaiei de
implicaie, literatura de profil recomand diverse modele, astfel:
a) Implicaia n sens Mamdami,

M M (R1 , R2 ) = min ( (R1 ), (R2 ))


1

(2.1.17)

b) Implicaia Boole,

M M (R1 , R2 ) = max (1 (R1 ), (R2 ))


1

(2.1.18)

c) Implicaia Zadeh,

M M (R1 , R2 ) = min (1;1 (R1 ) + (R2 ))


1

(2.1.19)

Rezult,
a) M1 M 2 (R1 , R2 ) = min (0,95;0,92 ) = 0,92

b) M1 M 2 (R1 , R2 ) = max (1 0,95; 0,92 ) = 0,92

c) M1 M 2 (R1 , R2 ) = min (1;1 0,95 + 0,92 ) = 0,97

Implicaia n logica fuzzy reprezint o operaie de compunere a


variabilelor fuzzy, n scopul corelrii a dou categorii de evenimente denumite
premis, respectiv consecin. Acest exemplu evideniaz faptul c operaia de
expertiz a fost confirmat n sens valoric fuzzy - de contraexpertiz.

Ioan Dziac, Inteligen artificial, 2008

83

2.1.9. Operatori de compunere fuzzy


Zadeh propune urmtorii trei operatori:
- operatorul I ( ) pentru conjuncia logic
- operatorul SAU ( ) pentru disjuncia logic
- operatorul complement ( ) (NOT)

(2.1.20)

Fie ( x ) , ( y ) funciile de apartenen caracteristice mulimilor A i B.


Conform teoriei posibilitii,
A B ( X , Y ) = min( ( x ), ( y ));

A B ( X , Y ) = max( ( x ), ( y ));

not ( x ) : (x ) = 1 ( x )

(2.1.21)

Not: n cazul unor entiti, spre exemplu, entitile i , relaiile logice


sunt:
( i )
( sau )
Dezvoltarea impetuoas a aplicaiilor practice n domeniul sistemelor fuzzy a
condus la gsirea altor operatori , similari celor utilizai la combinarea
probabilitilor:
- operatorul produs:
- operatorul sum:

A SI B = A B
A SAU B = A + B A B

(2.1.22)
(2.1.23)

Pentru a facilita modificrile care se impun asupra funciilor de


apartenen n diferite aplicaii, au fost creai doi operatori singulari, unici n
logica fuzzy, denumii concentrator, respectiv dilatator.
-

operatorul de concentrare, CONCENTRATOR,


CONC ( x ) = 2 (x ) sau Ac ( x ) = A2 ( x )

operatorul de dilatare, DILATATOR,

(2.1.24)

Ioan Dziac, Inteligen artificial, 2008

84

DIL ( x ) =

1
2
A

(x ) sau (x ) = (x )
D
A

(2.1.25)

unde A (x ) semnific nivelul de apartenen a elementului X la mulimea A.


Figura 2.1.10 prezint T la care s-au aplicat operatorii concentrator,
respectiv dilatator. n mod asemntor pentru P figura 2.1.11.

Figigura 2.1.10.

Figura 2.1.11.

T la care se aplic operatorii


CONC ( x ) i DIL ( x )

P la care se aplic operatorii


CONC ( x ) i DIL ( x )

Deoarece aplicarea acestor operatori realizeaz un interval prea extins


ntre nivelele unei anumite trepte n comparaie cu nivelul de apartenen al
scalei reper (liniar), se propune a se utiliza pentru cei doi operatori
lingvistici, alte relaii de calcul menite s atenueze operaiile de
concentrare/dilatare, astfel:
-

CONCENTRATOR

Ac ( x ) = A ( x )
-

(2.1.26)

DILATATOR
1

D
A

(x ) = A (x )

unde reprezint numrul de aur:

(2.1.27)

Ioan Dziac, Inteligen artificial, 2008

= 1+

(2.1.28)

1+

85

1+
1+

1
1 + ...

De asemenea, valoarea aproximativ a acestui numr se deduce din relaia:

an
1,618034
n a
n 1

= lim

(2.1.29)

n care a n i a n 1 sunt numere Fibonnaci*(incluse n irul Fibonacci). Un


numr Fibonacci a k rezult din suma a dou numere imediat precedente:

a k = a k 1 + a k 2 .
* irul Fibonacci: 0; 1;2;3;5;8;13;21;34;55;89;144;etc

2.1.10. Fuzificarea i defuzificarea informaiei


Fluxul prelucrrii informaiei n conformitate cu logica fuzzy este
urmtorul: MRIMI DE INTRARE FUZIFICARE INFERENDEFUZIFICARE MRIMI DE IEIRE.
Fiecare verig a lanului de prelucrare poate fi realizat prin diferite
tehnici i procedee cunoscute n literatura de specialitate.
Fuzificarea este operaia prin care se stabilesc funciile de apartenen
pentru fiecare variabil de intrare (apreciere), dup care se continu cu
acceptarea unei anumite tehnici de calcul (n general de nuan statistic).
Fuzificarea reprezint operaia de apartenen la fiecare din mrimile de intrare
(inclusiv construirea unor tabele sau grafice sintetice spre a fi utilizate n
urmtoarea faz).
Inferena const n aplicarea operatorilor logici: I, SAU,
respectiv min, max (conform teoriei posibilitii).
Defuzificarea are n vedere obinerea din informaia fuzzy a unor mrimi
scalare asociate variabilelor de ieire acestea redate, de asemenea, sub forma
unei mulimi fuzzy (practic un interval de verosimilitate). Este operaia prin
care se deduc mrimile de ieire i se interpreteaz rezultatele obinute. O alt
serie de metode sunt folosite pentru obinerea unor valori ferme din valori
fuzzy. Acestea poart numele de metode de defuzzificare. Cele mai folosite
metode de defuzzificare sunt :
- metoda eantionului maxim - n care din toate regulile activate se

86

Ioan Dziac, Inteligen artificial, 2008

selecteaz regula cu gradul de realizare maxim, ce va determina prin valoarea


funciei de activare de ieire valoarea ferm;
- metoda centrului de greutate prin calculul centrului de greutate al
ariei funciei de apartenen.

2.1.11. Evaluarea i aprecierea. Scale liniare i neliniare


Mulimi brute. Conceptul de mulime brut (introdus de Pawlak) are ca
obiectiv abordarea nediscernmntului, neclaritii a crui cauz o constituie un
univers imprecis, incert sau incomplet din punct de vedere informaional. O
mulime brut este definit prin dou aproximri limit: aproximarea-limit
inferioar i aproximarea-limit superioar.
Referindu-ne la o anumit apreciere de forma: (satisfctor; foarte bine) a
unui expert, privind starea operaional a unui echipament tehnic la un anumit
moment, acest interval constituie o submulime brut, aproximrile limit fiind:
- aproximarea-limit inferioar: satisfctor
- aproximarea-limit superioar: foarte bine,
aceast submulime brut fiind inclus n mulimea treptelor scalei propuse
pentru studiu.
Evaluarea semnific asocierea unei valori numerice (negativ, nul sau
pozitiv) unui obiect (concret, abstract) propus de un expert n domeniul
respectiv.
Aprecierea reprezint expresia unui nivel de adevr , [0;1] .
n logica binar unei aprecieri i corespunde nivele de adevr, {0;1} ,
interpretate n sensul,
0-fals
1-adevrat
sau n logica trivalent (ternar) Lukasievicz,
0-fals
- nici fals, nici adevrat
1-adevrat
Scalele multivalente cu numr de trepte mai mare dect trei fac uz de un numr
cuprins ntre 411.
Sunt de preferat scalele de numr impar-acestea ofer unei anumite aprecieri un
nivel central * = 0,5 .
Principalii operatori care se refer la aprecieri, intervale de ncredere i triplete
de ncredere sunt cei menionai:

"": min im

"": max im
"": complement

(2.1.30)

Ioan Dziac, Inteligen artificial, 2008

87

Aprecierile privind evoluia n timp, a unui sistem tehnic, spre exemplu,


aparin unui grup de experi. Exprimarea n form lingvistic (nenumeric) n
concordan cu semantica unei anumite scale (liniar sau neliniar), sunt
translatate n valori numerice, conform nivelelor scalei avute n vedere. De
remarcat faptul c o apreciere are o valoare subiectiv, spre deosebire de
probabilitatea creia i se atribuie o valoare obiectiv.
Aprecierea a poate fi asociat unui unic nivel semantic al scalei, dar cruia i se
atribuie o valoare numeric .
De asemenea, aprecierea, transpus numeric, poate fi redat sub form de
interval:

[a1 ; a2 ] [0;1],

a1 a 2

(2.1.31)

sau evideniat ca triplet de ncredere (pentru o mai extins libertate


suplimentar),

(a1 ; [a 2 ; a3 ]; a 4 ), a1 a 2 a3 a 4

(2.1.32)

unde [a 2 ; a3 ] semnific subintervalul de maxim prezumie al tripletului de


ncredere.
Scalele prezentate n figurile 2.1.12, 2.1.13., 2.1.14 sunt de tip liniar (nivele
echidistante). Realitatea confirm faptul c aprecierile privind o anumit
propoziie (spre exemplu, opinii ale unui grup de specialiti referitoare la
nivelul de fiabilitate al unui echipament tehnic), se pot ierarhiza ntr-un mod
neliniar sau uneori astfel de puncte de vedere include un interval de ncredere i
un interval de maxim ncredere i crora le corespund intervalul de prezumie,
respectiv intervalul de maxim prezumie sub forma:

(a1 ; [a 2 ; a3 ]; a 4 ) ( 1 ; [ 2 ; 3 ]; 4 )
k
1
2
3
4
5
6
7

(2.1.33)

SCALA LINIAR HEPTENAR


Semantic
Simbol Nivel

Nesatisfctor
Aproape nesatisfctor
Puin satisfctor
Satisfctor
Bine
Aproape foarte bine
Foarte bine

N
AN
PS
S
B
AFB
FB

Figura 2.1.12. Scala liniar heptenar

0
1/6
2/6
3/6
4/6
5/6
1

Pas

0
1/6
1/6
1/6
1/6
1/6
1/6

Ioan Dziac, Inteligen artificial, 2008

88

k
1
2
3
4
5
6
7
8
9

SCALA LINIAR NONATENAR


Semantic
Simbol Nivel

Nesatisfctor
Aproape nesatisfctor
Puin satisfctor
Aproape satisfctor
Satisfctor
Aproape bine
Bine
Aproape foarte bine
Foarte bine

N
AN
PS
AS
S
AB
B
AFB
FB

0
1/8
2/8
3/8
4/8
5/8
6/8
7/8
1

Pas

0
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8

Figura 2.1.13. Scala liniar nonatenar

k
1
2
3
4
5
6
7
8
9
10
11

SCALA LINIAR ENDECADENAR


Semantic
Simbol Nivel

Nesatisfctor
Aproape nesatisfctor
Destul de nesatisfctor
Puin satisfctor
Aproape satisfctor
Satisfctor
Satisfctor spre bine
Aproape bine
Bine
Aproape foarte bine
Foarte bine

N
AN
DN
PS
AS
S
SB
AB
B
AFB
FB

0
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
1

Pas

0
1/10
1/10
1/10
1/10
1/10
1/10
1/10
1/10
1/10
1/10

Figura 2.1.14. Scala liniar endecanar

Distana Hamming. Fie mulimile A i B i A ( X K ) , B ( X K ), k = 1, nt , nt


fiind un numr finit, spre exemplu, numrul de trepte al unei scale oarecare
(liniar sau neliniar). Distana Hamming ntre cele dou mulimi este obinut
din relaia (2.1.34) :
d HA B = A ( X k ) B ( X k )
k

(2.1.34)

Ioan Dziac, Inteligen artificial, 2008

89

Funcia n S de alur signoid-logistic. Acest gen de funcie modeleaz


suficient de concludent evoluia n timp, spre exemplu, a unei multitudini de
procese/fenomene: tehnice, economice, biologice, sociale, deoarece graficul su
prezint un punct de inflexiune i are tendin asimptotic de cretere
(plafonare) figura 2.1.15.
Expresia analitic a acestei funcii este:
y=

L
1 + a e bt

(2.1.35)

unde

L reprezint nivelul asimptotic (adimensional),


a-mrime adimensional de poziie,
b-mrime ce determin panta graficului,
t-mrime variabil, spre exemplu, timpul.

Figura 2.1.15. Graficul funciei n Sde tip sigmoid-logistic (model Lenz-Pearl):

M(X*,Y*) - punct de inflexiune;

L-plafonul asimptotic

Mrimile L, a i b se determin pe baza unui protocol de date statistice. Se


recomand n acest sens metoda celor mai mici ptrate sau, n funcie de
condiii fenomenologice, restricii.
Cercettorul D. de Solla Price atribuie funciei logistice rolul exclusiv de
modulare a tuturor fenomenelor de cretere; studii privind prognoza
tehnologic, inclusiv n energetic au elaborat Lenz, Pearl, Hartman.
n prezenta lucrare vom folosi urmtoarea form de funcie logistic:

=
n care,

1
1 + a e b k

(2.1.36)

Ioan Dziac, Inteligen artificial, 2008

90

a,b-au semnificaiile precizate,


- exprim nivelul unei aprecieri pe o anumit scal,
k numrul corespunztor unei trepte a scalei, k = 1; nt
nt numrul de trepte
Se consider,

pentru k = 1
= 0 ,

= =
, pentru k (1; nt )
1 + a e b k

pentru k = nt
= 1,

(2.1.37)

Graficul funciei este prezentat n figura 2.1.16.

Figura 2.1.16. Graficul funciei


*

= f (k )

k , d - coordonatele punctului de inflexiune (M)

Scale neliniare pe intervale de maxim ncredere de tip signoid - logistic


(scala de tip logistic n s)
Se propun trei scale combinate:
- heptenar (7 nivele);
- nonatenar (9 nivele);
- endecadenar (11 nivele).
Se prefer alura n S a funciei = f (k ) , deoarece evoluia nivelelor de
apartenen asociate treptelor scalei n intervalul fuzzy [fals; adevrat] sau
[nesatisfctor; foarte bine], trebuie s prezinte conform concepiilor filozofice
(logicii evoluioniste) o tendin rapid (pozitiv) de cretere pn la un

Ioan Dziac, Inteligen artificial, 2008

91

anumit punct de inflexiune, dup care aceast tendin se diminueaz (devine


negativ) i tinde asimptotic spre nivelul maxim teoretic ( = 1 ); deci expresia
(2.37) este operaional aa cum s-a precizat - numai pentru (k ), k (1; nt ) .
n figurile 2.1.17- 2.1.22 sunt prezentate detaliat cele trei scale. Nivelele de
prezumie, corespunztoare intervalelor de ncredere asociate opiniilor grupului
de experi sunt stabilite astfel:
- pentru (0;0,5):

] )

(2.1.38)

1
1
1
k kL ; dil ( kL ) ; dil ( kL ) ; dil ( kL ) 2

(2.1.39)

k conc( kL ) ; conc( kL ) ; conc( kL ) ; kL


pentru (0,5;1):
2

unde reprezint numrul de aur.

Semantic

Simbol

Nivel

Scala signoid-logistic

C LP

DLP

C L

DL

Nivel

1.

Nesatisfctor

2.

Aproape
nesatisfctor

AN

0,167

0,026

0,408

0,055

0,331

0,026;
[0,055;0,055];
0,167

3.

Puin
satisfctor

PS

0,333

0,111

0,577

0,169

0,507

4.

Satisfctor

0,5

0,25

0,707

0,326

0,652

5.

Bine

0,667

0,444

0,816

0,519

0,778

6.

Aproape
foarte bine

AFB

0,833

0,694

0,913

0,744

0,893

7.

Foarte bine

FB

Figura 2.1.17. Scala heptenar (tabel)

0,111;
[0,169;0,169];
0,333
0,5

0,667;
[0,778;0,778];
0,816
0,833;
[0,893;0,893];
0,913
1

Pas

0
0,026;
[0,055;0,055];
0,167
0,085;
[0,114;0,114];
0,167
0,389;
[0,331;0,331];
0,167
0,167;
[0,278;0,278];
0,316
0,167;
[0,115;0,115];
0,097
0,167;
[0,107;0,107];
0,087

Ioan Dziac, Inteligen artificial, 2008

92

Figura 2.1.18. Scala heptenar (grafic)


k

Semantic

Simbol

Nivel

Scala signoid-logistic

C LP

DLP

C L

DL

0,016;
[0,035;0,035];
0,125
0,063;
[0,106;0,106];
0,250
0,141;
[0,205;0,205];
0,375
0,5

0,016;
[0,035;0,035];
0,125
0,047;
[0,071;0,071];
0,125
0,078;
[0,099;0,099];
0,125
0,359;
[0,295;0,295]
0,125
0,125;
[0,248;0,248];
0,291
0,125;
[0,089;0,089];
0,075
0,125;
[0,084;0,084];
0,069
0,125;
[0,079;0,079];
0,065

1.

Nesatisfctor

L
0

2.

Aproape
nesatisfctor

AN

0,125

0,016

0,353

0,035

0,277

3.

Puin
satisfctor

PS

0,250

0.063

0,500

0,106

0,424

4.

Aproape
satisfctor

AS

0,375

0,141

0,612

0,205

0,545

5.

Satisfctor

0,5

0,250

0,707

0,326

0,652

6.

Aproape bine

AB

0,625

0,391

0,791

0,467

0,748

7.

Bine

0,750

0,563

0,866

0,628

0,837

8.

Aproape
foarte bine

AFB

0,875

0,766

0,935

0,806

0,921

9.

Foarte bine

FB

Nivel

0,625;
[0,748;0,748];
0,791
0,750;
[0,837;0,837];
0,866
0,875;
[0,921;0,921];
0,935
1

Figura 2.1.19. Scala nonatenar (tabel)

Pas

Ioan Dziac, Inteligen artificial, 2008

93

Figura 2.1.20. Scala nonatenar (grafic)

nivel ; pas

Semantic

Simbol

Nivel

Scala signoid-logistic

C LP

DLP

C L

DL

1.

Nesatisfctor

2.

Aproape
nesatisfctor

AN

0,1

0,01

0,316

0,024

0,241

3.

Destul de
nesatisfctor

DN

0,2

0,04

0,447

0,074

0,370

4.

Puin
satisfctor

PS

0,3

0,09

0,548

0,142

0,475

5.

Aproape
satisfctor

AS

0,4

0,16

0,632

0,227

0,568

6.

Satisfctor

0,5

0,25

0,707

0,326

0,651

7.

Satisfctor
spre bine

SB

0,6

0,36

0,775

0,437

0,729

8.

Aproape bine

AB

0,7

0,49

0,837

0,562

0,802

9.

Bine

0,8

0,64

0,894

0,697

0,871

10.

Aproape foarte
bine

AFB

0,9

0,81

0,949

0,843

0,937

11.

Foarte bine

FB

Nivel

0
0,01;
[0,024;0,024];
0,1
0,04;
[0,074;0,074];
0,2
0,09;
[0,142;0,142];
0,3
0,16;
[0,227;0,227];
0,4
0,5

0,6;
[0,729;0,729];
0,775
0,7;
[0,802;0,802];
0,837
0,8;
[0,871;0,871];
0,894
0,9;
[0,937;0,937];
,949
1

Figura 2.1.21. Scala endecanar (tabel)

Pas

k
0

0,01;
[0,024;0,024];
0,1
0,03;
[0,050;0,050];
0,1
0,05;
[0,068;0,068];
0,1
0,07;
[0,085;0,085];
0,1
0,34;
[0,273;0,273];
0,1
0,1;
[0,229;0,229];
0,275
0,1;
[0,073;0,073];
0,062
0,1;
[0,069;0,069];
0,057
0,1;
[0,066;0,066];
0,055
0,1;
[0,063;0,063];
0,051

94

Ioan Dziac, Inteligen artificial, 2008

Notaiile din tabelele anterioare au semnificaiile:

( )
conc( )

conc kL

L
k

( )
dil ( )

= C LP ; dil kL

= CL ;

L
k

= D LP

= DL

nivel
pas
C LP / DLP graficele concentrat / dilatat de tip parabolic ale scalei
C L / DL graficele concentrat / dilatat de tip " " ale scalei liniare

Figura 2.1.22. Scala endecanar (grafic)

Mrimile definitorii ale acestor scale combinate sunt - figura 2.1.23-:


- intervalul de ncredere, exprimat astfel,
a) dublet : (a1 ; a 2 )

(2.1.40)

Ioan Dziac, Inteligen artificial, 2008

b) triplet: (a1 ; [a 2 = a 3 ]; a 4 ) sau (a1 ; [a 2 ; a3 ]; a 4 )


- intervalul de prezumie determinat de nivele de prezumie.
n aceast figur:
I V - intervalul de ncredere;
SIMV subintervalul de maxim ncredere;
IP intervalul de prezumie;
SIMP- subintervalul de maxim prezumie.
Semnificaiile notaiilor: L, C LP , C L , D LP , D L au fost precizate anterior.

Figura 2.1.23. Scal corespunztoare tripletei de verosimilitate(ncredere):

(a1 ; [a 2 ; a3 ]; a 4 )

95

96

Ioan Dziac, Inteligen artificial, 2008

Fig. 2.1.24. O schem conceptual relativ la paralela ntre


hard computing i soft computing [Dzi08a]

Ioan Dziac, Inteligen artificial, 2008

97

2.2. Calcul neural. Reele neurale. Reele neuro-fuzzy


Vom desemna prin termenul generic de calcul neural, calculul folosit n
rezolvarea problemelor de asociere, care se bazeaz pe extragerea unui model
pe baz de exemple (nvare pe baz de suficient de multe exemple).
Calculul neural face parte din sfera mai general a calcului natural (v.
figura 2.2.1), alturi de calculul evolutiv, calculul molecular, calculul
membranar, calculul cuantic i swarm computing.
CALCUL
NATURAL

CALCUL
NEURAL

CALCUL
EVOLUTIV

CALCUL
MOLECULAR

CALCUL
MEMBRANAR

CALCUL
CUANTIC

(Neural
Computing)

(Evolutionary
Computation)

(DNA
Computing)

(Membrane
Computing)

(Quantum
Computing)

SURSA DE
INSPIRATIE:
Creier

SURSA DE
INSPIRATIE:
Teoria evoluiei
a lui Darwin

SURSA DE
INSPIRATIE:
ADN

SURSA DE
INSPIRATIE:
Membrana
celulei

SURSA DE
INSPIRATIE:
Sistem fizic

SURSA DE
INSPIRATIE:
1. Colonii de
furnici
2. Bancuri de
peti
3.Stoluri de
psri
etc.

IMPLEMENTA
RE HARD:
Electronic
Reele neurale;
Reele neurofuzzy

IMPLEMENTA
RE SOFT:

IMPLEMENTA
RE HARD:
Biologic

IMPLEMENTA
RE HARD:
Electronic,
biologic

IMPLEMENTA
RE HARD:
Nanoelectronic
QUANTUM
COMPUTER

IMPLEMENTA
RE SOFT:

Algoritmi
genetici;
Programare
evolutiv;
etc.

MAYA-II

SWARM
COMPUTING

1.Cell
Simulator
2. Particle
Swarm
Optimization

Figura 2.2.1. Calcul natural: Domenii, surse de inspiraie i implementare

Ioan Dziac, Inteligen artificial, 2008

98

Reelele neurale reprezint suportul hard pentru calculul neural.


Dup Simon Haykin49 o reea neural este un calculator distribuit, masiv
paralel, care are ca i caracteristic principal achiziionarea de noi cunotine
pe baza experienei anterioare i de a le face disponibile pentru utilizarea
ulterioar. Reeaua neural se aseamn cu creierul n dou privine:
Cunotinele sunt achiziionate de reeaua neural printr-un proces de
nvare;
Cunotinele sunt depozitate nu n unitile de procesare (neuroni), ci n
conexiunile inter-neuronale (ponderi sinaptice).

O reea neural este determinat prin:


tipul unitilor funcionale (elemente de procesare numite neuroni);
arhitectur (modul cum sunt amplasate unitile funcionale unele fa
de celelalte);
algoritm de funcionare (modul cum reeaua transform un semnal de
intrare n unul de ieire) i
algoritm de nvare (algoritmul prin care reeaua achiziioneaz noi
cunotine pe baz de exemple).

n loc de Reele neurale, muli autori romni folosesc denumirea de


Reele neuronale, exact ca i pentru reele neuronale ale creierului natural (al
crui structur i funcionare este chiar sursa de inspiraie pentru cele
artificiale). n aceast carte vom prefera cea de a doua sintagm, tocmai pentru
a face diferena dintre reelele neuronale naturale i cele artificiale, fr
precizri suplimentare.
Alte sinonime utilizate uneori n loc de reea neural:
neurocalcul;
conexionism;
procesare paralel distribuit;
sisteme adaptive;
reele cu autoorganizare.

2.2.1. Uniti funcionale (de procesare) ale reelelor neurale


Neuronul biologic. Pentru nceput vom prezenta cteva informaii
sumare despre neuronul natural, care servete ca model pentru unitatea
funcional a reelei neurale (neuronul artificial).
49

S. Haykin: Neural Networks: A Comprehensive Foundation, Macmillan/IEEE Press, 1994

Ioan Dziac, Inteligen artificial, 2008

99

Creierul uman i mduva spinrii sunt formate dintr-un numr foarte


mare de celule nervoase, incluznd neuroni (cca. 100 de miliarde50, primesc i
trimit semnale electrochimice de la creier i sistemul nervos) i celule gliale sau
celule nevroglice (mult mai numeroase dect neuronii reprezint cca. 90% din
totalul celulelor nervoase ale creierului, ndeplinesc funcii suport pentru
neuroni: susinere, hrnire, digestie a resturilor neuronale i transmitere a
influxului nervos).

Figura 2.2.2. Neuronul biologic51

Neuronul-este unitatea morfo-funcional a sistemului nervos (v. fig.


2.2.2 i fig. 2.2.3), fiind o celul de forma stelat, piramidal, rotund sau oval
(n englez numit soma sau cell body), care se continu cu nite prelungiri
neuronale, numite dendrite (avnd rol de receptori de semnale), i o alt
prelungire mai lung, numit axon (care transmite semnalul nervos). La cellalt
capt al axonului apar nite terminaii numite sinapse (n engl. axon terminals),
care au rol de canale de comunicaie (transmitori) cu ali neuroni.
Un neuron are, n general, ntre 1000-10.000 de sinapse i comunic cu ali
neuroni, muchi, celule glande etc. (tot ntre 1000-10.000).

50

Legat de viaa neuronilor, exist o veste rea i oveste bun. Vestea rea este c dac un
neuron moare, el nu se mai regenereaz ca alte celule. Vestea bun e c exist cca. 100 de
miliarde de neuroni i, n mod natural, nti mor cei mai slabi neuroni (exceptnd cazul unor
leziuni sau traume provocate de diverse agresiuni cauzate de substane halucinogene sau de
alcool sau de proasta alimentare a creierului cu snge oxigenat din cauza unor afeciuni cardiorespiratorii, de exemplu).
51
BRAIN CELLS, http://www.enchantedlearning.com/subjects/anatomy/brain/Neuron.shtml,
Copyright 1998-2008 EnchantedLearning.com

100

Ioan Dziac, Inteligen artificial, 2008

Figura 2.2.3. Schia unui neuron biologic52

Exist mai multe tipuri de neuroni (cu dimensiuni ale diametrului ntre 4100 microni, 1 micron = 0.001 mm):
neuroni senzoriali (sau neuroni bipolari, reprezint cca. 0,9% din totalul
neuronilor), care transmit mesajele senzoriale de la diveri receptori
(ochi, urechi etc.) ctre Sistemul Nervos Central v(SNC);
moto-neuroni (sau neuroni multipolari, cca. 9% din totalul neuronilor),
care transmit semnalele de la SNC la muchi i glande;
inter-neuroni (sau neuroni pseudopolari), care au doi axoni (n loc de un
axon i o dendrit): un axon comunic cu mduva spinrii, iar cellalt cu
pielea sau muchii.

Neuronul artificial. n cazul reelelor neurale, neuronul artificial este o


unitate funcional (element de procesare) de tipul unui automat (v. figura
2.2.4), care primete semnale de intrare (xi, n form digital vectorial) i
emite un semnal de ieire (Y, n form digital scalar). Funcionarea
neuronului depinde de o serie de parametri ajustabili sau ponderi sinaptice (wi)
asociate conexiunilor, care aplicate semnalelor de intrare xi , i=1..n, produc
semnalul de ieire Y, prin intermediul funciei F, numit uneori funcie de
integrare, funcie de agregare sau funcie de activare.

52

Florin Leon, http://eureka.cs.tuiasi.ro/~fleon

Ioan Dziac, Inteligen artificial, 2008

w1

x1

xi

101

wi
s

xn

wn

Figura 2.2.4. Neuron artificial

Valoarea de ieire este:


n

Y = F(

wi xi ) = Fp, ( X ).

(2.2.1)

i =1

UNITI
FUNCIONALE
dintr-o reea
(Neuroni artificiali)

UNITI DE
INTRARE

UNITI
ASCUNSE

UNITI DE
IEIRE

Primesc semnale din


partea mediului i le
transmit altor uniti (fr
s le prelucreze)

Se afl n interiorul reelei,


fr contact cu exteriorul
(primesc semnale, le
prelucreaz i le transmit
altor uniti)

Primesc semnale de la
unitile de intrare sau de
la cele ascunse, le
prelucreaz i le transmit
n mediul exterior.

Figura 2.2.5. Tipul unitilor funcionale dintr-o reea

Dup cum se precizeaz n figura 2.2.5, unitile funcionale din structura


unei reele pot fi de trei feluri, n funcie de rolul lor n cadrul reelei respective.

102

Ioan Dziac, Inteligen artificial, 2008

2.2.2. Arhitectura reelelor neurale


Din punct de vedere arhitectural, reelele neurale se clasific n dou mari
categorii:
Reele feed-forward (unistrat v. fig. 2.2.6 sau multistrat v. fig. 2.2.8),
sunt reele unidirecionale unde semnalele se transmit n interiorul
reelei ntr-o singur direcie: de la intrare spre ieire;
Reele feed-back (bidirecionale sau recurente) n care impulsurile se
pot transmite n ambele direcii, introducnd conexiuni de reacie n
arhitectura reelei. Aceste tipuri de reele sunt foarte puternice i pot fi
extrem de complexe. Sunt dinamice, starea lor schimbndu-se
permanent, pn cnd reeaua ajunge la un punct de echilibru. Cutarea
unui nou echilibru are loc la fiecare schimbare a intrrii.

Stratul de intrare

Stratul de ieire

Figura 2.2.6. Reeaua neural feed-forward cu un strat

Tipuri remarcabile de reele neurale53:


Reele cu nvare supervizat:
feed-back: Maina Boltzmann; Learning Vector Quantization (LVQ);
feed-forward: Perceptron, Adaline, Madaline;
Reele cu nvare nesupervizat:
feed-back: Reele Grossberg; Reele Hopfield (discrete i continue);
Memorii asociative (bidirecionale i temporale); Reele Kohonen cu
auto-organizare;
feed-forward: Memorii asociative liniare, distribuite; Memorii
asociative fuzzy.

53

Florin Leon, http://eureka.cs.tuiasi.ro/~fleon

Ioan Dziac, Inteligen artificial, 2008

103

Figura 2.2.7. Istoricul reelelor neurale pn n 1990

Stratul de intrare

Stratul ascuns

Stratul de ieire

Figura 2.2.8. Reea neuronal feed-forward multistrat

Caracteristici principale ale reelelor neurale sunt asemntoare cu cele ale


creierului:
Capacitatea de a nva: Reelele neurale nu necesit programe
puternice, ci sunt mai degrab rezultatul unor antrenamente asupra unui
set masiv de date. Reelele neurale au un algoritm de nvare, dup care

Ioan Dziac, Inteligen artificial, 2008

104

ponderile conexiunilor sunt ajustate pe baza unor modele prezentate,


reelele neurale nva din exemple;
Capacitatea de generalizare: Dac au fost instruite corespunztor,
reelele sunt capabile s dea rspunsuri corecte i pentru intrri diferite
fa de cele cu care au fost antrenate, atta timp ct aceste intrri nu sunt
foarte diferite;
Capacitatea de sintez: Reelele neurale artificiale pot decide sau trage
concluzii chiar i atunci cnd sunt confruntate cu informaii afectate de
zgomote sau cu informaii imprecise sau pariale.

2.2.3. Algoritmi de funcionare i nvare a unei reelele neurale


Exist dou tipuri de algoritmi de funcionare:
iterativi (la reelele recurente, cu conexiuni inverse);
neiterativi (la reelele de tip feed-forward, fr conexiuni inverse).
La algoritmii iterativi de funcionare avem o mbuntire n timp a
iteraiilor:
X (0) = X 0 , X (t + 1) = Fw ( X (t )), Y = lim X (t ), t ,
0
unde X este semnalul iniial de intrare, iar Y este semnalul de ieire, dup
un timp suficient de mare pentru mbuntirea soluiei.
La algoritmi neiterativi, pe baza semnalului de intrare X, funcia de
antrenare F, cu ajutorul ponderilor w, genereaz semnalul de ieire X=Fw(X).

nvare nesupervizat. n cazul algoritmilor de funcionare neiterativi,


avem de a face cu o nvare nesupervizat, bazat pe auto-organizare. n acest
caz reeaua primete semnale din partea mediului i pe baza lor descoper
distribuia datelor de intrare, construindu-i o reprezentare a mediului codificat
n ponderi, reprezentare care poate fi utilizat ulterior la ali stimuli provenii
din acelai mediu.
nvare supervizat. n acest caz se utilizeaz o mulime cunoscut de
exemple, numit set de antrenare, sub forma unor perechi (i, r), unde i este
semnalul de intrare, iar r este rezultatul corect corespunztor intrrii i (n cazul
nvrii supervizate propriu-zise) sau un indicator de corectitudine (n cazul
celei de tip recompens/penalizare). Pe baza unei submulimi a setului de
antrenare se construiesc iterativ ponderile, urmrindu-se maximizarea unui
indice de performan n paralel cu minimizarea unei funcii de eroare. O alt
parte a setului de antrenare este pstrat ca submulime-martor, pe care se
testeaz apoi reeaua antrenat (dac testul nu este satisfctor se impune

Ioan Dziac, Inteligen artificial, 2008

105

lrgirea setului de antrenare). n acelai timp se urmrete asigurarea unei bune


capaciti de generalizare, prin evitarea supranvrii (nvarea detaliilor
nesemnificative din cadrul exemplelor).

Rezolvarea unei probleme cu reele neurale presupune:


1. Proiectarea reelei:
Configurarea unei arhitecturi iniiale (cea mai potrivit pentru
problema de rezolvat);
Alegerea algoritmului potrivit pentru arhitectura reelei i
cantitatea de informaie a problemei (cel mai potrivit pentru
arhitectura aleas i cantitatea de informaie a problemei).
2. Adaptarea (antrenarea) reelei:
Antrenarea iniial (nvare pe baze de exemple cu rspuns corect);
Testarea (validarea) reelei (verificarea pe cazuri cu rspuns
cunoscut);
Utilizarea propriu-zis (rezolvarea problemei date, dac reeaua a
promovat testul).
Principalele tipuri de probleme care se rezolv prin reele neurale
(probleme ru puse sau pentru care nu dispunem de algoritmi clasici eficieni):
Probleme de clasificare i recunoatere (gruparea i clasificarea
1.
datelor, recunoaterea scrisului, recunoaterea vorbirii etc.);
2.
Probleme de estimare i aproximare (extragerea dependenei
funcionale dintre dou mrimi msurate experimental, estimarea unor
parametrii n cazul seriilor temporale etc.);
Probleme de modelare i control (modelarea sistemelor neliniare,
3.
controlul entitilor autonome de tipul roboilor etc.);
4.
Probleme de optimizare (proiectare de circuite, probleme de rutare,
probleme de planificare etc.);
5.
Prelucrarea i analiza semnalelor (data mining, text mining,
filtrare, extragere de informaii din imagini etc.).
2.2.4. Reele neuro-fuzzy. Un exemplu de aplicaie neuro-fuzzy
O reea neuro-fuzzy este o reea neural care dispune de capacitatea de a
prelucra informaii fuzzy. ntr-o astfel de reea, semnalele de intrare i/sau
ponderile conexiunilor i/sau ieirile sunt submulimi fuzzy sau mulimi de
valori de apartenen la mulimi fuzzy. De obicei, se utilizeaz ca modele
variabile lingvistice, numere sau intervale fuzzy. Modulele conexioniste
implementeaz aici funciile unui sistem fuzzy. O reea efectueaz fuzzyficarea
datelor stricte de intrare, regulile fuzzy sunt realizate pe baza unei alte reele, iar
operaia de defuzzyficare este ndeplinit de o a treia reea, pentru a furniza

106

Ioan Dziac, Inteligen artificial, 2008

datele stricte de ieire. Reelele cu neuroni fuzzy intr de asemenea n aceast


categorie deoarece sunt capabile s prelucreze informaii fuzzy. Aceste tipuri de
reele sunt utile n aplicaii de regresie fuzzy (descoperirea de relaii funcionale
ntre date fuzzy), control, rezolvarea ecuaiilor matriceale fuzzy (folosite n
economie) sau clasificare fuzzy.
n [DziS08] [Dz+08] se pune problema prediciei valorilor unor mrimi
legate de opriri, incidente sau defecte ale unor reele de distribuie a energiei.
S-a cutat o metod ce poate genera un model de predicie pe baz de
modelare neuro-fuzzy.
Raionamentul fuzzy are abilitatea de a trata o informaie imprecis i
incert, n timp ce reelele neurale pot fi identificate utiliznd msurtori ale
semnalelor de intrare i ieire din proces. Reelele neuro-fuzzy combin
avantajele raionamentului fuzzy i ale reelelor neurale.
Combinarea reelelor neurale i a regulatoarelor fuzzy are eficien atunci
cnd ntr-o aplicaie se pot colecta cunotine pariale privind mulimile fuzzy i
regulile fuzzy de deducie a comenzii regulatorului. Un regulator fuzzy se
proiecteaz pe baza cunotinelor oferite de un expert uman, fr s fie necesar
cunoaterea modelului matematic al procesului, dar regulile de deducie se
bazeaz pe cunotinele expertului i pot apare incertitudini n alegerea formei
funciei de apartenen, a numrului acestora i a regulilor de deducie.
Modelele neuro - fuzzy pot mbunti performanele prin folosirea algoritmilor
de instruire.
Exist dou metode pentru a proiecta modele neuro fuzzy:
1) Folosire separat de modele neurale i fuzzy, structuri n care o reea
neural instruiete sau optimizeaz unii parametri ai regulatorului fuzzy.
2) Modele hibride neuro-fuzzy. Prin aceast metod se proiecteaz o
arhitectur omogen care este, de obicei, orientat pe reele neurale. Prin
aceast metod regulatorul fuzzy se implanteaz cu reele neurale.
Exist urmtoarele tipuri de variante de a combina aceste 2 modele:
a) Reeaua neural transmite funciile de apartenen.
b) Reeaua neural ofer reguli lingvistice de conducere pe baza datelor
de intrare.
n concluzie, folosirea uneia dintre metodele prezentate, de proiectare a
regulatoarelor sau modelelor fuzzy, se face pe baza analizei urmtoarelor
criterii:
dac funciile de apartenen i regulile de deducie sunt cunoscute
parial sau n ntregime,
dac modelul fuzzy al regulatorului este cunoscut i acesta trebuie
implementat.

Ioan Dziac, Inteligen artificial, 2008

107

n definirea acestor criterii trebuie avut n vedere, dac problema instruirii


reelei neurale este definit, dac trebuie alese funciile de apartenen i dac
parametrii acestora sunt iniializai.

2.2.4.1. Modelarea neuro-fuzzy


Ideea de baz a metodelor neuro-fuzzy const n faptul c parametrii
sistemului fuzzy (setul de reguli de inferen, funciile de apartenen) sunt
calculai prin metode de nvare (antrenare) pe seturi de date cunoscute (intrri
ieiri). Metodele de nvare utilizate sunt similare celor utilizate n cazul
reelelor neuronale.
Modul de lucru cu aceast metod este asemntor cu majoritatea
tehnicilor de identificare a sistemelor, i anume:
 la primul pas, se emite o ipotez asupra modului de funcionare a
sistemului i se definete un model iniial (prin asocierea unor funcii de
apartenen i a unui set de reguli);
 la al doilea pas, se aleg seturi de date de intrare i ieire pentru
antrenarea sistemului;
 la al treilea pas, cu ajutorul acestor date, prin intermediul metodei neurofuzzy se realizeaz ajustarea formei funciilor de apartenen
corespunztor unor criterii de eroare minim;
 n final, se alege un set de date de verificare i se testeaz sistemul
neuro-fuzzy obinut.
Dac rezultatele obinute cu setul de date de verificare nu sunt
satisfctoare, atunci exist o serie de mijloace prin care se poate optimiza
modelul:
a. mrirea numrului de date de antrenare;
b. creterea numrului de epoci de antrenare;
c. setarea pailor de incrementare a modificrii funciilor de apartenen.
n general, acest tip de model funcioneaz bine, dac datele de antrenare
pot s surprind caracteristici reprezentative ale intrrilor i ieirilor. n cazuri
practice, seturile de date nu sunt ntotdeauna reprezentative pentru totalitatea
situaiilor ce pot s apar i din aceast cauz trebuie admis un anumit nivel de
eroare pentru care se accept c modelul funcioneaz satisfctor.
Testarea se realizeaz cu un set de date diferit (presupus necunoscut) de
cel de antrenare i se compar eroarea medie ptratic obinut n cursul
epocilor de antrenare cu cea obinut n cazul rulrii setului de verificare. Dac
cele dou curbe de eroare converg, nseamn c antrenarea a fost realizat n
mod corect.

108

Ioan Dziac, Inteligen artificial, 2008

Calculul parametrilor de ajustare a funciilor de apartenen este realizat


cu ajutorul unui vector gradient care optimizeaz corelaia dintre modelul
neuro-fuzzy i sistemul real specificat prin setul de date intrare-ieire. Odat
obinut vectorul gradient, se aplic un algoritm de optimizare definit prin
minimizarea ptratelor diferenelor ieirilor reale i a celor modelate. Ajustarea
parametrilor funciilor de apartenen se realizeaz apoi printr-un algoritm
hibrid ce utilizeaz metoda celor mai mici ptrate combinat cu propagarea
napoi a erorilor (backpropagation).
n limbajul MATLAB, pentru realizarea modelelor nero-fuzzy se
utilizeaz modulul ANFIS (adaptive neuro-fuzzy inference system). n principiu
ANFIS realizeaz un sistem de inferen fuzzy capabil s se autoajusteze prin
utilizarea seturilor de date de antrenare intrare- ieire. Algoritmul ANFIS se
apeleaz n cadrul programelor MATLAB cu ajutorul funciei anfis, creia i se
pot seta urmtorii parametri:
- numrul de epoci de antrenare;
- eroarea de antrenare limit;
- valoarea iniial a pasului de optimizare;
- rata de scdere a mrimii pasului de optimizare;
- rata de cretere a mrimii pasului de optimizare;
Oprirea algoritmului de antrenare este asigurat de atingerea numrului de
epoci de antrenare sau de atingerea erorii de antrenare.
Funcia ansis returneaz o structur informaional ce descrie modelul
neuro-fuzzy al procesului caracterizat de setul de date de antrenare.

2.2.4.2. Utilizarea modelelor neuro-fuzzy la predicia unor evenimente


n cazul n care se dorete predicia unor valori pe baza unui ir de valori
reprezentnd o anumit evoluie anterioar, utilizarea unui model predictiv
bazat pe intrri-ieiri este oarecum atipic, deoarece este disponibil doar o
singur serie de date.
Un astfel de caz l reprezint valorile unei serii de timp, disponibile pn la un
moment t, ale crei valori se doresc s se utilizeze pentru a afla o valoare
urmtoare a seriei, la momentul t+P.
O metod convenabil pentru o astfel de predicie, este de a considera un
ir de N valori din cadrul intervalului cunoscut, cu pasul :
(x(t - (N - 1)),..., x(t - ), x(t))

(2.2.2)

Dac se alege, de exemplu, = P , pentru fiecare valoare a seriei


cunoscute, la momentul t, se poate defini un vector w(t):
w(t) = [x(t - (N - 1)P) x(t - (N - 2)P)... x(t)]

(2.2.3)

Ioan Dziac, Inteligen artificial, 2008

109

Acest vector w(t) se poate utiliza ca un set de date de antrenare de intrare pentru
un model neuro-fuzzy. Setul de date de antrenare de ieire va constitui predicia
(sau estimarea) s(t):
s(t) = x(t + )

(2.2.4)

n mod uzual, setul de date disponibil se mparte n dou intervale: primul


interval l constituie datele de antrenare, iar cel de-al doilea interval l constituie
datele de verificare.
n cadrul intervalului de antrenare, pentru fiecare valoare, se va calcula
w(t), iar irul valorilor w(t) se va considera setul de date de intrare i, respectiv,
irul valorilor s(t) va constitui setul de date de ieire.

2.2.4.3. Aplicaie privind predicia intervalelor de timp la care pot s


apar evenimente n cadrul unui sistem energetic
n cadrul metodei modelului predictiv neuro-fuzzy, prezentat n [DziS08],
algoritmul genereaz 16 reguli cu 104 parametrii ai funciilor de apartenen
(considernd funcii de apartenen de tip gaussian). Pentru a ajunge la
rezultate satisfctoare este important ca numrul de date de antrenare
disponibile s fie cel puin de 2 ori mai mare dect numrul parametrilor
funciilor de apartenen.
n cazul bazelor de date (BD) avute la dispoziie, un set minim de 200 de
date de antrenare se poate obine, numai dac se analizeaz incidentele pe
centre, pe intervalul de analiz, analiza pe staii sau consumatori nefurniznd un
numr suficient de date.
Pentru realizarea analizei cu ajutorul programului MATLAB, informaiile
din BD (realizate n EXCEL), au fost decriptate cu ajutorul unui program
bd_in4 realizat special n acest scop.
Parametrii funciei de antrenare anfis utilizai sunt:
- numrul de epoci de antrenare = 150;
- eroarea de antrenare limit = 0;
- valoarea iniial a pasului de optimizare = 0,0001;
- rata de scdere a mrimii pasului de optimizare = 1,9;
- rata de cretere a mrimii pasului de optimizare = 2,1;
Pentru centrul Aled, s-au definit mrimea setului de date de antrenare i
verificare de 200 de valori. Rezultatele rulrii programelor sunt prezentate n
diagramele de mai jos (fig. 2.2.9-2.2.14).

110

Ioan Dziac, Inteligen artificial, 2008

Figura 2.2.9. Date de antrenare centrul Aled

Figura 2.2.10. Date de verificare centrul Aled.

Ioan Dziac, Inteligen artificial, 2008

Figura 2.2.11. Funcii de apartenen iniiale centrul Aled

Figura 2.2.12. Funcii de apartenen ajustate centrul Aled.

111

112

Ioan Dziac, Inteligen artificial, 2008

Figura 2.2.13. Compararea erorilor la antrenare (A) i verificare (V) centrul Aled

Figura 2.2.14. Diagrame de evoluie: valori reale (A); valori simulate (V) centrul Aled
(A) albastru, (V) verde

Ioan Dziac, Inteligen artificial, 2008

113

Din modelarea neuro-fuzzy se constat urmtoarele:


Erorile converg ctre o valoare constant i, dup un numr de 150 de
epoci, acestea rmn la o valoare constant.
Pentru centrul Aled, valorile de predicie sunt n intervalul [200400]
numr de incidente. Valorile de predicie se consider satisfctoare n
intervalul [200-350] numr de incidente.
Dac se dorete reprezentarea incidentelor n timp, din diagramele de
predicie (Numr de incidente Durata dintre dou incidente), prin alturarea
intervalelor de timp i reprezentarea lor pe abscis i asignarea valorii 1 la
fiecare moment de timp n care poate s apar un incident i a valorii de 0
pentru celelalte momente, se obine diagrama pentru centrul Aled, prezentat
n fig. 2.2.15.

Figura 2.2.15. Diagramele de apariie a incidentelor n funcie de timp pentru


centrul Aled

114

Ioan Dziac, Inteligen artificial, 2008

2.3. Calcul evolutiv. Algoritmi genetici


Calculul evolutiv este folosit n principal n rezolvarea problemelor
bazate pe cutarea soluiei ntr-un spaiu de soluii poteniale. Sursa de
inspiraie o reprezint principiile evoluionismului darwinist. Principiul
fundamental este de a dezvolta sisteme complexe pornind de la reguli simple
[...]. Majoritatea algoritmilor evolutivi sunt inspirai din comportamentul
insectelor n cadrul unor colectiviti de albine, termite etc., din activitatea
social uman sau din experiena milenar a oamenilor, acumulat n rezolvarea
problemelor prin cutarea soluiei acceptabile ntr-un spaiu al soluiilor
plauzibile [...]. Ilustrm aceasta prin urmtorul exemplu sugestiv. Pentru
obinerea "lalelei negre" s-a folosit o operaie de "ncruciare biologic" prin
cultivarea unei suprafee cu lalele albe i lalele roii distribuite aleator pe
suprafaa cultivat. Rsadurile cultivate reprezint prinii lalelelor din prima
recolt (prima generaie de lalele) culeas de pe suprafaa dat. La prima
generaie de lalele recoltate, se constat c, printre lalelele recoltate, n afara
celor albe i roii, apar unele exemplare care au suferit unele "mutaii genetice"
exprimate prin aceea c nu sunt nici albe, nici roii, ci mai degrab "gri" "gri
mai nchis" sau "gri deschis " etc. Apoi, se aplic un procedeu de selecie a
exemplarelor care sunt cele mai apropiate de scopul cutrii (obinerea lalelei
negre). Populaia lalelelor selectate din prima recolt sunt "copiii" obinui din
ncruciarea de lalele albe i roii, dar ei vor forma mulimea prinilor pentru
o nou recolt de lalele i mai apropiate "laleaua neagra". Se constat aci un
proces evolutiv treptat spre o soluie acceptabil a problemei formulate. Cei ce
se ocup cu astfel de procese de ameliorare a unor specii prin ncruciri i
selecii repetate au neles mai demult c, din fiecare generaie, se alege nu
numai o singur pereche de reprezentani pentru o nou ncruciare, ci se alege
o mulime de exemplare care satisfac n cea mai mare msur scopul urmrit,
iar ncruciarea se face aleatoriu. Experiena n acest domeniu a artat c
aceast mulime selectat pentru o nou ncruciare nu trebuie s fie foarte
divers, alegerea deci nefiind foarte liber. O mare libertate de alegere poate
duna. Exist un optimum din punctul de vedere al "libertii de alegere" pentru
fiecare din generaii [...].54
n general, orice problem real poate fi perceput ca o cutare n spaiul
soluiilor poteniale S:
f : S n .

54

http://www.ici.ro/RRIA/ria2007_4/art02.html

(2.3.1)

Ioan Dziac, Inteligen artificial, 2008

115

Deoarece, de obicei, cutm cea mai bun soluie x* = ( x1* , x2* ,..., xn* ) ,
putem privi acest proces ca fiind unul de optimizare (minimizare sau
maximizare):
f ( x* ) = min f ( x) , respectiv f ( x* ) = max f ( x) .
xS

(2.3.2)

xS

Pentru spaii mici, metodele clasice exhaustive sunt mulumitoare; pentru


spaii mari, pot fi folosite metode ale IA, cum este calculul evolutiv.
Calculul evolutiv folosete algoritmi ale cror metode de cutare au ca
model fenomene ale evoluiei naturale (Darwin), unde o populaie (de ageni,
indivizi, cromozomi), bazndu-se pe motenirea genetic, este supus evoluiei
prin selecie, ncruciare i mutaie.
Cele mai cunoscute tehnici ale calculului evolutiv sunt:
1. Algoritmii genetici (Genetic algoritmhs, au fost introdui iniial de
Holland, 1960, ca modele ale evoluiei naturale). Populaia P este
reprezentat de stri din spaiul problemei S al soluiilor poteniale.
Indivizii/cromozomii sunt codificai de obicei, n forma binar.
Operaia principal este cea ncruciare, mutaia avnd un rol
secundar. Se utilizeaz n prezent, mai ales, n probleme de optimizare
combinatorial;
2. Programarea evolutiv (Evolutionary programming, Fogel, 1966).
Populaia P este reprezentat de automate cu stri finite, fiecare dintre
ele candidnd la rezolvarea problemei. Operaia principal: mutaia
(constnd n perturbarea diagramei de tranziie a strilor).
3. Strategiile evolutive (Evolution strategy, concepute iniial de
Rechenberg, 1970, pentru rezolvarea problemelor n tehnic). Populaia
este reprezentat sub forma unor vectori cu valori reale, iar operaia
principal este cea de mutaie (vzut ca o perturbaie aleatoare).
ncruciarea, poate fi i ea util, dar nu este obligatorie. Au fost pentru
prima dat dezvoltate metode autoadaptive de stabilire a unor
parametrii de control;
4. Sisteme de clasificare prin nvare (Learning classifier system,
Holland, 1975);
5. Programarea genetic (Genetic programming, Koza, 1990). Populaia
P este reprezentat de programe care candideaz la rezolvarea
problemei. Programele sunt descrise ca arbori de derivare a cuvntului
pe care l reprezint n limbajul respectiv i ca linii de cod (cel mai des
se utilizeaz limbajul Lisp). ncruciarea, ca operaie de baz, se
realizeaz selectnd aleator subarbori din arborele asociat programelor
printe i interschimbndu-le.);
6. Cutare armonic ( Harmony search, Geem et al., 2001).

116

Ioan Dziac, Inteligen artificial, 2008

Structura oricrui algoritm de calcul evolutiv este, n general:

procedura algoritm_evolutiv
t <-- 0
creare P(t)
evaluare P(t)
until not condiia de stop
t <-- t + 1
selectare P(t) din P(t-1)
modificare P(t)
evaluare P(t)
sfrit until
sfrit procedura
n cele ce urmeaz vom explica algoritmul general propus mai sus.
Algoritmii evolutivi menin o populaie de indivizi la fiecare iteraie t. O
populaie poate fi privit ca fiind un vector de valori. Fiecare individ (element
al vectorului reprezint o soluie potenial a problemei i este implementat
sub forma unei structuri de date S. Un individ este uneori numit i cromozom.
Fiecare soluie este evaluat ca fiind o msur a "fitness-ului" su (speranei de
via). Acest fitness reprezint calitatea individului. De obicei, cu ct individul
este mai promitor, cu att fitness-ul su este mai mare. Exist unele probleme
n cazul crora fitness-ul trebuie s fie minimizat. O nou populaie (iteraia t +
1) se formeaz alegnd cei mai promitori indivizi (pasul de selecie) din
populaia curent. O parte din membri populaiei nou formate sufer
transformri (pasul de modificare) sub aciunea operatorilor genetici, pentru a
obine noi soluii.
Operatorii genetici sunt, de fapt, proceduri care opereaz asupra elementelor
vectorului populaie.
Exist doi operatori genetici principali:
un operator unar mi de transformare numit mutaie, care creeaz un nou
individ printr-o mic modificare a unui individ ales ( mi : S S );
un operator mai puternic cj numit ncruciare (crossower), care creeaz
noi indivizi combinnd pri din doi sau mai muli indivizi
( c j : S S ... S S ) (de cele mai multe ori se folosesc doi prini).
Dup un anumit numr de generaii algoritmul converge: se sper c cel mai
promitor individ ajunge la o valoare ct mai apropiat de soluia optim. n
ciuda similaritilor puternice ntre diferitele tehnici de calcul evolutiv, exist i
multe diferene. Acestea sunt date, n principal, de structurile de date folosite

Ioan Dziac, Inteligen artificial, 2008

117

pentru a reprezenta un individ i de ordinea n care se aplic operatorii genetici.


De exemplu, cele dou linii din algoritmul de mai sus:

selectare P(t) din P(t-1)


modificare P(t)
pot aprea n ordine invers: (n strategiile evolutive, nti se modific populaia
i apoi este format o nou populaie prin procesul de selecie, n timp ce ntr-un
algoritm genetic nti se aplic selecia, iar apoi intr n aciune operatorii
genetici de transformare).
Exist, de asemenea, i alte diferene ntre metode. Una dintre acestea ar fi cea
referitoare la metodele de selecie care includ:
selecia proporional, unde ansa (probabilitatea) ca un individ s fie
selectat este proporional cu fitness-ul lui;
metoda rangului, n care toi indivizii din populaie sunt sortai n
funcie de fitness, iar probabilitatea (ansa) ca ei s fie selectai este
fixat de ntreg procesul de evoluie (de exemplu, probabilitatea de
selecie a celui mai promitor individ este 0.15, a individului urmtor
este 0.14, etc.; cel mai promitor individ are cea mai mare probabilitate
i suma total a probabilitilor indivizilor este 1);
selecia prin turnir (prin concurs) unde un anumit numr de indivizi (de
obicei doi) lupt pentru a fi selectai n noua generaie. Aceast
competiie (turnir) este repetat pn sunt selectai un numr de indivizi
egal cu dimensiunea populaiei.

118

Ioan Dziac, Inteligen artificial, 2008

2.4. Raionament probabilist. Reele bayesiene


2.4.1. Metoda bayesian
Conceptul de baz a probabilitii joac un rol semnificativ n viaa de zi
cu zi. Conceptul de probabilitate are o istorie lung ncepnd cu cteva sute de
ani n urm cnd n vocabular au fost introduse cuvinte ca probabil, poate,
,posibil ca.
Probabilitatea unui eveniment se poate defini ca fiind proporia cazurilor
n care evenimentul are loc:
P (eveniment ) =

nr . cazuri favorabile
.
nr. cazuri posibile

(2.4.1)

Probabilitate poate fi definit i ca o msur tiinific a ansei


(ntmplrii).
Probabilitatea poate fi exprimat matematic ca un indicator numeric cu o
valoare ntre 0 (o imposibilitate absolut) i 1 (o certitudine absolut).
Majoritatea evenimentelor au un indicator de probabilitate strict ntre 0 i 1,
ceea ce nseamn c fiecare eveniment are cel puin dou consecine: un
rezultat favorabil sau succes, i un rezultat nefavorabil sau insucces.
Dac s este reprezint numrul de cte ori evenimentul s-a terminat cu
succes, iar i de cte ori s-a terminat cu insucces, atunci probabilitatea unui
succes sau insucces poate fi determinat prin formulele:
P ( succes) =

nr. succeselor
s
= =p
nr. cazurilor posibile t

P (insucces) =

nr . insucceselor
i
= =q
nr. cazurilor posibile t

cu t = s + i , p + q = 1 .

(2.4.2)

(2.4.3)
(2.4.4)

S considerm exemplul clasic cu o moned i un zar. Dac aruncm o


moned, probabilitatea ca la cdere s fie cap este egal cu probabilitatea s fie
pajur. Adic s=i=1, i din acest motiv probabilitatea cap (sau pajur) este 0,5.
Dac aruncm un zar, care este probabilitatea s ias 3 dintr-o singur
aruncare? Dac presupunem c 3 este singurul succes, atunci s=1, i=5,
deoarece avem o singur cale s avem un 3 i 5 ci s nu avem 3 dintr-o singur
aruncare. Din acest motiv, probabilitatea de a obine un 3 este:

Ioan Dziac, Inteligen artificial, 2008

P ( 3) = p =

119

nr. cazuri care duc la succes 1


= = 0.166
nr. total cazuri posibile
6

i probabilitatea s nu obinem un 3 este:


P (not 3) = q =

nr. cazuri care duc la nerealiarea lui 3 5


1
= = 1 = 0.833 .
nr . total cazuri posibile
6
6

Fie A i B dou evenimente. Presupunem c cele dou evenimente nu


sunt exclusive mutual, dar apar n mod condiionat la apariia celuilalt.
Probabilitatea ca evenimentul A s apar dac apare evenimentul B se numete
probabilitate condiionat. Aceasta este reprezentat matematic ca P(A|B) n
care bara vertical reprezint DAT iar expresia complet a probabilitii este
interpretat ca Probabilitatea condiional a apariiei evenimentului A dat fiind
faptul c evenimentul B a aprut deja:
P( A | B) =

nr . de cazuri posibile de realizare a lui A si B


nr. cazuri posibile de realizare a lui B

(2.4.5)

Probabilitatea apariiei att a evenimentului A ct i a evenimentului B se


numete probabilitatea comun a evenimentelor A i B. Se reprezint
matematic prin P ( A I B ) . Numrul de moduri prin care poate aprea B este
probabilitatea lui B, P(B), i deci:
P ( A | B) =

P( A I B)
P( B)

(2.4.6)

n mod similar, probabilitatea condiionat ca s avem apariia


evenimentului B dat fiind apariia evenimentului A este:
P ( B | A) =

P ( B I A)
P ( A)

(2.4.7)

Deci
P ( B I A) = P( B | A) P ( A)

(2.4.8)

Probabilitatea comun este comutativ, rezultnd


P ( B I A) = P ( A I B )

(2.4.9)

Ioan Dziac, Inteligen artificial, 2008

120

P ( A I B) = P( B | A) P ( A)

(2.4.10)

Substituind relaia 2.4.10 n 2.4.7 avem:


P( A | B) =

P ( B | A) P ( A)
P( B )

(2.4.11)

Relaia 2.4.11 este cunoscut ca fiind formula lui Bayes sau regula bayesian
(denumit astfel dup Thomas Bayes, un matematician englez care a introdus
aceast regul n secolul XVIII).
Conceptul de probabilitate condiionat introdus pn acum consider c
evenimentul A era dependent de evenimentul B. Acest principiu poate fi extins
ca evenimentul A s fie dependent de un numr de evenimente exclusive
mutual B1,,Bn. Avem:
n

P ( A I Bi ) =

i =1

P ( A | Bi ) P ( Bi )

(2.4.12)

i =1

Dac relaia 2.4.12 este nsumat pe o list exhaustiv de evenimente Bi


exclusive mutual, obinem:
n

P( A I Bi ) =P( A)

(2.4.13)

i =1

Aceasta va reduce relaia 2.4.12 la urmtoarea formul a probabilitii


condiionate:
n

P ( A) =

P ( A | Bi ) P ( Bi )

(2.4.14)

i =1

Dac apariia evenimentului A depinde doar de dou evenimente exclusive


mutual, fie acestea B i evenimentul contrar B , atunci relaia 2.4.14 este:
P ( A) = P( A | B ) P( B ) + P ( B | B ) P ( B )

(2.4.15)

P ( B ) = P ( B | A) P( A) + P ( B | A) P( A)

(2.4.16)

n mod similar,

Ioan Dziac, Inteligen artificial, 2008

121

Dac nlocuim 2.4.16 n regula bayesian 2.4.11, avem:


P( B | A) P ( A)

P( A | B) =

P ( B | A) + P ( B | A) P ( A)

(2.4.17)

Relaia 2.4.17 furnizeaz baza aplicrii teoriei probabilitii pentru gestionarea


incertitudinii n sistemele expert.

2.4.2. Abordarea bayesian


S presupunem c toate regulile din baza de cunotine sunt reprezentate
n urmtorul mod:
IF E este adevrat
THEN
H este adevrat {cu probabilitatea p}
Aceast regul reprezint de fapt faptul c dac evenimentul E are loc,
atunci probabilitatea ca evenimentul H s aib loc este p.
Ce se ntmpl dac evenimentul E a avut loc dar nu tim dac
evenimentul H a avut loc sau nu? Putem calcula probabilitatea ca
evenimentul H s fi avut loc?
Relaia 2.4.17 ne spune cum s calculm aceast probabilitate. n
sistemele expert, de obicei, H reprezint ipotezele, iar E reprezint evidena
suportului acestei ipoteze. Deci relaia 2.4.17 exprimat n termeni de ipoteze i
evidene arat astfel:
P( H | E ) =

P( E | H ) P ( H )
P( H | E ) + P ( E | H ) P ( H )

(2.4.18)

Unde:
P(H) este probabilitatea anterioar a ipotezei H de a fi adevrat.
P(E|H) este probabilitatea ca ipoteza H s fie adevrat dat
fiind evidena E
P ( H | E ) este probabilitatea anterioar a ipotezei H de a fi fals

P ( E | H ) este probabilitatea de a gsi evidena E chiar dac


ipoteza H este fals.

Relaia 2.4.18 sugereaz c probabilitatea ipotezei H, P(H), trebuie s fie


definit nainte de a fi examinat orice eviden. n sistemele expert,
probabilitile necesare pentru rezolvarea unei probleme sunt date de ctre

Ioan Dziac, Inteligen artificial, 2008

122

experi. Un expert determin probabilitile anterioare pentru ipotezele posibile


P(H) P (H ) i de asemenea i probabilitile condiionate pentru observarea
evidenei E, dac ipoteza H este adevrat, P(E|H) i dac ipoteza H este fals,
P ( E | H ) . Utilizatorii furnizeaz informaii despre evidena observat iar
sistemul expert calculeaz P(E|H) pentru ipoteza H n funcie de evidena E
dat de utilizator.
Probabilitatea P(E|H) se numete probabilitate posterioar a ipotezei H
n funcie de evidena observat E.
Ce se ntmpl dac expertul, bazndu-se pe unica eviden E, nu poate
alege o singur ipotez ci furnizeaz un set de ipoteze H1,, Hm? Sau furniznd
mai multe evidene E1,, En, expertul va produce mai multe ipoteze?
Putem generaliza relaia 2.4.18. pentru a lua n considerare att ipotezele
multiple ct i evidenele multiple. Dar att ipotezele ct i evidenele trebuie s
fie exclusive mutual i exhaustive.
n sistemele expert, subtilitile evidenelor ar trebui nlturate i
considerat independena condiionat de-a lungul diferitelor evidene. Astfel
obinem:
P ( H i | E1 E 2 ...E n ) =

P( E1 | H i ) P ( E 2 | H i ) ... P( E n | H i ) P ( H i )
m

(2.4.19)

P( E1 | H k ) P( E 2 | H k ) ... P( E n | H k ) P( H k )
k =1

2.4.3. Limitele metodei bayesiene


Platforma pentru abordarea bayesian necesit valori ale probabilitii ca
i valori introduse iniial. Evaluarea acestor valori de obicei implic judecata
uman. n orice caz, cercetri psihologice arat c oamenii fie nu pot obine
valori consistente ale probabilitii cu ajutorul regulilor bayesiene, fie o fac n
mod eronat. Acest lucru sugereaz c probabilitile condiionate pot fi
inconsistente n raport cu probabilitile date de un expert. S considerm, de
exemplu, o main care nu pornete i face zgomote ciudate cnd ncercai s o
pornii.
Probabilitatea condiionat ca mecanismul de pornire a mainii s fie
stricat dac maina face zgomote ciudate, poate fi exprimat astfel:
IF simptomul este zgomote ciudate
THEN
mecanismul de pornire este stricat {cu
probabilitatea 0,7}
n mod aparent, probabilitatea condiionat ca mecanismul de pornire s
nu fie stricat dac maina face zgomote ciudate este:

Ioan Dziac, Inteligen artificial, 2008

123

P(mecanismul de pornire nu este stricat|zgomote ciudate)= P(mecanismul de


pornire este bun|zgomote ciudate)=1-0,7=0,3.
Deci, putem obine o regul pereche care spune:
IF simptomul este zgomote ciudate
THEN
mecanismul
de
pornire
este
bun
{cu
probabilitatea 0,3}
Experii de domeniu nu se descurc prea uor cu probabilitile
condiionale i deseori neag existena probabilitii implicite ascunse (0,3 n
exemplul nostru).
n cazul nostru, am folosi informaii statistice disponibile i studii
empirice pentru a deriva urmtoarele dou reguli:
IF mecanismul de pornire este stricat
THEN
simptomul este zgomote ciudate {cu
probabilitatea 0,85}
IF mecanismul de pornire este stricat
THEN
simptomul nu este zgomote ciudate {cu
probabilitatea 0,15}
Pentru a folosi regula bayesian, trebuie s avem probabilitatea
anterioar, probabilitatea ca mecanismul de pornire s fie stricat dac maina nu
pornete. Aici avem nevoie de judecata unui expert. S presupunem c, expertul
ne furnizeaz valoarea de 5%. Atunci putem aplica regula bayesian astfel:
P(mecanismul de pornire este stricat|zgomote ciudate) =
0,85 0, 05
=
= 0, 23 .
0,85 0, 05 + 0,15 0, 95
Numrul obinut este mult mai mic dect estimarea experilor de 0,7 dat
la nceputul acestei seciuni.
Cel mai evident motiv al acestei inconsistene este acela c experii au
fcut presupuneri diferite cnd au stabilit probabilitile condiionale i
anterioare. Probabilitile anterioare date de asemenea de ctre experi par s fie
inconsistente cu probabilitate de suficien, i cu probabilitate de necesitate.
Sunt propuse mai multe metode de manevrare a acestor probleme. Cea mai
popular tehnic, prima oar aplicat n sistemul PROSPECTOR, este folosirea
unui model de interpolare linear.
Pentru folosirea abordrii bayesiene subiective, trebuie satisfcute multe
presupuneri, incluznd independena condiionat a evidenei att din punct de
vedere al ipotezei ct i a negaiei sale. Cum astfel de presupuneri sunt destul de
rar ndeplinite n cadrul problemelor din lumea real, doar cteva sisteme au
fost construite pe baza raionamentului bayesian. Cel mai cunoscut astfel de
sistem este PROSPECTOR, un sistem expert pentru explorarea mineral.

124

Ioan Dziac, Inteligen artificial, 2008

2.4.4. Comparaie ntre abordarea bayesian i factorii de certitudine


Teoria factorilor de certitudine este o alternativ popular a
raionamentului bayesian. Principiile de baz ale acestei teorii au fost prima
oar introduse n MYCIN, un sistem expert pentru diagnosticul i terapia
infeciilor sngelui i a meningitei. Dezvoltatorii sistemului MYCIN au
descoperit c experii medicali au exprimat credinele lor n termeni care nu
aveau consisten logic sau matematic. Mai mult, nu erau disponibile date
statistice de ncredere din cadrul domeniului problemei. Din acest motiv, echipa
care a dezvoltat sistemul MYCIN nu a putut folosi abordarea probabilitilor
clasice. n schimb au decis introducerea unui factor de certitudine (cf), ce
reprezint o msurtoare a credinelor experilor. Valoarea maxim a factorului
de certitudine era +1,0 (n mod sigur adevrat) iar minimul era -1,0 (n mod
sigur fals).
n sistemele expert cu factori de certitudine, baza de cunotine este
alctuit din un set de reguli care au urmtoarea sintax:
IF <eviden>
THEN
<ipotez> {cf}
Teoria factorilor de certitudine se bazeaz pe dou funcii: msurarea
ncrederii MB(H,E) i msurarea nencrederii MD(H,E). Aceste funcii indic,
gradul n care ncrederea n ipoteza H ar putea crete dac se observ evidena
E, i gradul de nencredere n ipoteza H ar putea crete prin observarea
evidenei E.
Msura ncrederii(engl. belief) sau nencrederii (engl. distrust) se poate
definii n termeni de probabiliti condiionale i anterioare dup cum urmeaz:
1, pentru P ( H ) = 1

MB( H , E ) = max[ P( H | E ), P( H )] P ( H )
, altfel

max[1, 0 ] P( H )

(2.4.20)

1, pentru P( H ) = 0

MD( H , E ) = min[ P ( H | E ), P ( H )] P ( H )
, altfel

min[1, 0 ] P ( H )

(2.4.21)

Unde:
p(H) este probabilitatea anterioar a cazului n care ipoteza H
este adevrat.
p(H|E) este probabilitatea ca ipoteza H s fie adevrat, fiind
dat evidena E.

Ioan Dziac, Inteligen artificial, 2008

125

Valorile MB(H,E) i MD(H,E) sunt ntre 0 i 1. Puterea ncrederii sau


nencrederii n ipoteza H depinde de tipul de eviden E observat.
Teoria probabilitii este cea mai veche tehnic i cea mai bine stabilit
pentru a gestiona cunotine inexacte i date aleatorii. Funcioneaz bine n arii
de previziuni i planificri, unde datele statistice sunt de obicei disponibile i se
pot realiza propoziii de probabilitate exacte.
Un sistem expert n care s-a aplicat tehnica bayesian, PROSPECTOR, a
fost dezvoltat pentru a ajuta geologii n cutarea lor de depozite de minerale. A
avut un mare succes, de exemplu, folosind date geologice, geofizice i
geochimice, PROSPECTOR a prezis c exist molibden lng Munii Tolman,
n Statul Washington. Dar echipa care a lucrat la PROSPECTOR a putut s se
bazeze pe date valide despre depozite minerale tiute i pe informaii statistice
de ncredere. Au fost de asemenea definite i probabilitile pentru fiecare
eveniment. Echipa PROSPECTOR a putut de asemenea presupune
independena condiional a evidenei, o constrngere care trebuie s fie
satisfcut pentru a putea fi aplicat abordarea bayesian.
n orice caz, n multe arii cu posibilitate de aplicare a sistemelor expert,
informaiile statistice de ncredere nu sunt disponibile sau nu putem presupune
independena condiional a evidenei.
Dei n cazul abordrii factorilor de certitudine se duce lips de
corectitudine matematic a teoriei probabilitilor, se pare c este totui mult
mai bun dect abordarea bayesian n anumite arii cum ar fi diagnosticul i
mai ales arii din medicin. n SE de diagnostic, cum e MYCIN, regulile i
factorii de certitudine vin din cunotinele unui expert i judecata intuitiv a
acestuia. Factorii de certitudine sunt folosii n cazuri n care probabilitile nu
sunt cunoscute sau sunt prea greu de obinut sau prea scumpe. Mecanismul de
raionament evident poate gestiona n mod incremental evidena achiziionat,
conjuncia i disjuncia ipotezelor, la fel ca evidenele cu diferite grade de
ncredere. Mai mult, abordarea factorilor de certitudine furnizeaz explicaii
mai bune a curgerii informaiei ntr-un sistem expert bazat pe reguli.
Abordarea bayesian i a factorilor de certitudine sunt diferite una fa de
cealalt, dar au aceeai problem: gsirea unui expert ce poate cuantifica
informaii personale, subiective i calitative.
Metoda bayesian pare a fi cea mai adecvat metod dac exist date
statistice de ncredere. n absena acestei condiii, abordarea bayesian s-ar
putea s fie prea arbitrar i chiar limitat n cazul producerii de rezultate
pertinente. Ar trebui de asemenea s menionm c propagarea ncrederii
bayesiene este de complexitate exponenial, i din acest motiv este nepractic
pentru baze de cunotine de dimensiuni mari.

126

Ioan Dziac, Inteligen artificial, 2008

Tehnica factorilor de certitudine, n ciuda lipsei de fundaie formal, ofer


o abordare simpl pentru abordarea incertitudinilor n sistemele expert i
furnizeaz rezultate acceptabile n multe aplicaii.

2.4.5. Reele bayesiene


O reea bayesian (RB), numit i reea de ncredere (Bayesian Network
sau Belief Network), este un model probabilistic grafic (de regul, un graf
aciclic direct) care reprezint o mulime de variabile aleatoare i independena
lor probabilistic.
Teoria reelelor bayesiene combin probabilitatea bayesian i noiunea
de independen condiionala pentru a reprezenta dependenele dintre variabile
aleatoare (Pearl, 1986; Speigelhalter & Cowell, 1992).
Reelele bayesiene s-au dovedit utile n multe tipuri de aplicaii, precum:
sisteme expert medicale, sisteme de diagnostic al eecurilor, recunoaterea
formelor (tiparelor), recunoaterea vocii i evaluarea riscurilor sistemelor
complexe n medii cu miz ridicat.
Astfel de reele fac posibil analiza n condiii de incertitudine i combina
avantajele unei reprezentri vizuale intuitive cu o fundamentare matematic
bazat pe probabilitatea bayesian. n acest mod putem utiliza cunotinele
experilor n legtura cu dependenele dintre diferite variabile i s proiectam n
mod consistent impactul dovezilor asupra probabilitilor rezultatelor incerte.
RB permit o infuzie de rigurozitate tiinifica cnd distribuiile de probabilitate
asociate nodurilor individuale ale reelei sunt doar opiniile experilor. Acest
lucru poate s mreasc ncrederea n prerile experilor (de unde i denumirea
alternativ de reele de ncredere), subliniind n acelai timp gradul de
imprecizie inerent n asemenea tipuri de raionamente.
Revenind la modelul grafic, o RB este un graf orientat ale crui noduri
reprezint variabilele(discrete) incerte de interes si ale crui muchii sunt
legturile cauzale sau de influen dintre variabile. Fiecrui nod i se asociaz un
tabel de probabiliti. Acesta este un set de probabiliti condiionate ce
modeleaz relaia de incertitudine dintre nod i printele su.
Cheia unui design de succes al RB este descompunerea corect a
domeniului problemei ntr-un set de propoziii cauzale sau condiionale despre
domeniu. n loc s cerem unui expert ntreaga distribuie unificat de
probabiliti, care este evident o sarcina foarte dificil, putem aplica o strategie
de tipul divide-et-impera si s cerem detalii pariale ale modelului care au
relevan n domeniul de expertiz.
n continuare avem nevoie ca expertul sa alctuiasc tabelul
probabilitilor nodului(TPN) pentru fiecare variabil (nod): acest lucru poate fi
fcut fie utiliznd date cronologice (prin nvarea parametric bayesian
standard sau simulrile Monte Carlo), fie cernd expertului sa furnizeze o serie

Ioan Dziac, Inteligen artificial, 2008

127

de estimri subiective. Ideal ar fi ca aceste estimri s se bazeze pe experien i


cunotine, nu pe presupuneri hazardate.
Putem introduce cu uurin distribuii statistice discrete si continue n
cadrul modelului RB, ca tabele de probabiliti ale nodurilor, i putem genera
valori pentru aceste TPN-uri prin simulri Monte Carlo.
Odat construita RB, aceasta poate fi executat folosind un algoritm de
propagare adecvat cum ar fi algoritmul arborelui de jonciune. Acest lucru
presupune calcularea tabelei unificate a probabilitilor din structura
probabilitilor condiionate ale RB ntr-o maniera eficient.
Exist software specializat pentru prelucrarea RB, de exemplu
AgenaRisk55. Dup ce RB este compilat, aceasta poate fi executat dinamic i
prezint urmtoarele dou caracteristici:
1.
Efectele observaiilor introduse n unul sau mai multe noduri pot fi
propagate n toat RB, n orice direcie, iar distribuiile marginale
ale tuturor nodurilor sunt actualizate.
2.
Doar inferenele relevante pot fi fcute n RB (care folosete
structura dependentelor condiionale i cunotinele curente pentru
a determina acele inferene care sunt valide).
Este important de observat ca volumul si complexitatea calculului
implicate in folosirea RB pot fi controlate din punct de vedere a memoriei
interne i spaiului de stocare a computerului, dac se folosete o implementare
eficient a algoritmului arborelui de jonciune. Multe pachete academice de
prelucrare a RB, open-source, nu ofer posibilitatea unor implementri care
sunt suficient de eficiente pentru a suporta modele mari de RB, mai ales
combinate cu simularea Monte Carlo. Dar implementri eficiente sunt posibile
pentru clasa de RB necesare modelarii problemelor de risc operaional i pot fi
asamblate relativ uor cu unelte ca AgenaRisk.

55

http://www.agenarisk.com/

128

Ioan Dziac, Inteligen artificial, 2008

2.5. Teoria nvrii. Machine Learning


2.5.1. Noiuni de teoria nvrii
Machine Learning sau nvarea automat are ca scop crearea
programelor pentru sistemele inteligente (ageni, reele neurale, sisteme fuzzy,
sisteme neuro-fuzzy, roboi etc.), care mbuntesc performanele de rezolvare
a problemelor pe baza experienei rezolvrilor anterior utilizate.
n orice proces de nvare operm cu date, informaii, cunotine i
tindem, ntr-un model ideal, s transformm cunotinele n nelepciune.

Fig. 2.5.1. Evoluia conceptelor i a societii, drumul spre nelepciune i societatea


contiinei [Mat07]56

Dac datele reprezint fapte, nsuiri care descriu entiti, oameni,


obiecte, locuri sau evenimente, acestea devin informaii n momentul n care
datele despre un anumit element sau aspect de interes sunt grupate i sintetizate
pentru a putea deveni utile.
Este important s se fac distincie ntre:
Date - care sunt pur i simplu simboluri, fapte, figuri i detalii;
56

Mate M. (prof. coord. Dziac I.); Aplicaii informatice n economia modern,


http://www.uvvg.ro/studia/economice/plugins/p2_news/printarticle.php?p2_articleid=201

Ioan Dziac, Inteligen artificial, 2008

129

Informaii - sunt o interpretare organizat i util a datelor i se refer


la descriere, definire sau perspectiv (ce, cine, cnd, unde?);
Cunotine - sunt contientizarea i nelegerea unui set de informaii i
a modului n care aceste informaii pot fi folosite n cel mai bun mod i
includ strategii, practici, metode sau abordri (cum?);
nelepciunea cuprinde principii, judeci morale sau arhetipuri (de
ce?).

Dac analizm terminologia ntr-o evoluie conceptual prezentat n


figura 2.5.1, putem meniona urmtoarele:
nelegerea relaiilor: Datele devin informaii atunci cnd se pot
ncadra ntr-un anumit context sau li se poate da un anumit sens, astfel
nct s le putem folosi ntr-un mod util.
nelegerea modelelor: Informaiile devin cunotine atunci cnd cel
care le folosete este capabil de a nelege modelele care exist n
informaii pentru a le putea folosi imediat sau de a le aplica n viitor. E
vorba de fapt de a nelege cum lucreaz informaiile i cum pot fi ele
folosite cu succes.
nelegerea principiilor: nelepciunea / raiunea (wisdom) rezult
atunci cnd cineva nelege principiile fundamentale sau adevruri
general valabile (eternal truths), care rspund de modelele care
reprezint cunotinele ca fiind ceea ce sunt. Iar raiunea, chiar mai mult
dect cunotina, tinde s i creeze propriul su context.
n IA, pentru a ajunge de la universul problemei la cel al soluiei, avem nevoie
de urmtoarele 8 concepte57:
1. Reprezentarea = procesul de transformare a cunotinelor din problem
ntr-o baz de cunotine inteligibil de ctre computer (cunotine
reprezentate ntr-o form creia s-i putem aplica o metod din
knowledge-engineering). n aceast activitate trebuie s inem cont de
urmtoarele aspecte:
a. Cunotinele pe care le avem la dispoziie sunt complete sau nu?
structurate sau nestructurate? precise sau imprecise?
b. Ce metod de reprezentare le descrie cel mai bine?
57

http://thor.info.uaic.ro/~alaiba/clubai/index.php?title=Metode_folosite_%C3%AEn_ingineria_sistemelor_bazate_pe_cunoa%C5%
9Ftere#column-one, GNU FDL, FREE DOC LICENCE (tot ceea ce urmeaz n acest paragraf
reprezint prelucrri cu mici modificri dup accesarea din 08.12.2008)

130

Ioan Dziac, Inteligen artificial, 2008

c. Dac exist mai multe metode de reprezentare a problemei, care


dintre ele e cea mai simpl?
2. Inferena reprezint procesul de potrivire (asociere) a faptelor date cu
acele cunotine deja existente, rezultnd noi fapte. Inferena reprezint
un ir de potriviri (asocieri). Rezultatele intermediare obinute sunt i ele
comparate cu baza de cunotine, n vederea obinerii de noi fapte.
Lungimea irului de inferene depinde de baza de cunotine i de
metodele aplicate. Metodele fuzzy de inferen presupun c toate
regulile se folosesc la fiecare pas al inferenei i contribuie colectiv la
soluie. n modelele neurale ale inferenei nu se folosesc reguli explicite,
structurile neurale fiind obinute ca rezultate din datele anterioare.
3. nvarea este procesul prin care se obin noi cunotine. La urmtoarea
problem, sistemul va avea mai multe cunotine din care s i gseasc
soluia. Aceasta nseamn un pas spre adaptare i este o caracteristic
major a sistemelor inteligente. nvarea poate fi fcut prin trei
metode:
a. prin exemple: Exemplele de forma (xi, yi) unde xi este un vector
din spaiul de domeniu D iar yi unul din spaiul soluiilor S, ne
duc la o funcie F:D->S. Este o metod tipic pentru sistemele
neurale.
b. prin expunere: implementarea direct sau indirect a unei
mulimi de reguli euristice ntr-un sistem. Instruciunile date ntro forma text oarecare de ctre un instructor sunt traduse n reguli
inteligibile de ctre computer. Este metoda folosit de sistemele
fuzzy.
c. prin execuie: Sistemul pornete prin foarte puine cunotine
(uneori nici una). Memoreaz rezultatele obinute n urma
execuiilor i le folosete la execuiile ulterioare. Metoda este
folosit n algoritmii genetici.
4. Generalizarea este metoda de a adapta noi date de intrare la
cunotinele existente spre a obine o soluie ct mai aproape de cea
optim. Generalizarea reprezint tranziia de la un obiect particular la
descrierea unui concept general. Caracteristica major a sistemelor
inteligente.
5. Interaciunea reprezint comunicarea ntre sistem i mediu sau
utilizator n vederea rezolvrii problemelor. este important pentru
sistem n adaptarea la noi situaii, mbuntire, nvare.

Ioan Dziac, Inteligen artificial, 2008

131

6. Explicaiile sunt o caracteristic important pentru toate sistemele AI.


Se refera la urmrirea, spre nelegere, a procesului de inferen i
raportarea lui.
7. Validarea este procesul prin care se testeaz ct de bun este soluia. Se
compar soluia dat de sistem cu cea a altui sistem sau a unor experi.
8. Adaptabilitatea reprezint schimbarea unui sistem n timpul
funcionrii ntr-un mediu dinamic. Lipsa adaptabilitii este i lipsa
inteligenei.
[...]
Pentru reprezentarea cunotinelor structurate, sunt mai bune sistemele
simbolice i fuzzy, n timp ce pentru cunotinele nestructurate, reelele neurale
sunt preferate. Inferena este exact n sistemele simbolice i aproximativ n
celelalte dou; nvarea este greu de obinut pentru sistemele simbolice i
fuzzy, dar facil n reelele neurale. Generalizarea n sistemele simbolice nu este
att de bun ca n reele neurale sau sisteme fuzzy. explicaiile sunt uor de
obinut n sistemele simbolice i fuzzy, spre deosebire de cele neurale, la fel i
validarea. Adaptarea cea mai bun este a sistemelor neurale, celelalte dou
tipuri de sisteme lsnd de dorit la acest parametru.
Exist mai multe motive pentru care datele trebuiesc separate de cunotine,
i ambele de mecanismul de control (s.n.). Unele dintre aceste motive ar fi:
1. Datele pot reprezenta o situaie curent, o caracteristic a datelor fiind
aceea c pot varia n mod frecvent;
2. Regulile sunt stabilite pe termen lung i nu depind de modul n care
variaz descrierea datelor ntr-o situaie curent dat;
3. Separarea controlului, ca procedur inferenial, de mulimea de reguli
i de date permite extinderea bazei de cunotine atunci cnd este cazul,
fr a schimba procedurile de inferen.

2.5.2. Despre date


Analiza datelor.
Datele pot fi de diverse tipuri. Unele dintre acestea sunt descrise de:

cantitate vs. calitate. datele cantitative sunt mulimi de valori numerice,


iar cele calitative o colecie de simboluri. Datele cantitative pot fi
continue sau discrete.

Ioan Dziac, Inteligen artificial, 2008

132

date statice vs. date dinamice, dup cum sunt constante in timp sau nu.
date naturale vs. artificiale. datele naturale sunt colectate n urma
execuiei unui proces, n vreme ce datele artificiale sunt generate dup
nite reguli descriind procesul (prin simulri).
date corecte sau influenate de erori. La apariia unor facturi
perturbatori, datele for fi afectate de erori.

Reprezentarea datelor trebuie s satisfac urmtoarele cerine:


S fie reprezentate adecvat
S nu fie ambigue
Reprezentarea lor s fie fcut n cea mai simpl form posibil. Modul
de reprezentare grafic trebuie ales funcie de problema propriu-zis, la
un tip de problem fiind mai uor de reprezentat datele ca bar-graph-uri,
n timp ce n alt caz reprezentarea e mai sugestiv prin puncte.
Transformrile datelor au ca obiectiv:
reducerea ratei datelor: n loc s folosim toate datele, le selectm doar pe
cele care concur ntr-adevr la obinerea rezultatelor;
eliminarea erorilor: unele date pot fi afectate de o serie de erori,
prelucrarea lor ducnd la eliminarea sau cel puin minimizarea acestora.
Transformri posibile asupra datelor:
Selecie: putem considera doar o submulime a datelor de intrare.
Discretizare: datele cu variaie continu pot fi mprite n subintervale, iar fiecare dat s stocheze doar subintervalul cruia i
aparine. Discretizarea este un fel de aproximare.
Normalizare: mutm scala datelor ntr-una predefinit, de exemplu [0100], pentru a exprima procente. Normalizarea poate fi: liniar,
logaritmic sau exponenial.
Transformri liniare, datele fiind prelucrate prin intermediul unei
funcii liniare.
Transformri neliniare, datele fiind afectate n mod neliniar, prin
funcii logaritmice sau gaussiene
Transformate Fourier (rapide) formeaz o categorie special de
transformri neliniare aplicate n special datelor audio-video.

Ioan Dziac, Inteligen artificial, 2008

133

2.5.3. Despre informaii


Informaiile reprezint o colecie de date structurate. Reprezentarea
datelor i cunotinelor n structuri poate influena funcionalitatea sistemului ca
ntreg. O structur de informaii conine elemente informaionale i legturi
ntre ele. O astfel de structur poate reprezenta date i legturi dintre ele pentru
spaiul problemei, D, pentru spaiul soluiei S sau pentru ambele i este n
general o problem de spaiu. O structur informaional este o colecie de
elemente de informaii cu o organizare definit, operaii asupra elementelor, i o
metod de asemenea definit de a accesa orice element. Aceste structuri pot fi
organizate static sau dinamic, dup cum au sau nu un numr fix de elemente.
Un pointer unete un element cu locaia altui element.
Mulimile, stivele, cozile, listele nlnuite, arborii i grafurile sunt structuri
informaionale dinamice:
1. Mulimile reprezint cele mai utilizate structuri matematice. Conceptul
de mulime este unul generic, fiind definit ca o colecie de obiecte
asupra crora se pot face o serie de operaii, dintre care cele mai uzuale
sunt
reuniunea,
intersecia,
diferena,
complementarierea,
complementarierea relativ, apartenena, egalitatea i incluziunea.
2. Stiva este o colecie de elemente ordonate asupra elementului din vrf
putnd fi executate doar dou operaii, pop i push.
3. Coada este similar stivei, dar sunt folosii doi pointeri, unul pentru
intrare, altul pentru ieire. Ca i stivele, cozile pot fi statice sau
dinamice.
4. Lista nlnuit este o structura mai general dect stivele i cozile.
Elementele din lista pot fi legate ntre ele n diverse moduri. Operaiile
cu liste nlnuite sunt inserarea unui element n list, tergerea unui
element din list, cutarea unui element n cadrul listei.
5. Arborii i grafurile sunt folosite pentru reprezentri de planuri,
clasificri de structuri, ci de decizie, etc. Arborii sunt cazuri particulare
ale unor structuri numite grafuri orientate, compuse din noduri i arce.
Ei conin un nod special, numit rdcin, n care nu intr nici un arc, dar
din care se poate ajunge n orice alt nod pe exact o singur cale.
Nodurile din care nu ies alte arce se numesc frunze. Grafurile sunt de
asemenea compuse din noduri i arce, i pot fi orientate sau nu, dup
cum arcele sunt orientate sau nu. Pentru grafuri se pot defini conceptele

Ioan Dziac, Inteligen artificial, 2008

134

de ciclu, arbore parial, drum eulerian i hamiltonian, conexitate.


Problemele importante n grafuri sunt cele referitoare la:

distana minim ntre dou noduri;


drumul de cost minim;
existena unui drum ntre dou noduri oarecare din graf;
aflarea izomorfismelor ntre grafuri;
nchiderea tranzitiv a unui graf;
probleme de colorare.

2.5.4. Despre cunotine


Pentru a deveni cunotine informaiile se pot organiza n:
1. Frame-uri - structuri care reprezint informaii structurate pentru date
standard. ele constau din variabile i valori. Variabilele reprezint
caracteristicile tipice ale obiectelor. Reprezentarea obiectelor este
uniform, toate obiectele trebuie s aib acelai grup de proprieti
pentru a se putea executa comparaii, cutri sau actualizri. Aceste
variabile pot avea coninut static sau dinamic. Aceste structuri sunt
folosite la rezolvarea problemelor prin metoda comparativ.
2. Reele semantice - folosesc grafurile orientate pentru a reprezenta
informaii contextuale. Nodurile reprezint obiectele i conceptele, iar
arcele, relaiile dintre ele. Relaiile tipice sunt: este_de_tipul,
este_o_parte_a_lui, implic. Reelele semantice sunt folosite pentru
reprezentarea ierarhiilor plate de cunotine, dar ele sunt n continuare
statice. Este dificil de a actualiza datele prin nvare.
3. Schemate - structuri mai generale dect reelele semantice. Ele au la
baz reprezentarea cunoaterii ca pe o stare stabil a unui sistem
construit din mai multe elemente care interacioneaz unele cu altele
cnd sistemul i schimb starea. Starea sistemului e de fapt alctuit din
starea tuturor elementelor sale. Cunoaterea n acest caz este distribuit,
fiind reprezentat de starea unei mulimi de elemente. Este dinamic,
deoarece o mic schimbare n valorile de intrare are ca efect o noua stare
a ntregului sistem. Schematele reprezint cunoaterea fiziologic.

Cunoaterea este informaie condensat, esena lucrurilor. Volumul de


cunotine acumulat n decursul timpului de ctre omenire este imens i se
schimb mereu, att cantitativ ct i calitativ. Problemele care apar n momentul
ncercrii de a reprezenta cunotinele umanitii ntr-un program de computer
se pot clasifica n:

Ioan Dziac, Inteligen artificial, 2008

135

1. Cunotine globale sau locale. Cunotinele globale sunt cele dobndite


de umanitate n decursul evoluiei sale, iar cele locale se refer la o
cunotin punctual.
2. Cunotine de suprafa sau profunde. Cunotinele de suprafa sunt
cele bazate pe rspunsul la stimuli, iar cele profunde fiind date de
modele complexe de explicaii i analize.
3. Cunotine implicite sau explicite. Cunotinele pot fi explicite,
structurate, sau implicite, haotice.
4. Cunotine complete sau incomplete. Cunotinele complete dau o
soluie corect n orice caz particular al problemei, n vreme ce acele
cunotine care limiteaz rezolvarea problemei la un set de situaii sunt
incomplete.
5. Cunotine exacte sau inexacte. Cunotinele exacte duc la o rezolvare
judicioas a situaiei, n vreme ce cele inexacte sunt cele care conduc la
soluii aproximative.
6. Cunotine ierarhizate sau plate. Cnd toate cunotinele sunt
aplicabile la acelai nivel, avem de-a face cu nite cunotine plate. n
contrast, cele ierarhizate dau posibilitatea aplicrii unor cunotine
pentru a obine noi pri ale cunoaterii, metacunotine.

Modelele matematice folosite pentru stocarea cunotinelor, la fel ca i pentru


manipularea lor, ar fi:
1. propoziia logic (A->B);
2. predicatul logic;
3. logic tip fuzzy.
Presupunem ca baz de cunotine conine asocieri intrare-ieire Rj=(Xj,Yj),
j=1,2,...,n. Problema este de a gsi o soluie pentru un nou vector xi*. Acest
vector se suprapune peste spaiul soluiilor S printr-o serie de reguli, pn ce se
gsete o soluie yi* n spaiul S. n unele cazuri, n sistemele bazate pe reguli
fuzzy, soluia este o singur potrivire a noilor fapte cu toate regulile. Soluiile
pariale, obinute pentru reguli individuale, sunt combinate pentru a obine
soluia final. Procesul de inferen poate fi considerat ca fiind irul strilor n
spaiul problemei, fiecare stare reprezentnd o aproximare ct mai bun a
soluiei. Chiar acest ir poate reprezenta o soluie a problemei. Procesul de
potrivire poate fi exact sau parial, dup cum rezultatul suprapunerii coincide n
mod exact cu elementele din partea stng a regulilor sau rezultatul e doar o

136

Ioan Dziac, Inteligen artificial, 2008

aproximare. Aproximarea este tipic pentru sistemele fuzzy i pentru reelele


neurale.

2.5.5. Inferena ca proces de cutare i constrngerile care apar pentru


satisfacerea condiiilor
Inferena este procesul de cutare a unei soluii n spaiul soluiilor, care,
pentru situaii reale, este imens. Dac spaiul problemei nu este structurat,
cutarea soluiei se face aleator. Pentru a evita toate strile posibil a fi generate,
se recomand a se executa o cutare euristic. O strategie simpl de cutare n
spaiul soluiilor este dat de cutarea exhaustiv, ncercnd toate strile
posibile, secvenial sau n paralel, i trgnd concluzii despre care este cea mai
bun. Cutarea nu este practic deoarece genereaz un numr mare de operaii,
chiar pentru dimensiuni mici ale spaiului problemei. Inferena poate fi
considerat un proces de cutare a optimizrii unei funcii globale. n acest caz
se poate aplic metoda creterii gradientului (mai ales n reelele neurale). Cnd
spaiul problemei este structurat, de exemplu un arbore, cutarea se face mai
ales prin metoda de parcurgere BFS sau DFS. Dac apar constrngeri asupra
soluiei care trebuie s satisfac problema, formularea ar putea fi: fiind dat un
set de variabile Y=y1, y2, ..., ym fiecare yi peste un domeniu Si, i o mulime de
condiii restrictive C1,..., fiecare Cj reprezentnd relaia dintre variabilele
aparinnd unei submulimi a lui Y, pentru a gsi tuplele s1, ...sm ale valorilor
variabilelor y1,... ym astfel nct s fie ndeplinite toate condiiile. Dac nu se pot
gsi, problema nu are soluie. n acest caz se pot slbi constrngerile (relaxarea
constrngerilor), ceea ce duce la obinerea unei soluii aproximative. Metoda
este folosit n sistemele fuzzy i n reelele neurale.

Cutarea nainte i napoi a inferenelor. Inferena este un ir de potriviri.


Cum un ir se poate parcurge nainte sau napoi, avem de a face cu dou
mecanisme de a gestiona aceste potriviri: potrivirea nainte - toate faptele
disponibile la un moment dat cu toate regulile, spre a extrage toate concluziile
posibile. potrivirea napoi - procesul de inferen ncepe la detectarea unei
potriviri i este un proces recursiv.
2.5.6. Varietatea metodelor de raionare i rolul variabilelor
1. Raionarea monoton i nemonoton. Un proces inferenial este
monoton dac fiecare nou fapt contribuie la creterea gradului de
cunoatere.
2. Raionarea exact i aproximativ. Un raionament este exact dac
produce soluii exacte. Ca un exemplu aici se pot specifica raionrile
care duc la rspunsuri de tip da sau nu.

Ioan Dziac, Inteligen artificial, 2008

137

3. Iteraie i recursie. ntr-un proces iterativ de cutare a unei soluii, o


mulime de reguli se aplic de mai multe ori peste o mulime de date de
intrare, la fiecare aplicare crescnd precizia aproximrii soluiei. n
cazul recursiei, respectiva mulime de reguli se aplic peste date de
intrare diferite, ca n cazul factorialului exprimat recursiv:
fact(n)=n*fact(n-1)=...=n*(n-1)*(...)*2*1. Analog, problema gsirii
unui drum de lungime K ntre doua noduri arbitrare X i Y ntr-un graf,
poate fi definit recursiv: Dac exist un nod Z astfel nct X i Z sunt
adiacente, i exist un drum (Z,Y) de lungime K-1, atunci exist drum de
lungime K ntre X i Y. Variabilele joac un rol deosebit n procesul
inferenial. Din nefericire, mecanismul de nvare al variabilelor este
complet necunoscut, de unde i complexitatea problemelor de
implementare a variabilelor n sistemele conectate. Temporar sau
permanent n timpul activitii sistemului, o variabil are o anumit
valoare, dintr-un anumit domeniu. Multe reguli explicite folosesc
variabilele pentru validare. n diverse sisteme logice se folosesc diverse
tipuri de variabile. n logica propoziional nu se folosesc variabile,
variabile locale (n cadrul unei funcii), sau variabile globale, valide n
tot programul. Sistemele simbolice AI sunt bune n ceea ce privete
reprezentarea variabilelor, dar se descurc greu cu manipularea lor.
Variabilele pot fi folosite n sistemele fuzzy. Reprezentarea variabilelor
n modelele contemporane este, dei posibil, nc foarte dificil.

2.5.7. Metode din ingineria cunoaterii pentru nvarea automatelor


Metodele pentru nvarea automatelor sunt similare metodelor folosite de
calculatoare pentru a stoca sau modifica informaiile. Problemele generale sunt:
1. Cum poate un sistem s nvee obiectiv dintr-o mulime de date? Dac
datele nu conin mult informaie, sistemul nu are ce nva de la ele.
2. Ce ar trebui s nvee un sistem? Pentru a rezolva o problem
particular, un sistem ar trebui s nvee cunotine care s-i fie de folos
n rezolvarea acelei probleme.
3. Cum s-ar putea testa dac un sistem a nvat exact cunotinele
necesare?
n general testarea procesului de nvare se face msurnd rata erorilor. Aici
avem in vedere:

138

Ioan Dziac, Inteligen artificial, 2008

1. partiionarea datelor: o parte dintre date sunt folosite pentru a testa o alt
parte din datele acumulate de sistem;
2. lsarea unei metode de o parte: din n cunotine, nvm sistemul n-1 i
apoi i dm un exemplu care o folosete pe a n-a, testndu-i reacia.

2.5.8. nvarea inductiv. nvarea prin exemple


Aceste metode presupun cunoscute o serie de instane de forma (xi, yi) cu xi din
domeniul problemei iar yi din spaiul soluiilor. Crem un sistem care s poat
nva asociaiile corecte (x,y). nvarea poate fi supervizat, dndu-i
sistemului soluia pentru fiecare vector de intrare, sau nesupervizat, cnd
sistemul va nva caracteristici i concepte fr a i se spune exemplul pentru
care sunt valabile.

Arbori inductivi de decizie. Pe baza cror formule, reguli, clase sunt generate
noile exemple? O tehnica numit arbori inductivi de decizie observ exemplele
i construiete pe baza lor un arbore binar care va face mprirea pe clase.
Procesul de construcie al arborelui e bazat pe alegerea recursiv a unui nod, un
atribut sau valoare, care s permit mprirea ntregii mulimi de exemple n
dou submulimi. Problema este modul de alegere al atributelor i valorilor
pentru a mpri datele. O posibilitate este de a evalua fiecare candidat la
mprire respectnd o proprietate dorit C i alegnd apoi pe acela care d un
maxim de ctig de informaii sau un minim de pierdere de informaii. La
fiecare pas testm fiecare nod pornind din rdcina arborelui de decizie i l
selectm pe cel care duce la pierderea minim de informaii. O astfel de metod
de nvare este ID3. Aceasta returneaz un arbore de decizie optim pentru
clasificarea problemei dintr-un set de exemple numerotate. Optimal nseamn n
acest caz c la clasificarea unui nou exemplu, sistemul urmrete arborele de
decizie i alege calea cea mai apropiat de exemplul dat. Arborii de decizie pot
fi transformai n structuri de tip IF-ELSE, aceasta reprezentnd ns un
compromis ntre precizia nvrii prin exemple i generalizarea abilitii de
nvare. nvarea prin exemple poate fi:
1. incremental, cnd fiecare exemplu nou contribuie la mbuntirea
nvrii de ctre sistem a exemplelor anterioare (sistemul nelege mai
bine ce i-a fost predat);
2. dintr-un foc, atunci cnd sistemul observ odat toate exemplele i
extrage o serie de cunotine din mulimea lor.
Reelele neurale sunt instrumente foarte puternice pentru nvarea prin
exemple. Cunotinele sunt introduse n reeaua neural, dar ele nu sunt
articulate explicit. Cunotinele structurate pot fi de asemenea nvate de ctre

Ioan Dziac, Inteligen artificial, 2008

139

reelele neurale, dar regulile acestora vor fi formulate dup analiza nvrii de
ctre sistemul neural. Regulile pot fi tip fuzzy sau exacte, diferite tipuri de
inexactiti sau incertitudini putnd fi rezolvate.

2.5.9. Alte metode de nvare ale automatelor


1. nvarea prin execuie, prin observare sau descoperire. Sistemul
pornete avnd foarte puine cunotine, chiar deloc. Observnd
interaciunea cu utilizatorul sau mediul, sistemul acumuleaz soluii
corecte i nva cum s reacioneze n mod corespunztor. Ca exemplu
se pot da aici algoritmii genetici. Aceste metode se pot implementa n
sistemele AI, care nva cunotine exacte, ca i n reele neurale, reele
care pot nva fr a avea o baz de cunotine iniial.
2. nvarea prin ascultarea expunerii, proces simplu prin care un sistem
obine cunotine ntr-un fel sau altul i apoi le transform ntr-o
reprezentare intern. Este mai mult o modalitate de interpretare a
cunotinelor date pe baza unor scheme proprii. Metoda este folosita n
sistemele AI.
3. nvarea prin analogie, n care sistemul nva cum s rezolve o
problem, bazndu-se pe rezolvarea altei probleme, rezolvare care i este
cunoscut. Metoda este utilizabila n reele neurale i n sisteme fuzzy.
4. nvarea cazual, n care sistemul stocheaz o mulime de exemple,
pe care o folosete pentru a gsi cea mai bun potrivire cu un exemplu
nou. Msurarea distanei dintre exemplele stocate i cel nou se face pe
diverse ci.

140

Ioan Dziac, Inteligen artificial, 2008

2.6. Teoria haosului. Fractali


2.6.1. Despre teoria haosului
Teoria haosului (sau teoria sistemelor complexe) este o ramur a matematicii
aplicate i a fizicii moderne care descrie comportamentul anumitor sisteme
dinamice neliniare, acelor sisteme care prezint fenomenul de instabilitate
numit sensibilitate fa de condiiile iniiale, motiv pentru care comportamentul
lor pe termen relativ lung (dei se conformeaz legilor deterministe) este
imprevizibil, adic aparent haotic (de unde i denumirea teoriei).
Determinism. n anul 1687 Newton publica cele 3 principii ale fizicii clasice,
legi deduse prin generalizarea observaiilor experimentale. Aceste legi, spun c
se poate caracteriza un sistem n viitor, dac se cunoate starea lui la un moment
dat. Complet deterministe, ele se bazeaz pe principiul cartezian cauza-efect:
orice se va ntmpla n viitor e determinat de ce se ntmpl n prezent, iar ce se
ntmpl n prezent e efectul a ceea ce s-a ntmplat n trecut. Timp de cteva
sute de ani s-a crezut ca pentru a spori precizia unei msurtori este necesar i
suficient s mrim suficient de mult acurateea aparatului de msur, cu alte
cuvinte s mrim numrul de zecimale prin care e reprezentat rezultatul
msurrii. Punnd acest rezultat n legile lui Newton, putem s estimm, cu o
precizie depinznd de aparatul de msur, evoluia unui sistem.
Instabilitate numeric. n 1963 meteorologul american Edward Lorentz
(1917-2008), a vrut sa fac o simulare pe calculator a unor evenimente meteo.
A folosit nite ecuaii care modelau acele fenomene. Dup mai multe teste i-a
dat seama ca pentru seturi de date identice rezultatele simulrii ncepeau s
difere foarte mult dup o perioada scurt de timp, dei maina de calcul era de
fiecare data aceiai. Dup ce a studiat mai atent seturile de date, i-a dat seama
c ele nu sunt chiar identice, dar diferenele erau att de mici nct preau
nesemnificative. Prea inexplicabil ca dup un timp scurt diferenele dintre
sisteme atingeau un ordin de mrime observabil, foarte semnificativ. De ce
schimb observaia lui Lorentz determinismul newtonian?
Instabilitatea unor sisteme neliniare dinamice. Exist unele sisteme, numite
sisteme dinamice neliniare ale cror evoluie nu poate fi prezis. Mici variaii in
condiiile iniiale ale acestor sisteme produc variaii semnificative sau chiar
catastrofale pe termen lung. Pentru a vedea cu de ce nu se poate calcula evoluia
acestor sisteme pe termen lung trebuie sa tim cum se face aceast predicie.
Procesul de msurare. Pentru a prezice ce se va ntmpla cu un sistem, trebuie
s i tim starea la un moment dat. Asta nseamn ca trebuie s msuram toi
parametrii importani care caracterizeaz acest sistem. Dup ce msurm aceti

Ioan Dziac, Inteligen artificial, 2008

141

parametrii introducem condiiile iniiale n ecuaiile care modeleaz fenomenul


pe care l studiem i obinem starea lui peste un anumit timp. Dar de ce este
lucru nu e posibil i pentru sistemele dinamice neliniare? Pentru c evoluia
sistemului depinde att de tare de condiiile iniiale nct orict de precis ar fi
acestea msurate, eroarea se propag n timp att de tare nct e imposibil de
corectat. Singura metod de aflare cu exactitate a evoluiei sistemului este de a
introduce ca i condiii iniiale o msurtoare cu o infinitate de zecimale, ceea
ce este practic imposibil.

Exemple de sisteme ale cror evoluie nu poate fi prezis:


1) Cel mai uzual exemplu prezicerea meteo: vremea nu poate fi prezisa
dect pe perioade mici de timp, aproximativ o sptmn.
2) Un alt exemplu e cel al unei bile care se afl pe vrful unui deal i
creia i se aplica o for. Nu se poate prezice exact ce traiectorie va avea
bila.
3) Un alt exemplu remarcabil este atractorul Lorentz reprezentat de
sistemul dinamic neliniar, care are graficul n form de fluture:
dx
= ( y x)
dt
dy
= x( z ) y
dt
dz
= xy z
dt

n acest sistem este numrul Prandtl, iar este numrul Rayleigh.


Urmtorul atractor Lorentz este particularizat pentru = 10.0; = 28.0; =
2.667:

Figura 2.6.1. Atractor Lorenz58


58

http://en.wikipedia.org/wiki/Lorenz_attractor

142

Ioan Dziac, Inteligen artificial, 2008

Figura 2.6.2. Atractorul Lorentz 2D59

2.6.2. Fractali
n 1975 a aprut lucrarea revoluionar a matematicianului Benoit
Mandelbrot: "O teorie a seriilor fractale", care mai trziu a devenit cartea sa
manifest "Geometria fractal a naturii". Mandelbrot a inventat cuvntul fractal,
pentru a reuni munca multora dinaintea sa, precum Waclaw Sierpinski, David
Hilbert, George Cantor i Helge von Koch, care au creat primii fractali, n
general ca exerciii abstracte, neavnd nici o idee despre semnificaia lor.
Muli dintre ei considerau aceste forme ca fiind patologice, dizgraioase
sau chiar dezgusttoare. Civa dintre aceti pionieri aveau motive ntemeiate
pentru dezgustul lor pentru aceste "aberaii" geometrice. Ei au simit c
descoperiser ceva ce sfida i amenina cteva din convingerile cele mai
preioase. O evaluare ulterioar ne arat c perioada lor (aproximativ 18751925) era de fapt o perioad de criz n matematic. Matematicienii ddeau
59

http://teoria.haosului.googlepages.com/atractorullorentz2d

Ioan Dziac, Inteligen artificial, 2008

143

mereu peste forme bizare care intrau n contradicie cu conceptele lor despre
spaiu, suprafa, distan i dimensiune.
n 1982, Mandelbrot i-a extins dou eseuri anterioare crend lucrarea
deschiztoare de drumuri "Geometria fractal a naturii".El a inventat cuvntul
"fractal" (din latinescul "frngere" care nseamn "a sparge n fragmente
neregulate"), astfel nct inversele forme au putut fi unificate sub un singur
nume. Pentru a fi clasificat oficial ca fractal, o form trebuie s aib
dimensiunea Hausdorff-Besicovitch mai mare dect dimensiunea sa topologic
tradiional. Pe scurt, fractalii sunt toate acele ciudenii care umplu spaiul i
pe care matematicienii le abandonaser ca fiind dezarmant de complexe.
Mandelbrot nota patetic "deoarece cuvntul algebr deriva din cuvntul arab
jabara (a lega mpreun), ntre cuvintele fractal i algebr este o contradicie
etimologic".
Benoit Mandelbrot i-a ntemeiat geometria fractal bazndu-se n
principal pe simularea sa ncununat de succes a tendinei preurilor bunurilor
de consum, iar analiza pieii rmne una din cele mai atrgtoare aplicaii ale
geometriei fractale.
Piatra Filosofic a oricrui analist al pieii este, desigur, s precizeze
comportarea preurilor cu destul exactitate pentru a se umple de bani ct mai
repede. n domeniul pieii, ca i n alte domenii n care fractalii i haosul dau
rezultatele, rareori se dovedesc att de folositori pentru prezicere, pe ct sunt
pentru simulare.
Simularea fractal poate modela i prezice natura general statistic a
unui sistem, fr s-i prevad comportarea specific ntr-un anumit moment. De
exemplu, simulrile din 1953 ale lui Mandelbrot asupra preului bumbacului
continuau s prezic cu exactitate cantitatea de variaie din preul bumbacului,
att lunar ct i anual. Totui ele nici mcar nu pot pretinde ct ne indic
preul bumbacului la ora actual.
Prin 1980 grafica pe calculator a progresat ntr-att nct forme ca "Linia
de coast Koch" i "Covorul lui Sierpinski" puteau fi reprezentate cu detalii
explicite. "Geometria fractal a naturii" era o galerie a acestora i a altor forme
geometrice, dintre care multe nu fuseser vzute niciodat. Multe dintre ele erau
simple automate celulare n care fiecare linie era transformat repetat n linii
mai mici.
Dup ce a lucrat o perioad cu fractalii "naturali" auto-reflectivi,
Mandelbrot a descoperit c procesele iterative similare pot produce construcii
matematice abstracte cum ar fi faimoasa "serie Mandelbrot" i "seria Julia ".
Ca i ali fractali, aceste serii au fost descoperite cu mult nainte de Mandelbrot,
dar erau att de complexe nct necesitau calculatoare puternice pentru a le
cerceta i vizualiza.
Unul dintre primii i cei mai faimoi fractali matematici a fost inventat de
un astronom. La nceputul anilor 1960 Michel Hanon de la observatorul din

144

Ioan Dziac, Inteligen artificial, 2008

Nisa din Frana a observat o comportare tulburtoare ntr-un simplu model al


stelelor care orbiteaz ntr-o galaxie. Cteva dintre orbite erau line i stabile, n
timp ce altele preau aproape aleatoare. La nceput, el i colegii lui au ignorat
pur i simplu orbitele anormale presupunnd ca ele apar datorita unor erori de
calcul inexplicabile. n cele din urm Henon a descoperit c acest tip de
comportare haotic era o parte esenial a dinamicii orbitelor stelare.
Chiar nainte ca fractalii s fie larg acceptai ca matematic adevrat,
imaginile pe care ei le produceau au devenit foarte populare. Matematicienii
artiti, cum ar fi Richar Voss, Greg Turk i Alan Norton au perfecionat
procedurile de baz ale lui Mandelbrot pentru a crea peisaje uimitoare, att
realiste ct i abstracte.
Brusca revenire a matematicii ca art a fost mult ntrziat. tiina i
matematicile secolelor al XIX-lea i al XX-lea pierduser legtura cu vizualul i
intuitivul. Teoriile moderne ca relativitatea i mecanica cuantic sunt frumoase
i elegante dar trebuie s fii un Albert Einstein sau Erwin Schrodinger pentru a
le aprecia frumuseea. Pe de alt parte, att nespecialitii ct i matematicienii
pot aprecia chiar i cea mai abstract imagine fractal.
n timp ce fractalii ctigau toate premiile la expoziiile de grafic pe
calculator, aproape toate disciplinele tiinifice descopereau frumoasele lor
modele haotice. Fizicienii, trasnd grafic starea particulelor, gseau tulburtoare
opere de art aprnd pe imprimatele lor.
Biologii i psihologii diagnosticheaz boli dinamice, care apar cnd
ritmurile fractale devin desincronizate.
Seismologii chiar au descoperit valuri fractale care strbat scoara terestr.
Meteorologii, economitii, chimitii, hidrologii i aproape toate ramurile
inginereti se ntlneau cu forme care erau mult mai frumoase dect previzibile.
n anii 1980 fractalii rsreau din fiecare ecuaie sau procedur
binecunoscut, de la metoda lui Newton pn la banala funcie cosinus.
La nceputul anilor 1980, matematicianul Michel Barsley s-a alturat
rndurilor mereu crescnde de "fractalieri". Cnd era copil, Michel a fost
fascinat n mod deosebit de anumite ferigi. Nu a putut stabili exact ce conferea
ferigilor frumuseea lor magic dect muli ani mai trziu.
Observnd modul n care fiecare frunz se aseamn cu ntregul, el a scris
un program simplu pe calculator pentru a modela aceste caracteristici. Imaginea
rezultant era mult mai real dect s-a ateptat i a devenit n curnd unul dintre
cei mai faimoi fractali n lume.
Barnseley a continuat s dezvolte o metod nou, unic de desenare a
fractalilor: "Jocul Haosului". Chiar i mai importat, n 1985 Barnsley i John
Elton au demonstrat c orice imagine din lume poate fi reprezentat cu ajutorul
unei binecunoscute categorii de fractali. Aceasta era un pas uria nainte pentru
o comunitate intelectual inundat de fractali, dar creia i lipsea un sistem
inteligibil pentru reprezentarea lor. O tehnic crea muli fractali, alta pornea

Ioan Dziac, Inteligen artificial, 2008

145

automate celulare i o alta simula nregistrrile grafice ale cutremurelor. i o


alt tehnic era necesar pentru a realiza minunatele vrtejuri i focalizri.
Barnsely i Elton au prevzut metoda unic i simpl de realizare a aproape
tuturor imaginilor auto-reflective, incluznd i toate imaginile despre care
nimeni nu se gndise c ar fi auto-reflective.
Prima aplicaie major a muncii lor era comprimarea imaginilor. Prin
transformarea lor n fractali, Barnsley era capabil s comprime imagini foarte
mari n coduri foarte mici, obinnd un raport de comprimare de peste zece mii
la unu. Comprimarea fractal a imaginilor creeaz noi posibiliti captivante,
cum ar fi transmiterea n timp real a imaginilor video n micare prin liniile
telefonice normale.
n anii 1990 fractalii sunt larg folosii. Producii cinematografice
importante i folosesc pentru efecte speciale, sisteme de redare grafic pe
calculator i folosesc pentru a crea structuri naturale, oamenii de tiin i
matematicienii i-au transformat ntr-o unealt indispensabil pentru munca lor.
Pe msur ce potenialul acestei noi geometrii este recunoscut din ce n ce mai
mult i calculatoarele din ce n ce mai rapide fac interaciunea mai uoar,
instrumentele de desenare fractal vor deveni parte a majoritii sistemelor de
grafic pe calculator.
Computerul este privit ca un instrument diabolic de muli oameni de
tiin, artiti i prini ngrijorai. Alii, dup o scurt privire aruncat
aparatului, devin complet dependeni de el. Trebuie s existe un motiv. n
realitate, acest nou mijloc de cunoatere ne permite s vedem conexiuni i
nelesuri care ne erau ascunse pn acum. n special grafica computerizat
interactiv, curent aflat ntr-o dezvoltare intens, ne mbogete modul de
percepie la un nivel rar atins de orice alt instrument din tiin. n reprezentarea
grafic, procesele naturale pot fi nelese n ntreaga lor complexitate n mod
intuitiv.
Sinergetica ncearc n mod sistematic s gseasc reguli din care s
reias faptul c ordinea se stabilete (rsare) n procesele complexe. Imaginile
sunt pri integrante ale acestei tradiii care reflect ordinea i haosul i
competiia lor pentru a coexista. Imaginile arat tranziia de la una la cealalt i
ct de complex este aceast zon de tranziie. Chiar dac imaginile relev
frumuseea acestor regiuni de tranziie totodat ele reprezint o ncercare de a
rspunde la ntrebarea central "Cum depinde structura i limitele de
parametri?" n regiunile de grani are loc trecerea de la o form de existen la
alta: de la ordine la dezordine, de la starea magnetic la starea non-magnetic
sau cum pot fi interpretate entitile care se ntlnesc la limit. Imaginile
reprezint procese care sunt, desigur, idealizri simplificate ale realitii.
Principiul prii asemntoare cu ntregul (principiul autoasemnrii) este
cuprins i realizat aproximativ n natur: n liniile de coast, albiile fluviilor,
formaiunile noroase, copaci, n curgerea tumultuoas a lichidelor i n

146

Ioan Dziac, Inteligen artificial, 2008

organizarea ierarhic a sistemelor vii. Benoit B. Mandelbrot a fost cel care "nea deschis ochii" pentru a observa geometria fractal a naturii. Actualmente
procesele care produc astfel de structuri au fost studiate mult timp n
matematic i fizic. Ele sunt simple "procese feed-back" n care aceeai
operaie este efectuat n mod repetat, producia unei repetiii fiind modul de
pornire al repetiiei urmtoare.
Fractalii se afl peste tot n jurul nostru, lund forma unui lan muntos sau
se regsesc n unduirea liniei de rm. Ca i formaiunile noroase i focurile
licrind, unii fractali sufer schimbri continue, n timp ce alii, cum ar fi
copacii sau sistemul vascular omenesc rein structura pe care au cptat-o n
evoluia lor. Conceptul matematic de fractal caracterizeaz obiecte cu o divers
gam de structur i care astfel reflect principiul ierarhic de organizare.
Obiectele fractale nu i schimb forma n mod semnificativ cnd sunt observate
la microscop. Mandelbrot a gsit n 1980 un principiu ce organizeaz un ntreg
univers de structuri asemntoare cu ntregul ntr-o manier neateptat.
tiina i arta: dou modaliti complementare de exprimare a lumii
naturale una analitic, cealalt intuitiv. Ne-am obinuit s le vedem ca fiind
poli opui i totui nu depind ele una de cealalt? Gnditorul, ncercnd s
penetreze fenomenul natural cu nelegerea sa, caut s reduc complexitatea la
cteva legi fundamentale nu este tot el vistorul aruncndu-se n bogia de
forme i vzndu-se ca parte integrant al eternului joc al evenimentelor
naturale? Ca i cnd ele s-au simit limitate ntr-un singur suflet, mintea artei i
mintea tiinei s-au desprit: un Faust a devenit dou jumti fiine
dimensionale. Divergena pare ireversibil i ceea ce ambele laturi au promovat
mpreun n timpul iluminismului a devenit acum fr fundament tiinific.
Raionalitatea rece a tiinei i tehnologiei a ptruns i transformat lumea n aa
fel nct ar putea distruge viaa. Inspiraia artei poate doar rspunde neputincios,
cu amrciune. Nu mai este suficient s descoperi legi de baz i s nelegi
cum funcioneaz lumea "n principiu". Devine din ce n ce mai important
scoaterea n eviden a modelelor n care aceste principii se arat n realitate.
Mai mult dect legi fundamentale opereaz n ceea ce este de fapt. Decizii sunt
luate ale cror consecine nu pot fi prevzute, deoarece fiecare decizie are
caracterul unei amplificaii. Cunoaterea crete din lupta pentru a afla
elementele eseniale i a le prezenta ntr-o "coaj de nuc".
Nimeni nu tie cu siguran cum rsar spiralele i ramurile din seriile
Manderlbot i Julia din simple ecuaii neliniare, i nici de ce urmresc ele att
de aproape modelele arhetipale ale naturii. Aceste teme sunt n prim planul
cercetrii matematice i tiinifice actuale. Cnd o serie de ecuaii este lsat n
seama propriilor sale iteraii ntortocheate, matematica nsi pare s gseasc
plcere n poezia vizual naturalist. nc din cele mai vechi timpuri, ordinea
clar a matematicii a fost ntr-o poziie fi fa de haosul care nu ine cont de
nici o regul a naturii. Totui, matematicienii au fost ntotdeauna ncntai de

Ioan Dziac, Inteligen artificial, 2008

147

natur i au ncercat s imite modelele naturale. n prezent, profunda i deseori


misterioasa legtur dintre aceste dou domenii pare s devin brusc mai
strns.
Oamenii de tiin sunt prini n mijlocul acestei interaciuni dintre
raiune i observaie. De aici, ei au obinut noi instrumente puternice pentru a
modela aproape toate fenomenele naturale. De asemenea, ei trebuie s fac fa
provocrii strnite de asimilarea unei noi viziuni asupra universului i cderea
n desuetudine a multor tipare de gndire ngrdite.

Clasificarea fractalilor. Din punct de vedere al modelului de generare al lor ei


se pot mpri n:
fractali naturali i
fractali artificiali.
Fractalii naturali sunt cei existeni n natur sau care sunt creai n urma unor
procese naturale. Ca exemple putem cita munii, rmurile, sistemul nervos,
arborii, sistemul de ramificaii al bronhiilor, etc.
Fractalii artificiali reprezint modele informatice ale fractalilor naturali. Ei
mai sunt ntlnii i sub denumirea de seturi de fractali sau ansambluri de
fractali. Am mai putea identifica o grup de fractali artificiali n natur: cazul
sistemului social, economic etc.
Din punctul de vedere al transformrii care st la baza generrii unui
fractal vorbim despre fractali liniari i fractali neliniari.
Fractalii liniari sunt generai cu ajutorul transformrilor geometrice liniare
aplicate asupra unor puncte, segmente, suprafee, sau corpuri.
Ca exemplu putem da curbele Von Koch, care n principiu se bazeaz pe
urmtoarea transformare:
Se pleac de la un triunghi echilateral cu latura avnd o lungime
finit.
Fiecare latur se mparte n trei pri egale, segmentul din mijloc
se elimin i se nlocuiete cu un unghi al crui laturi sunt
formate din dou segmente, egale cu segmentul eliminat.
Pentru fiecare segment al figurii obinute, se repet operaia
anterioar.
Dac se repet acest proces, se obine o linie poligonal nchis
cu latura din ce n ce mai mic.
Fractalii liniari pot fi la rndul lor artificiali sau naturali.

148

Ioan Dziac, Inteligen artificial, 2008

Fractalii neliniari se obin cu ajutorul transformrilor geometrice neliniare. i


acetia pot fi artificiali sau naturali.
n funcie de transformarea care st la baza generrii fractalilor neliniari
putem vorbi despre mai multe subtipuri. Fractalii neliniari auto-ptratici sunt
obinui cu ajutorul generatorului ptratic z2+c unde z, c sunt din mulimea
numerelor complexe. De exemplu, mulimea Mandelbrot este generat astfel :
Dac se consider planul complex n care se exploreaz un domeniu
rectangular complex de laturi lx; ly cu coltul stnga jos (x0, y0). Un
punct curent din acest domeniu va fi notat cu z0 ,iar fiecrui punct z i se aplic
urmtoarea transformare :
T:D D1
T(z)=z2+z
Pe parcursul acestor iteraii se testeaz modulul numrului T(z)
M =[Im(z)]2+[Re(z)]2 unde Im(z) este partea imaginar a lui z, iar
Re(z) reprezint partea real a lui z. Dac dup un numr de iteraii n, M<2
atunci z0 va aparine Mulimii Mandelbrot.
Mai putem vorbi despre fractali neliniari de autoinversiune. Ei se obin
prin aplicarea unor transformri geometrice inverse unor puncte, segmente,
suprafee, sau corpuri.
Fractalii artificiali se mpart la rndul lor n fractali aleatori care sunt
generai aleator utiliznd procese stocastice. Structurile fractale n natur sunt
aleatoare, dar este folositor s studiem fractalii determiniti care sunt generai
iterativ ntr-un mod determinat; fractali determiniti prin studierea crora ne
putem apropia de proprietile fractalilor aleatori.
2

Caracteristici i proprieti ale fractalilor:


1. Fragmentare la infinit (o infinitate de elemente componente);
2. Autosimilaritatea este definit n teoria fractalilor ca fiind
proprietatea unui obiect de a avea orice detaliu al ntregului su
asemntor cu ntregul la orice scar;
3. Invariant la translaii reprezint proprietatea unui obiect fractal
de a regsi un detaliu al su prin suprapunerea acestuia peste o alt
zon a fractalului dup translatarea pe o anumit direcie;
4. Dimensiune fracionar care se mai numete i dimensiune
fractal sau dimensiune de autosimilaritate.
Calcularea dimensiunii fractale se face cu mai multe metode:
a) metoda clasic folosit n cazul fractalilor liniari unde:
D = ln N2/ln N1 iar N2 reprezint numrul de replici obinute
prin similaritate pornind de la N1 obiecte iniiale.

Ioan Dziac, Inteligen artificial, 2008

149

b) metoda Sand box sau metoda cutiei cu nisip folosit n general


pentru fractali oarecare. Se alege un prim punct (poziie
amplasament) al fractalului ca origine a n cercuri cu raze
R1< R2<... < Rn unde Rn mai mic dect raza R a fractalului,
apoi se numr punctele (pixelii) M1(Ri) din fiecare cerc I (uneori
este mult mai uor s se aleag n ptrate de laturi L1, L2, ...,
Ln n loc de cercuri). Repetm aceast procedur, alegnd alte
puncte ca origine a n cercuri i determinm numrul corespunztor
de puncte Mj(RI), j = 2, 3, , m n fiecare cerc.
Punctele M(Ri) sunt dependente de Ri printr-o funcie
logaritmic. Panta curbei, pentru mai multe valori ale lui Ri,
determin dimensiunea fractal. Pentru a se evita anumite efecte de
grani trebuie ca razele cercurilor s se aleag mai mici dect raza
fractalului.
c) metoda Box counting sau metoda csuelor numrate. Se
deseneaz o reea de linii pe fractal care constau din M12 ptrate i
determinm numrul ptratelor de care este nevoie pentru a fi
acoperit fractalul, dup care alegem o reea mai fin cu M22< M12 i
tot aa mai departe se alege Mm2 > Mm-12 > .... > M22 > M12,
iar la fiecare pas se calculeaz numrul de ptrate necesare pentru a
fi acoperit fractalul. Notm numrul de ptrate respectiv S(M1),
..., S(Mm), dup care se face aproximarea cu ajutorul unei
funcii de putere S(M)N-df (unde df reprezint dimensiunea
fractal). Reprezentnd S(M) n funcie de 1/M ntr-o funcie
logaritmic dubl vom obine prin pant pe df.

Exemple de fractali determiniti. Cnd proprietatea de autosimilaritate se


manifest riguros la fiecare iteraie, fractalii respectivi sunt considerai
determiniti. Caracteristica esenial este faptul c toate obiectele obinute la
fiecare iteraie sunt n acelai raport de asemnare cu obiectul iniial. Fractalul
poate fi divizat n N pri identice, fiecare fiind versiunea rescalat a obiectului
iniial.
Curba von Koch denumit i curba triadic a lui von Koch, 1904, este
definit astfel (fig.2.6.3): Un segment de dreapt de lungime L considerat
unitate (iniiatorul) se mparte n trei, se ndeprteaz segmentul din mijloc i se
nlocuiete cu un triunghi echilateral fr baz
Dac iniiatorul este un segment de dimensiune orizontal L, la iteraia
1 segmentele de baz vor avea ca lungime s1=L/3, deci curba msurat la
scara L/3 va avea un numr de elemente egal cu patru, N=4 i o lungime egal

150

Ioan Dziac, Inteligen artificial, 2008

cu 4L/3 (N*s). Deci, relaiile care dau lungimea u a curbei depind de scara
( u=4n*L/3n astfel rezult u=4n/3n*L)
La o iteraie anume curba obinut nu este un fractal ci, urmnd
denumirea lui Mandelbrot, un prefractal. Un fractal este un obiect obinut ca
limit a unui ir de prefractali cnd numrul de iteraii n tinde la infinit. n
limbajul curent se face adesea asimilarea ntre fractali i prefractali.
Reprezentarea de mai sus este un prim exemplu de lege de scar care
reprezint o relaie general existent ntre diversele mrimi adimensionale care
descriu sistemul, n acest caz fiind vorba de o lege putere.

Figura 2.6.3. Curba von Koch

Sita lui Sierpinski. Numeroase filtre utilizate n biologie, n lucrrile de


laborator sau n hemodializ, n operaiile de condiionare industrial a aerului
etc. trebuie modelate pentru a putea fi mai uor integrate n sistemele moderne
de proiectare asistat de calculator. Majoritatea semifabricatelor i pieselor
componente din agregatele, echipamentele sau mainile realizate pot fi descrise
prin teoria elementului finit aplicata unor forme geometrice elementare, nu
acelai lucru se poate spune despre filtre. Distribuia i conectivitatea porilor
este esenial pentru a putea caracteriza i modela cu adevrat comportarea unui
filtru. Aici, procesul de modelare trebuie s fie capabil s surprind legi de
distribuie natural, pe care procesul de evaluare empiric le dovedete a fi

Ioan Dziac, Inteligen artificial, 2008

151

fractale. Din acest punct de vedere, cele mai simple modelri sunt cele de tip
"site ale lui Sierpinski".
Iniiatorul este un triunghi plin, iar prin aplicarea generatorului
(mprirea fiecrei laturi a triunghiului n 2 pri egale, deci N=2, unirea
mijlocului fiecrei laturi cu mijlocul celeilalte i eliminarea triunghiului astfel
format din mijloc) se obin 3 triunghiuri autosimilare. Prin repetarea la nesfrit
a acestui algoritm se obine sita lui Sierpinski (fig. 2.6.4). Este interesant de
observat c sita Sierpinski combin autosimilaritatea cu o alt simetrie clasic,
rotaia. Structura este congruent cu ea nsi dac se rotete n jurul centrului
propriu cu un unghi de 1200 sau un multiplu ntreg de 1200. Acest tip de simetrii
care combin scri de msur infinite cu rotaii finite, pot fi vzute la muli
fractali, n special n desenele lui M. Escher.

Figura 2.6.4. Sita lui Sierpinski

Covorul lui Sierpinski. Este o alt form de repartizare a unor goluri


pentru a modela o "sit natural". n acest caz, factorul de scar este 3, adic
iniiatorul constituit dintr-un ptrat plin este divizat n 9 pri egale din care se
ndeprteaz partea central. Raportul de mas este 8, adic sunt 8 ptrate negre
rmase prin eliminarea celui din mijloc (fig. 2.6.5).

152

Ioan Dziac, Inteligen artificial, 2008

Figura 2.6.5. Covorul lui Sierpinski

Dimensiune fractal. Obiectele geometrice au o dimensiune topologic. De


exemplu, liniile au dimensiunea 1, suprafeele plane (ptrate, cercuri, etc.) au
dimensiunea 2, spaiul dimensiunea 3. Dar s-au construit figuri care nu se
puteau caracteriza prin nici una dintre dimensiunile cunoscute. Unei linii curbe
care unete dou puncte nu i se putea determina lungimea, iar dac se fac
detalieri succesive asupra fiecrui punct de pe dreapt, lungimea liniei crete
(conturul unui munte se detaliaz cu ct distana de la care este privit este mai
mic). Astfel, n 1919, matematicianul Hausdorff, a introdus o nou
dimensiune, dimensiunea fractal sau dimensiunea Hausdorff. Aceast
dimensiune msoar numrul de mulimi de diametre mai mici necesare pentru
a acoperi o figur. Dac acest numr este ntreg, atunci dimensiunea este
topologic, altfel, dimensiunea este fractal. De exemplu, o linie dreapt mrit
de 2 ori este de dou ori mai mare dect linia iniial, dimensiunea ei este
log2/log2=1. Un ptrat mrit de 2 ori este de 4 ori mai mare dect ptratul
iniial (aria sa cuprinde 4 arii a ptratului iniial), iar dimensiunea lui este
log4/log2=2. ntr-un cub mrit de 2 ori ncap 8 cuburi iniiale, iar dimensiunea
lui este log8/log2=3. Dac se ia o dreapt n care se nlocuiete repetat __ cu
_/\_, unde fiecare 4 linii sunt 1/3 din lungimea vechii linii i se mrete de 3 ori
rezult o linie care este de 4 ori mai mare i care are dimensiunea
log4/log3=1.261..., dimensiune care nu este o valoare ntreag, fiind deci o
dimensiune fractal.
Aplicaii ale fractalilor
1) Compresia imaginilor. Am spus c fractalii pot fi folosii la comprimarea
imaginilor, rata de compresie fiind cam de 1:10.000.
Un fiier cu extensia IFS este un sistem care conine coduri Iterated
Function System n format ASCII.

Ioan Dziac, Inteligen artificial, 2008

153

IFS sau Sistemul Funciei Iterate este orice sistem care folosete iteraia
sau, mai precis, este un sistem care itereaz un set de transformri afine
contractive. Aceste sisteme pot fi exprimate ca un mic set de coduri IFS.
Transformare afin este o relaie geometric care pstreaz forma de baz
i integritatea unei figuri. O transformare afin poate consta din rotaie
(pivotare), scalare (redimensionare) i translaie (deplasare). Rotind sau
redimensionnd un obiect de-a lungul unei axe mai mult dect de-a lungul
celorlalte, transformrile afine pot comprima sau ntinde obiectul. Aceste
transformri sunt liniare, adic o mic schimbare n transformare produce
ntotdeauna o mic schimbare n modul n care ea modific obiectul. Dar, dac
sunt iterate cteva transformri afine, ele pot produce forme fractale neliniare.
HERON {
0.34
0.00 0.00 0.34
0.17
0.29 -0.29 0.17
0.16
-0.29 0.29 0.16
0.34
0.00 0.00 0.34
}

2.14 0.02
0.55 0.94
-0.54 0.95
-2.15 0.01

0.25
0.25
0.24
0.25

Acesta este fiierul HERON.IFS. Pentru vizualizare, necesit soft


special, ca de exemplu FractalVision.
Acesta este acelai fiier, dar n format .JPG.

Figura 2.6.6. Imaginea HERON.JPG

2) Aplicaii n economie ale fractalilor (serii de timp). Nivelele n cretere ale


lumii pieei, cile de competiie din ce n ce mai active i mai complexe, rolul
important al schimbrilor tehnologice n mutaiile ofertei productive i
alteraiile din pieele mprite de mai multe ri ne permit s nelegem cum
discuia despre competitivitate ncearc s ctige o poziie preferenial n
dezbaterea mpotriva productivitii. Termenul de competitivitate este asociat
cu posibilitatea de a vinde orice este produs. Deci competitivitatea este
asociat cu capacitatea firmei de a-i menine sau de a-i crete continuu partea
sa de pia. Cu alte cuvinte, o firm urmrete un proces de mbuntire
gradual care implic reorganizarea sa ca ntreg n baza strategiei stabilite. O
firm se prezint ca un sistem complex compus din subsisteme corelate dar care

154

Ioan Dziac, Inteligen artificial, 2008

prin funcionarea lor se supun unor legi aleatoare, care au proprietile


fractalilor.
Cea mai cunoscut dintre aceste legi este legea micrii browniene.
Botanistul scoian Robert Brown (1773-1858) a fost primul care a observat
micarea aleatoare a particulelor de polen. Brown, n urma studiilor fcute,
ajunge la concluzia c moleculele, macromoleculele, viruii precum i alte
forme ale materiei sunt supuse fluctuaiilor termice, adic se afl n continu
micare ciocnindu-se aleator datorit energiei termice pe care o posed.
Micarea unei particule vzut la microscop este alctuit, aparent, din
pai efectuai n direcii diferite. Fiecare pas avnd o lungime caracteristic i de
aceea termenul de micare aleatoare este folosit n locul termenului de micare
brownian. Crescnd rezoluia microscopului i pe cea temporal se observ o
micare aleatoare similar. Deci micarea brownian prezint autosimilaritate
(self-similarity). Dup cum se cunoate, n micarea Brownian distana
parcurs de o particul ntr-un interval de timp este independent de deplasarea
ei ntr-un alt interval de timp.
Mandelbrot a fost primul care a observat posibilitatea folosirii micrii
Browniene n studiul micrilor din alte domenii. De exemplu, putem studia
evoluia n timp a unor stocuri, evoluia valorii de burs a unui titlu de valoare
sau al unei valute.
Mandelbrot introduce noiunea de micare brownian fractal ca o
generalizare a funciei aleatoare care caracterizeaz micarea brownian
normal. Ea a fost introdus de ctre Wiener (1923).
Micarea brownian fractal i gsete aplicaia n modelarea seriilor de
timp ale unor fenomene naturale sau ale altor procese, serii ce se analizeaz
printr-o metod dezvoltat de Hurst pe care a numit-o Analize ale domeniului
rescalat (sau analiza R/S) descris n detaliu n Long-Term Storage: An
Experimental Study, Hurst, 1965.
n 1972 Mandelbrot a artat c analiza R/S este n general un test de
dependent pentru serii de timp pe perioade foarte lungi, iar Lo (1991) susine
c una dintre limitrile acestui test este c nu se poate distinge ntre serii de
timp pe termen scurt i serii de timp pe termen lung.
n teorie se demonstreaz c aceast metod nu poate fi folosit cu succes,
dect n cazul n care se aplic pe un set de date al crui numr de valori
depete 4000.

Ioan Dziac, Inteligen artificial, 2008

155

CAPITOLUL 3
SISTEME BAZATE PE CUNOTINE.
SISTEME EXPERT
Rezumat. Un sistem expert (SE) este un program care acioneaz asupra
unui set de cunotine pentru obinerea n acelai mod ca i experii umani
a rezultatelor unor activiti dificil de executat. Principala caracteristic a
sistemelor expert este determinat de existena unei baze de cunotine,
mpreun cu un algoritm de cutare specific metodei de raionare. Un
sistem expert trateaz cu succes probleme pentru care o soluie
algoritmic clar nu exist. SE sunt produse ale inteligenei artificiale,
ramur a tiinei calculatoarelor ce urmrete dezvoltarea de programe
inteligente. Ceea ce este remarcabil pentru sistemele expert este aria de
aplicabilitate ce a cuprins tot multe domenii de activitate: economie,
marketing, management, medicin, nvmnt, industrie etc.

3.1. Exemple de sisteme expert


Un domeniu important de implementare a IA este cel al sistemelor bazate
pe cunotine (SBC), n prima faz aceste sisteme fiind reprezentate de
sistemele expert (SE). Primele reuite ale SE sunt cele finanate prin programul
NASA, nceput n anul 1960 pentru trimiterea unui vehicul pe Marte. n acest
scop cercettorii Universitii Standford au construit un SE, un program numit
Dendral; care trebuia s determine structura chimic a unor substane pornind
de la spectrograma de mas.
SE este un program ce prelucreaz logic cunotine pentru obinerea de
soluii pentru rezolvarea unor probleme dificile, rezolvate altfel de ctre experi
umani foarte pricepui, care posed cunotine i reguli din respectivul domeniu
de activitate.
S-au realizat apoi alte SE cum au fost Mycin, CasNet, HerShay, Internist
(ulterior redenumit Caduceus), Molgen, Prospector, R1 (ulterior redenumit
Xcon).
Mycin: bazat pe experien acumulat n realizarea lui Dendral, este un
sistem expert care opereaz ca un consultant pentru medici n investigarea
pacienilor pentru depistarea infeciilor bacteriene ale sngelui i pentru
prescrierea tratamentului adecvat.
Casnet: (Causal Association NetWork) a fost realizat pentru diagnosticul
glaucomului. Regulile au fost mprite n trei clase dup nivelul la care

156

Ioan Dziac, Inteligen artificial, 2008

intervin, reprezentarea cunotinelor este structurat pe cele trei nivele de


analiz privind cazuistica depistrii acestei maladii i anume observaii, stri
psihopatologice, diagnosticare. Regulile inferenelor logice sunt aplicate cu
nlnuire nainte.
HerShay II: are ca scop recunoaterea parolei i a fost realizat n 1979.
Acest SE lucreaz cu o memorie global n care diferite tipuri i nivele de
informaii sunt integrate n aceast structur de tabel. Tabela este interogat de
mai multe surse de cunoatere, fiecare surs coninnd un tip diferit de
cunotine. Surse distincte de cunotine independente pot comunica prin
intermediul tabelei. Este realizat astfel o versiune global asupra strii curente
ce poate fi consultat n strategia de control.
Internist: redenumit Caduceus, a fost elaborat la Universitatea din
Pittsburg i cuprindea, cnd a fost finalizat n 1982, 80% din medicina
intern. El cuprinde cteva milioane de reguli grupate n subiecte particulare,
fiecare maladie este caracterizat prin legturi logice asociate n cele dou
sensuri posibile dintre observaie i diagnostic. S-a determinat i un coeficient
care exprim frecvena apariiei acelei observaii pentru a determina acea
maladie. Sistemul expert a fost dezvoltat de-a lungul a 10 ani.
MolGen: realizat la Universitatea Standford, este specializat n biologie
molecular. n baza de cunotine au fost integrate cunotinele din diverse
domenii cum ar fi biologie, topologie, chimie, genetic, tehnologia procedurilor
din biologia molecular.
Prospector: dezvoltat la Universitatea Standford, este adresat
problematicii prospeciunilor miniere. Este un SE ce realizeaz reele semantice
partiionate.
R1: redenumit XCon, lucreaz cu aproximativ 1000 de reguli i are ca
scop configurarea calculatoarelor DEC. Compania DEC a realizat de altfel nc
dou SE, i anume XSel pentru sectorul vnzrilor de calculatoare i IDT
pentru diagnosticul defectelor sistemelor PDP 11.
Se remarc cteva firme de renume care dezvolt SE, compania IBM
dezvolt mai multe generaii de SE destinate diagnosticului produselor
informatice. n aceiai linie de dezvoltare a inteligenei artificiale prin sistem
expert se ncadreaz i companiile General Electric, HP .a.
SE se deosebesc de toate celelalte metode de implementare a IA prin
cteva caracteristici definitorii dintre care cea mai importat este faptul c se
adreseaz unui domeniu anume.
Trebuiete mai nti accentuat caracteristica identic pentru toate formele
de implementare a IA, oricare form a IA este numai un produs al gndirii
umane i se crede c nu va putea niciodat depii inteligena uman n calitate
i profunzime a judecilor logice. IA se justific prin automatismul ei, prin
utilizarea calculatorului numeric care prelucreaz cu vitez performant un

Ioan Dziac, Inteligen artificial, 2008

157

volum mare de date, fapt care poate induce n eroare spre a concluziona c este
vorba de o alt calitate a raionamentelor.
SE sunt de fapt dezvoltri n noi cmpuri ale achiziiei de cunotine ca
forme specializate de nvare, n care cunotinele sunt achiziionate direct de
la expertul uman sau prin experiene anteriore. Unele SE, ca tehnici de IA,
includ explicaii, nvarea inteligent, planificarea, rezolvarea problemelor
distribuite.
Cei mai muli algoritmi utilizai n IA au caracter euristic. O regul
euristic este o regul ce ofer o metod incomplet de rezolvare a problemelor,
o metod de cutare dintr-o multitudine de soluii o soluie posibil. Ea nu d
rezultate sigure, corecte la orice moment de timp i nu este garantat c gsete
cea mai bun soluie, dar n acelai timp poate reduce mult timpul de cutare al
unei soluii pentru problema dat. Metodele de acest tip pot fi folosite pentru
reducerea mrimii arborilor de cutare n cazurile arborilor foarte mari.
SE au fost acceptate i proiectate ntr-o mulime de domenii: matematic,
chimie, prospeciuni de zcminte naturale, configurare calculatoare,
management, industrie, medicin, cercetare tiinific i n alte sfere
profesionale, ca fiind o cale de fructificare a experienei la nivel de expert
uman, disponibil prin intermediul unui computer, oricnd este necesar. SE
sunt oportune n domenii particulare n care experii umani existeni au
suficient experien, n privina analizei datelor de intrare, a raionrii pentru
gsirea unei soluii, pe care s o poat furniza spre codificare unui sistem
expert.
Un SE este un program care urmrete cunotinele, raioneaz pentru
obinerea rezultatelor ntr-o activitate dificil ntreprins uzual doar de experii
umani. Un expert uman are cunotine ntr-un domeniu specific, un SE
utilizeaz cunotinele ce sunt stocate ntr-o baz de cunotine, baz format
din cunotinele asociate numai domeniului respectiv.
Un SE poate trata cu succes probleme pentru care o soluie algoritmic
clar nu se poate formula. n unele cazuri, prin baza de fapte, inclusiv
cunoaterea experimental este codificat i are influen pentru gsirea unei
soluii.
Din punct de vedere funcional, se poate enuna urmtoarea descriere: Un
SE este un program ce prelucreaz printr-un modalitate de raionament
implementat, cunotine teoretice i aplicative, pentru obinerea de rezultate, n
acelai mod ca i experii umani , n activiti dificil de examinat i soluionat
ale unui anumit domeniu. Principala caracteristic a SE (nucleul esenial al unui
SE) este generat de baza de cunotine i baza de fapte, mpreun cu un
algoritm de cutare (mecanism de inferen) a soluiei asociat metodei de
raionament.

158

Ioan Dziac, Inteligen artificial, 2008

Realizarea de SE impune formarea de noi specialiti pentru captarea


cunotinelor i exprimarea acestora sub forma de reguli. O metod de
exprimare a acestor reguli de raionare este aceea a limbajelor formale.
Limbajele formale codific dup principii matematice exprimarea
raionamentelor ntr-o form asemntoare limbajului uman.
Metodele noi de prelucrare a informaiilor se refer la culegere,
ordonare, sortare a datelor aa cum lucreaz limbajele de programare a bazelor
de date DBase, Fox, Clipper, FoxPro sau limbaje de programare care codific
modul de exprimare, de raionare prin propoziii, Prolog, Lisp .a.
SE rezolv probleme numai pentru un singur domeniu de activitate.
Baza de cunotine a unui SE este realizat modular astfel nct foarte uor s
poat s fie actualizat. Baza de fapte conine experiene ale rezolvrilor
anterioare. Un astfel de sistem expert este adaptiv , cunotinele sunt memorate
sub form de reguli care pot fi uor citite i modificate de utilizator cu mici
intervenii. Transmiterea informaiilor cu aceste baze de date trebuie realizat a
fi programat performant, modul de raionare utilizat pentru gsirea soluiei
trebuie prezentat inteligibil pentru un utilizator care nu este specialist n
calculatoare.
Devine necesar o nou specializare denumit inginer de cunotine,
acesta fiind un translator ntre specialistul n calculatoare i expertul uman al
domeniului pentru care este construit sistemul expert. Inginerul de cunotine
este i cel care realizeaz interfaa de transmitere ctre utilizator a principiului
de raionare aplicat pentru determinarea soluiei propuse. Inginerul de
cunotine este cel care codific i transmite sistemului de calcul raionamentele
care constituie mecanismul de inferen activat pentru gsirea de soluii
diverselor probleme transmise. De asemenea baza de cunotine precum i baza
de fapte a SE trebuiesc construite i actualizate, obiective de programare care
trebuiete s le realizeze de asemenea inginerul de cunotine.
Calculatorul este utilizat spre a implementa inteligena artificial prin
intermediul limbajelor formale, a limbajelor de calcul simbolic.
Aceast metodologie de captare a cunotinelor este cunoscut sub
numele de ingineria cunoaterii.
SE nu i propun s nlocuiasc specialistul n domeniu pentru care
sistemul expert a fost creat. Ultima verificare cu privire la soluii o are
ntotdeauna omul.
SE prezint o mare varietate n implementarea principiilor inteligenei
artificiale.
Problemele ce se solicit rezolvate prin sistem expert fac apel la gndire,
la abilitatea de raionare cu alte concepte dect numere, problematic ce devine
din ce n ce mai mult o necesitate. Realizarea programelor ce raioneaz
pornete de la faptul c simbolurile pot fi numere, texte sau alte concepte.

Ioan Dziac, Inteligen artificial, 2008

159

3.2. Sisteme expert bazate pe reguli


3.2.1. Despre cunotine
Cunotina este o nelegere practic sau teoretic a unui subiect sau
domeniu. Este i suma a ceea ce se cunoate n prezent. Cei care posed
cunotine se numesc experi. Acetia sunt cei mai puternici i importani
oameni n organizaiile lor. Orice companie de succes are mcar civa experi
de prim clas.
Oricine poate fi considerat un expert ntr-un anumit domeniu dac are
cunotine adnci (att fapte ct i reguli) i experien practic puternic ntrun domeniu particular. Aria domeniului poate fi limitat. De exemplu, experii
n Linux ar putea avea doar cunotine generale despre sistemele de operare, pe
cnd experii n piaa asigurrilor ar putea avea doar o nelegere limitat a
polielor de asigurare imobiliare. n general, un expert este o persoan cu
aptitudini care poate face anumite lucruri pe care alii nu le pot face.
Procesul mintal uman este intern i este prea complex pentru a fi
reprezentat printr-un algoritm. Cei mai muli experi sunt capabili s exprime
cunotinele lor sub forma de reguli pentru rezolvarea de probleme.

Exemplu: S presupunem c ai ntlnit un robot care vrea s treac


strada. Putei s l ajutai? Suntei un expert n trecerea strzii ai fcut acest
lucru pe parcursul mai multor ani. Deci suntei capabil s-l nvai pe robot s
treac strada. Cum realizai acest lucru? i explicai c poate trece strada n
securitate cnd culoarea semaforului este verde, i c trebuie s se opreasc
cnd culoarea semaforului este roie. Acestea sunt regulile de baz. Cunotina
dumneavoastr poate fi formulat prin urmtoarele propoziii simple:
IF culoarea semaforului este verde
THEN
aciunea este Treci
IF culoarea semaforului este roie
THEN
aciunea este Stop.
Aceste propoziii reprezentate sub forma IF-THEN se numesc reguli de
producie sau doar reguli. Termenul regul n IA, ce este cel mai folosit tip
de reprezentare a cunotinelor, poate fi definit cu ajutorul unei structuri IFTHEN care relateaz informaia dat sau faptele n partea IF i aciunea care
urmeaz n partea THEN. O regul furnizeaz o descriere a modului de
rezolvare a unei probleme. Regulile sunt destul de uor de creat i neles.

160

Ioan Dziac, Inteligen artificial, 2008

3.2.2. Regulile ca i tehnic de reprezentare a cunotinelor


Orice regul este alctuit din 2 pri: partea IF (dac) numit i
antecedent (premis sau condiie) i partea THEN (atunci) numit consecin
(concluzie sau aciune).
Sintaxa de baz a unei reguli este:
IF <antecedent 1>
AND <antecedent 2>
...
AND <antecedent n>
THEN <consecin>
IF <antecedent 1>
OR <antecedent 2>
...
OR <antecedent n>
THEN <consecin>
Consecina unei reguli poate de asemenea avea mai multe clauze:
IF
<antecedent>
THEN
<consecin 1>
<consecin 2>
...
<consecin m>
Antecedentul unei reguli cuprinde 2 pri: un obiect (obiect lingvistic) i
valoarea sa. n exemplu nostru cu trecerea drumului, obiectul lingvistic
culoarea semaforului poate s ia fie culoarea verde, fie culoarea roie.
Obiectul i valoarea sa sunt legate printr-un operator. Operatorul identific
obiectul i atribuie valoarea. Operatori ca este, sunt, nu este, nu sunt, sunt
folosii pentru atribuirea unei valori simbolice unui obiect lingvistic. Dar
sistemele expert pot folosi i operatori matematici pentru a defini un obiect ca
numeric i i atribuie o valoare numeric.
De exemplu:

IF vrsta clientului<18
AND retragere numerar>1000
THEN
semntura printelui este necesar
Asemntor cu antecedentul unei reguli, o consecin combin un obiect
i o valoare conectate printr-un operator. Operatorul atribuie valoarea obiectului
lingvistic. n exemplul nostru, dac culoarea semaforului este verde, obiectului
lingvistic aciune i se atribuie valoarea treci. Obiectele numerice i chiar
expresii matematice simple se pot folosi ca i consecinele regulii.
Regulile pot reprezenta relaii, recomandri, directive, strategii etc.

Ioan Dziac, Inteligen artificial, 2008

161

3.2.3. Structura unui sistem expert bazat pe reguli


La nceputul anilor 70, Newell i Simon au propus un model de sistem de
producie, ce va sta la baza sistemelor moderne de SE bazate pe reguli. Modelul
de producie se bazeaz pe ideea c oamenii rezolv problemele prin aplicarea
cunotinelor lor (exprimate ca i reguli de producie) unei probleme date
reprezentat de informaii specifice problemei. Regulile de producie sunt
stocate ntr-o memorie de lung durat i informaiile specifice problemei sau
faptele sunt stocate n memoria de scurt durat.
Un SE bazat pe reguli are 5 module:

Baza de cunotine: conine domeniul cunotinelor folositor pentru


rezolvarea problemelor. ntr-un SE bazat pe reguli, cunotinele sunt
reprezentate ca o mulime de reguli. Fiecare regul specific o relaie,
recomandare, directiv, strategie sau model euristic i are structura IF
(condiie) THEN (aciune). Cnd o condiie ce face parte dintr-o regul
este ndeplinit, se va executa partea de aciune.

Baza de date: include o mulime de fapte ce se potrivesc cu prile IF


(condiie) ale regulilor salvate n baza de cunotine.

Motorul de inferene: ajut la gsirea unei soluii de ctre sistem. Face


legtura ntre regulile date n baza de cunotin i faptele salvate n
baza de date.

Modul de explicaii: permite utilizatorului s ntrebe sistemul expert


cum s-a ajuns la o concluzie particular i de ce este nevoie de un
anumit fapt. Un SE trebuie s fie capabil s i explice raionamentul i
s justifice sfatul, analiza sau concluzia dat.

Interfaa utilizator: este mijlocul de comunicare dintre un utilizator care


caut o soluie a unei probleme i un SE. Comunicarea ar trebui s fie
ct mai prietenoas posibil, pentru a putea fi utilizat de nespecialiti.

Aceste cinci componente sunt eseniale pentru orice SE bazat pe reguli.


Acestea constituie nucleul sistemului (v. figura 3.2.1), dar pe lng acestea ar
mai putea exista i nite componente adiionale (v. figura 3.2.2).

162

Ioan Dziac, Inteligen artificial, 2008

Figura 3.2.1. Nucleul unui sistem expert bazat pe reguli

Interfaa extern permite unui sistem expert s lucreze cu fiiere de date


externe i programe scrise n limbaje de programare convenionale cum ar fi C,
Pascal, FORTRAN i Basic. Structura complet a unui sistem expert bazat pe
reguli este dat n figura 3.2.2.
Interfaa cogniticianului (dezvolttorului SE), include de obicei
editoare de baze de cunotine, ajutoare de verificare pas cu pas i faciliti de
intrri/ieiri.

Ioan Dziac, Inteligen artificial, 2008

163

Figura 3.2.2. Structura complet a unui sistem expert bazat pe reguli

Toate shell-urile sistemelor expert furnizeaz un simplu editor de text


pentru a introduce i modifica regulile, i pentru a verifica formatul i scrierea
lor corect. Multe SE au de asemenea i faciliti de salvare intermediar
pentru a monitoriza schimbrile fcute de ingineri sau experi. Dac o regul s-a

164

Ioan Dziac, Inteligen artificial, 2008

schimbat, editorul va salva n mod automat data schimbrii, i numele persoanei


ce a realizat aceast schimbare pentru referine ulterioare. Acest lucru este
foarte important n momentul n care mai muli ingineri i experi au acces la
baza de cunotine i o pot modifica.
Cele mai multe SE pun la dispoziie faciliti de intrare/ieire cum ar fi
achiziia de cunotine n momentul rulrii. Acest lucru permite sistemului
expert s cear anumite informaii de care are nevoie n momentul rulrii, ori de
cte ori aceast informaie nu este disponibil n baza de date. Cnd informaia
cerut este introdus de ctre expert sau inginer, programul i va relua
activitatea.
n general, interfaa pentru dezvolttori i pentru facilitile de achiziie a
cunotinelor n mod particular, sunt realizate astfel nct s permit experilor
din anumite domenii s introduc cunotinele lor direct n sistemul expert i
astfel minimizndu-se intervenia unui inginer.

3.2.4. Caracteristicile fundamentale ale unui sistem expert


Un SE este construit pentru a realiza munca unui expert uman ntr-un
domeniu specializat i limitat. Din acest motiv, cea mai important
caracteristic a unui sistem expert este performana sa de nalt calitate.
Orict de repede poate rezolva sistemul o problem, utilizatorul nu va fi
mulumit dac rezultatul este greit. Pe de alt parte, viteza cu care se ajunge la
o soluie este foarte important. Chiar i cea mai precis decizie sau diagnoz
poate s fie nefolositoare dac este prea trziu pentru a putea fi pus n practic,
de exemplu, ntr-un caz de urgen cnd un pacient moare sau un reactor
nuclear explodeaz. Experii i folosesc experiena practic i nelegerea unei
probleme pentru a gsi calea cea mai scurt spre o soluie. SE, la fel ca i
omologii lor umani, ar trebui s aplice modele euristice pentru raionament,
reducnd astfel aria de cutare a unei soluii.
O caracteristic unic a unui SE este capacitatea sa explicativ. Acest
lucru permite SE s revad propriul su raionament i s explice deciziile sale.
O explicare n cadrul SE urmrete de fapt regulile date de-a lungul unei sesiuni
de rezolvare de probleme. Acest lucru este de fapt o simplificare; oricum, o
explicare real sau uman nu este nc posibil deoarece necesit o nelegere
de baz a domeniului. Dei o secven de reguli executate nu poate folosit
pentru a justifica o concluzie, putem ataa principii fundamentale potrivite a
domeniului explicat ca i text pentru fiecare regul, sau mcar fiecare regul de
nivel nalt, stocat n baza de cunotine. Acest lucru este poate capacitatea
maxim de explicare ce se poate face. Oricum, abilitatea de a explica o linie de
raionament poate s nu fie esenial pentru anumite SE. De exemplu, un sistem
tiinific construit pentru experi ar putea s nu trebuiasc s furnizeze explicaii
extensive, deoarece concluzia la care ajunge poate s fie de sine explicativ

Ioan Dziac, Inteligen artificial, 2008

165

pentru ceilali experi. Pe de alt parte, SE folosite n realizarea deciziilor de


obicei au nevoie de explicaii complete i raionale, deoarece costul unei decizii
greite poate fi foarte mare.
SE au un raionament simbolic cnd rezolv o problem. Simbolurile
sunt folosite pentru a reprezenta diferite tipuri de cunotine cum ar fi fapte,
concepte i reguli. Spre deosebire de programele convenionale scrise pentru
procesarea de date numerice, sistemele expert sunt construite pentru prelucrarea
de cunotine i se pot descurca uor cu date calitative.
Programele convenionale proceseaz datele folosind algoritmi, sau, cu
alte cuvinte, o serie de operaii pas cu pas foarte bine definite. Un algoritm
ntotdeauna execut aceleai operaii n aceeai ordine, i ntotdeauna
furnizeaz o soluie exact. Programele convenionale nu fac greeli dar
programatorii de obicei da. Spre deosebire de programele convenionale, SE nu
urmeaz o secven prescris de pai. Ele permit raionament inexact i pot s
prelucreze date incomplete, nesigure i vagi (fuzzy).
Chiar i un expert excelent este doar om i deci poate face greeli. Acest
lucru sugereaz c unui sistem expert construit pentru a lucra la nivelul unui
expert uman ar trebui s-i fie permis s fac greeli. Dar totui nc mai avem
ncredere n experi, dei recunoatem c judecata lor este cteodat greit. n
acelai mod, cel puin n cele mai multe cazuri, putem s ne bazm pe soluiile
furnizate de SE, dar totui pot aprea greeli.
Teoretic, programele convenionale ntotdeauna furnizeaz aceleai soluii
corecte. Oricum, trebuie s ne aducem aminte c programele convenionale pot
furniza o soluie doar i numai dac datele sunt complete i exacte. Cnd datele
sunt incomplete sau conin erori, un program convenional fie nu va furniza nici
o soluie, fie va da o soluie incorect. n contrast, SE recunosc c informaia
disponibil poate fi incomplet sau fuzzy, dar pot funciona n astfel de condiii
i s ajung la o concluzie rezonabil.
O alt caracteristic important ce distinge sistemele expert de
programele convenionale este aceea c, cunotinele sunt separate de
procesarea lor (baza de cunotine i motorul de inferene sunt separate). Un
program convenional este o amestectur de cunotine i structuri de control
pentru procesarea acestor cunotine. Aceast amestectur duce la dificulti n
nelegerea i verificarea codului programului, odat ce o schimbare n program
afecteaz att cunotinele ct i procesarea sa. n cadrul sistemelor expert,
cunotinele sunt separate clar de mecanismul de procesare. Acest lucru face ca
sistemele expert s fie mult mai uor de construit i de meninut. Cnd se
folosete o comand de control a sistemului, un inginer sau un expert introduc
simplu regulile n baza de cunotine. Fiecare nou regul adaug noi cunotine
i fac SE mai inteligent. Acest sistem poate deci fi uor modificat prin
schimbarea sau nlturarea regulilor.

Ioan Dziac, Inteligen artificial, 2008

166

3.2.5. Avantajele i dezavantajele unui sistem expert bazat pe reguli


SE bazate pe reguli sunt n general acceptate ca fiind opiunea ideal
pentru a realiza sisteme bazate pe cunotine.

Avantajele acestora sunt:


Reprezentarea natural a cunotinelor. Un expert de obicei explic
procedura de rezolvare a problemelor folosind expresii de genul: n
astfel i astfel de situaii, fac asta i asta. Astfel de expresii pot fi
reprezentate destul de natural prin reguli de producie IF-THEN.
Structuri uniforme. Regulile de producie au forma uniform a
structurii IF-THEN. Fiecare regul este o parte independent de
cunotine. Chiar sintaxa regulilor de producie le permit s fie de la sine
documentate.
Separarea cunotinelor de procesarea lor. Structura unui sistem
expert bazat pe reguli furnizeaz o separare efectiv a bazei de
cunotine de motorul de inferene. Acest lucru face posibil dezvoltarea
diferitelor aplicaii folosind acelai nucleu de sistem expert. De
asemenea permite o expansiune uoar a sistemului expert. Pentru a face
ca un sistem s fie mai inteligent, un informatician trebuie doar s
adauge nite reguli bazei de cunotine fr a interveni n structurile de
control.
Managementul cunotinelor incomplete i nesigure. Cele mai multe
SE bazate pe reguli sunt capabile s reprezinte i s gestioneze
cunotinele nesigure i incomplete. De exemplu, regula
IF
sezonul este toamna
AND
cerul este innorat
AND
vntul este slab
THEN
previziunea este timp clar (fc 0.1);
 Previziunea este timp ploios (fc 1.0);
 Previziunea este ploaie (cf 0.9)
ar putea fi folosit pentru a exprima incertitudinea urmtoarei afirmaii:
Dac sezonul este toamn i parc este ploios, atunci probabil astzi va fi
o alt zi ploioas. Regula reprezint incertitudinea prin numerele numite
factori de certitudine (fc). SE folosete factorii de certitudine pentru a
stabili gradul de confiden sau nivelul de ncredere c, concluzia regulii
este adevrat.

Toate aceste caracteristici a sistemelor expert bazate pe reguli fac s


aib un mare grad de cutare pentru reprezentarea cunotinelor n problemele
din lumea real.

Ioan Dziac, Inteligen artificial, 2008

167

Dezavantajele sistemelor expert:


Relaii opace ntre reguli. Dei regulile de producie individuale tind s
fie relativ simple i de la sine documentate, logica lor ce interacioneaz
ntr-o mulime mare de reguli poate fi opac. SE bazate pe reguli
observ cu dificultate cum pot regulile individuale s serveasc unei
strategii de context. Aceast problem este relaionat cu lipsa
reprezentrii ierarhice a cunotinelor n cadrul sistemelor expert bazate
pe reguli.
Strategii de cutare ineficiente. Motorul de inferen aplic o cutare
exhaustiv prin toate regulile de producie n timpul fiecrui ciclu.
Sistemele expert cu o mulime mare de reguli (peste 100 de reguli) pot fi
lente, i din acest motiv sistemele mari bazate pe reguli pot fi nepotrivite
pentru aplicaiile n timp real.
Incapacitate de a nva. n general, sistemele expert bazate pe reguli
nu au abilitatea de a nva din experien. Spre deosebire de un expert
uman, care tie cnd trebuie s ncalce regulile, un sistem expert nu
poate s-i modifice n mod automat baza de cunotine, sau s-i
ajusteze regulile existente sau s-i adauge noi reguli. Informaticianul
este responsabil pentru ntreinerea sistemului.
3.2.6. Managementul incertitudinii n sistemele expert bazate pe reguli
Definiia incertitudinii. Una din caracteristicile comune ale informaiilor
disponibile experilor umani este imperfeciunea lor. Informaia poate fi
incomplet, inconsistent, nesigur, sau toate trei la un loc. Cu alte cuvinte,
informaia este deseori nepotrivit pentru a rezolva o problem. Oricum, un
expert poate face fa acestor defecte i de obicei poate raiona corect i s ia
decizia bun. SE trebuie de asemenea s poat manevra incertitudinea i s
furnizeze concluzii valide. Incertitudinea poate fi definit ca i lipsa
cunotinelor exacte care ar putea s ne permit s ajungem la o concluzie
perfect sigur. Logica clasic permite doar raionamentul exact. Aceasta
presupune c ntotdeauna exist cunotine perfecte i c se poate ntotdeauna
aplica legea excluderii mijlocului:
IF A este adevrat
THEN
A nu este fals i
IF B este fals
THEN
B nu este adevrat
Din pcate, majoritatea problemelor din lumea real unde ar putea fi
folosite sistemele expert nu ne furnizeaz astfel de cunotine precise.

168

Ioan Dziac, Inteligen artificial, 2008

Informaia disponibil de obicei, conine date inexacte, incomplete sau chiar de


nemsurat.
n cadrul SE putem identifica patru surse majore de incertitudine a
cunotinelor: implicaii slabe, limbaj imprecis, date necunoscute i dificultatea
combinrii diferitelor puncte de vedere a diferiilor experi.
Implicaiile slabe. SE bazate pe reguli de obicei sufer implicaii slabe i
asociaii vagi. Experii de domenii i inginerii informatici au, mai curnd fr
ans, sarcina de a stabili corelaii concrete ntre prile condiiile IF i aciunile
THEN ale regulilor. Din acest motiv, sistemele expert trebuie s aib abilitatea
de a trata asociaiile vagi, de exemplu prin acceptarea gradului de corelaii ca i
factori numerici de certitudine.
Limbaj imprecis. Limbajul nostru natural este prin natura lui ambiguu i
imprecis. Noi descriem fapte prin termeni ca deseori i cteodat, frecvent i
destul de rar. Ca i rezultat al acestui fapt, poate fi dificil exprimarea
cunotinelor n forma precis IF-THEN a regulilor de producie. Oricum, dac
nelesul factorilor este cuantificat, se pot folosi n SE.
Calificnd nelesul termenilor permite unui SE s stabileasc o potrivire
adecvat a prii condiiilor IF a regulilor cu faptele disponibile n baza de date.
Date necunoscute. Cnd datele sunt incomplete sau lipsesc, singura
soluie este acceptarea valorii necunoscut i nceperea unui raionament
aproximativ cu aceast valoare.
Combinarea punctelor de vedere a diferiilor experi. SE de mari
dimensiuni de obicei combin cunotinele i expertizele mai multor experi. De
exemplu, nou experi care au participat la dezvoltarea sistemului
PROSPECTOR, un sistem pentru exploatarea mineral. Din pcate, de multe
ori experii ajung la aceleai concluzii. Pentru a rezolva conflictele,
informaticienii trebuie s msoare concluzia fiecrui expert iar apoi trebuie s
calculeze concluzia compus. Oricum, chiar i un expert pe un anumit domeniu
nu are acelai nivel de expertiz uniform pe tot parcursul domeniului. n plus,
nu exist metode sistematice pentru a obine analiza concluziilor.
Deci, un SE ar trebui s fie capabil s manevreze incertitudinile, deoarece
domeniile din lumea real conin cunotine inexacte i trebuie s fac fa
datelor incomplete, inconsistente sau chiar lips. S-au dezvoltat mai multe
metode numerice i non-numerice pentru a rezolva problema incertitudinii n
sistemele expert bazate pe reguli. Cea mai popular paradigm de management
a incertitudinii este: Raionamentul bayesian.

Ioan Dziac, Inteligen artificial, 2008

169

3.3. Sisteme expert fuzzy


3.3.1. Generaliti
Sintagma de sisteme fuzzy include mulimi fuzzy, logic fuzzy,
algoritmi i control. Ideea fundamental comun pentru toate aceste domenii
fuzzy este exploatarea conceptului fuzzy. Conceptul cheie este: permite o
tranziie gradual i continu, s spunem, de la 0 la 1. Acest lucru ar prea s fie
prea simplu, dat teoria tradiional a mulimilor i logicii au de-a face doar cu
valori discrete dect cu valori continue. De exemplu, un element dintr-o
mulime obinuit (mulime crisp) fie aparine mulimii (lucru ce ar putea fi
reprezentat prin valoarea 1) fie nu aparine (lucru reprezentat prin valoarea 0).
n mod similar, n logica obinuit, o propoziie fie este adevrat (lucru ce
poate fi reprezentat prin 1) fie este fals (lucru ce ar putea fi reprezentat prin 0).
Niciodat nu ne-am ocupat de situaii ca de exemplu : un element aparine unei
mulimi n proporie de 30% sau c o propoziie este pe jumtate adevrat.
Sistemele fuzzy extind cmpurile tradiionale prin ncorporarea unor astfel de
adevruri pariale. Putem spune c, conceptul de fuzzy-ness este tiina
continuului, n special pentru discipline tradiionale discrete.
Tipurile primare de aplicaii pentru care sistemele fuzzy sunt folositoare
n mod particular, sunt cazurile dificile n care tehnicile tradiionale nu
funcioneaz bine. Cele mai de succes domenii n termeni de practicitate, a fost
n controlul fuzzy a diferitelor caracteristici chimice sau fizice cum ar fi
temperatura, curentul electric, curgerea gazului/lichidului, micarea mainilor,
etc. De asemenea, sistemele fuzzy pot fi obinute prin aplicarea principiilor
mulimilor i logicii fuzzy altor arii. De exemplu, sistemele bazate pe cunotine
fuzzy cum ar fi sistemele expert fuzzy, care ar putea folosi reguli fuzzy de tipul
if-then; baze de date fuzzy care s conin informaii fuzzy; recunoaterea
formelor fuzzy ce se ocup de semnale audio sau video fuzzy; aplicaii n
medicin, economie i managementul de probleme care implic procesarea
informaiilor fuzzy.
Sistemele
fuzzy sunt perfecte pentru raionamentul nesigur sau
aproximativ, mai ales pentru sistemele a cror model matematic este greu de
derivat. De exemplu, valorile de intrare i ale parametrilor pentru un sistem ar
putea include fuzzy-ness sau s fie incomplete sau neadecvate. n mod similar,
formulele sau regulile de inferen necesare pentru extragerea concluziilor ar
putea fi incomplete sau neadecvate. Logica fuzzy permite luarea de decizii cu
valori estimative luate din cadrul unei informaii incomplete. S-ar putea ca
decizia s nu fie corect i poate fi schimbat mai trziu cnd apar informaii
adiionale. Pentru probleme grele, metodele convenionale non fuzzy sunt de
obicei scumpe i depind de aproximaii matematice (de exemplu liniarizarea
unor probleme non-lineare), care ar putea duce la nite performane sczute. n

170

Ioan Dziac, Inteligen artificial, 2008

astfel de condiii, sistemele fuzzy de obicei depesc performana metodele


convenionale cum ar fi un control proporional, integral i diferenial (PID).
Abordarea sistemelor fuzzy ne permite de asemenea reprezentarea expresiilor
descriptive sau calitative cum ar fi ncet sau rapiditate moderat i sunt uor
de incorporat cu ajutorul afirmaiilor simbolice. Aceste expresii i reprezentaii
sunt mult mai naturale dect ecuaiile matematice pentru multe afirmaii i
reguli de judecat uman.
Cnd se aplic sistemele fuzzy pentru probleme specifice, n mod
particular un tip de problem descris mai sus, rspunsul lor sunt de obicei mai
rapide dect n cadrul sistemelor convenionale. Acest lucru se transpune n
operaii eficiente i mult mai confortabile pentru sarcini ca viteza de croazier,
controlarea temperaturii, etc. Mai mult , acest lucru va salva energie, va reduce
costurile de mentenan, i vor mri timpul de via al mainii. n sistemele
fuzzy, descrierea regulilor de control este de obicei mai uoar i mai simpl,
avnd nevoie de mai puine reguli, i deci aceste sistemele execut mai rapid
operaiile dect sistemele convenionale. Sistemele fuzzy de obicei au
tratabilitate, robustee, i mai ales cost sczut. Toi aceti factori contribuie la o
performan mai bun. Pe scurt, metodele convenionale sunt bune pentru
probleme simple, pe cnd sistemele fuzzy sunt perfecte pentru probleme sau
aplicaii complexe care implic gndirea uman descriptiv sau intuitiv.

3.3.2. Reguli fuzzy


O regul fuzzy poate fi definit ca o instruciune condiional sub forma:
IF x este A
THEN
y este B
unde x i y sunt variabile lingvistice; iar A i B sunt valori lingvistice
determinate de mulimile fuzzy din universul de discursuri X i Y.
O regul clasic IF-THEN folosete logica binar, adic este exprimat
ntr-un limbaj alb-negru a logicii booleene.

Exemplu:
Regula 1:
IF viteza > 100
THEN
distana_de_oprire este mare
Regula 2:
IF viteza < 40
THEN
distana_de_oprire este mic

Ioan Dziac, Inteligen artificial, 2008

171

Variabila vitez poate avea orice valoare numeric ntre 0 i 220 km/h, dar
variabila lingvistic distana_de_oprire poate avea doar dou valori: mare i
mic.
Dac dorim s reprezentm aceste reguli ntr-o form fuzzy, avem:
Regula 1:
IF viteza este mare
THEN
distana_de_oprire este mare
Regula 2:
IF viteza este mic
THEN
distana_de_oprire este mic
Aici variabila lingvistic viteza are intervalul (universul discursului) tot
ntre 0 i 220 km/h, dar acest interval include mulimile fuzzy, cum ar fi ncet,
mediu, i repede. Universul discursului a variabilei lingvistic
distana_de_oprire poate fi ntre 0 i 300 m i ar putea include mulimi fuzzy ca
scurt, mediu, i lung. Regulile fuzzy sunt relaionate mulimilor fuzzy.
Sistemele expert fuzzy combin regulile i n mod consecutiv taie
numrul de reguli cel puin 90 %.
Raionamentul fuzzy este alctuit din dou pri distincte: evaluarea
regulii antecedente (partea IF a regulii) i implicarea sau aplicarea rezultatului
consecinei (partea THEN a regulii).
n sistemele clasice bazate pe reguli, dac regula antecedent este
adevrat, atunci consecina este de asemenea adevrat. n sistemele fuzzy,
unde regula antecedent este o afirmaie fuzzy, toate regulile se declaneaz
ntr-un anumit context, sau n alte cuvinte, se declaneaz n mod parial. Dac
regula antecedent este adevrat ntr-un anumit grad de apartenen, atunci
consecina este de asemenea adevrat n acelai grad.
Valoarea de ieire sau un grad de apartenen adevrat a regulii
consecin poate fi estimat direct dintr-un grad de apartenen corespondent n
antecedent. Aceast form a inferenei fuzzy folosete o metod numit selecie
monotonic.
Consecina unei reguli fuzzy poate include de asemenea mai multe pri,
de exemplu:
IF temperatura este mic
THEN
apa_fierbinte este redus;
apa_rece este mrit
n acest caz, toate prile consecinei sunt afectate n mod egal de
antecedent.

172

Ioan Dziac, Inteligen artificial, 2008

n general, un sistem expert fuzzy include nu una ci mai multe reguli care
descriu cunotinele experilor. Ieirea fiecrei reguli este o mulime fuzzy dar
de obicei trebuie s obinem un singur numr care s reprezinte ieirea
sistemului expert. Cu alte cuvinte, dorim s obinem o soluie precis, nu una
fuzzy. Pentru a obine o singur soluie crisp pentru variabila de ieire, un
sistem expert fuzzy reunete toate ieirile mulimilor fuzzy i apoi transform
mulimea fuzzy ntr-un numr singur.

3.3.3. Inferene fuzzy


Poate fi definit ca un proces de ajungere de la o valoare de intrare dat la
o valoare de ieire, folosind teoria mulimilor fuzzy.

Inferena n stil Mamdani: Cea mai folosit tehnic a inferenei fuzzy este aa
numita metod Mamdani. n 1975, profesorul Ebrahim Mamdani de la
Universitatea din Londra a construit unul dintre primele sisteme fuzzy pentru
controlarea unei combinaii unui motor cu aburi i a unui boiler. A aplicat o
mulime de reguli fuzzy date de operatori umani experimentai. Procesul de
Inferen fuzzy n stilul Mamdani este realizat n patru pai: transformarea
variabilelor de intrare n variabile fuzzy, evaluarea regulilor, reuniunea ieirilor
regulilor, i n final transformarea variabilelor de ieire fuzzy n variabile de
ieire crisp.
Inferena n stil Sugeno: Inferena n stil Mamdani are nevoie ca noi s gsim
centroidul unei forme bidimensionale prin integrarea unei funcii variabile
continue. n general acest proces nu este eficient din punct de vedere al
calculelor. Putem folosi un singur vrf, un singleton, ca i funcie de
apartenen a regulii consecin pentru a scurta durata inferenei fuzzy. Aceast
metod a fost pentru prima oar introdus de ctre Michio Sugeno n 1985. Un
singleton, sau mai precis un singleton fuzzy, este o mulime fuzzy cu o funcie
de apartenen ce are valoarea 1 pentru un singur punct particular n cadrul
universului discursului i are valoarea 0 n alte cazuri.
Inferena n stil Sugeno este foarte similar cu metoda Mamdani.
Sugeno a schimbat doar consecina unei reguli. n locul unei mulimi fuzzy el a
folosit o funcie matematic a variabilelor de intrare.
3.3.4. Construirea unui sistem expert fuzzy
Un proces tipic n dezvoltarea unui sistem expert fuzzy include
urmtorii pai:
Specificarea problemei i definirea variabilelor lingvistice.
Determinarea mulimilor fuzzy.

Ioan Dziac, Inteligen artificial, 2008

173

Deducerea i construirea regulilor fuzzy.


Codarea mulimilor fuzzy, a regulilor fuzzy i a procedurilor de
executare a inferenelor fuzzy n cadrul sistemului expert.
Evaluarea i reglarea sistemului.

Primul, i probabil cel mai important, pas n construirea unui sistem


expert este specificarea problemei. Trebuie s descriem problema noastr n
termeni de cunotine informatice. Adic, trebuie s determinm variabilele de
intrare i de ieire ale problemei i intervalele ei.
Mulimile fuzzy pot avea diverse forme. Oricum, un triunghi sau un
trapez pot de multe ori furniza o reprezentare adecvat a cunotinelor unui
expert, i n acelai timp simplific n mod semnificativ procesul de calcul.
Pentru determinarea i construirea regulilor fuzzy s-ar putea s avem
nevoie de un expert pentru a descrie cum poate fi rezolvat problema folosind
variabilele lingvistice fuzzy definite anterior. Cunotinele necesare pot fi de
asemenea colectate i din alte surse cum ar fi cri, baze de date, diagrame i
observarea comportamentului uman.
Urmtorul pas, dup definirea mulimilor i regulilor fuzzy este codarea
lor. Acest lucru const n construirea efectiv a sistemului expert fuzzy. Pentru
a realiza acest lucru, avem dou opiuni: construirea sistemului nostru folosind
un limbaj de programare cum ar fi C sau Pascal, sau aplicarea unei unelte de
dezvoltare a logici fuzzy cum ar fi Matlab Fuzzy Logic ToolBox sau Fuzzy
Knowledge Builder. Cei mai experimentai dezvoltatori de sisteme fuzzy de
obicei prefer limbajele de programare C/C++ pentru c ofer o flexibilitate
mai mare. Pentru dezvoltarea rapid i prototipizarea sistemelor expert fuzzy
cea mai bun opiune este o unealt de dezvoltare a logicii fuzzy. O astfel de
unealt furnizeaz un mediu complet pentru dezvoltarea i testarea sistemelor
fuzzy. De exemplu, MATLAB Fuzzy Logic Toolbox are integrate editoare
grafice: un editor pentru sistemul de inferene fuzzy, un editor de reguli, un
editor pentru funcia de apartenen, un vizualizator a inferenelor fuzzy i un
vizualizator a suprafeelor de ieire. Toate aceste componente fac ca dezvoltarea
sistemelor fuzzy s fie mult mai uoar. Aceast opiune este de asemenea
preferat de nceptori, care nu au suficient experien n construirea
sistemelor expert fuzzy. Cnd se alege o unealt de dezvoltare a logicii fuzzy,
informaticienii trebuie doar s codeze regulile fuzzy n sintax englez, i s
defineasc funciile de apartenen n mod grafic.
Cea mai laborioas faz este cea de evaluare i de reglare a sistemului.
Dorim s vedem dac sistemul nostru fuzzy ndeplinete cerinele specificate la
nceput. Mai multe situaii de test depind de principala ntrziere, numrul de
servere i factorul de necesitate de reparare. n general reglarea unui sistem
expert fuzzy ia mai mult timp i efort ca i determinarea mulimilor fuzzy i
construirea regulilor fuzzy. De obicei o soluie rezonabil a problemei poate fi

174

Ioan Dziac, Inteligen artificial, 2008

obinut din primele serii de mulimi i reguli fuzzy. Acesta este un avantaj
cunoscut a logicii fuzzy; dar, mbuntirea unui sistem devine mai mult o art
dect o chestiune informatic.
Reglarea unui sistem fuzzy poate implica executarea unui numr de
aciuni n urmtoarea ordine:
Revizuirea variabilelor de intrare i ieire ale modelului i dac este
necesar redefinirea limitelor ei. Controlarea unitilor variabilelor.
Variabilele utilizate din acelai domeniu trebuie s fie msurate n
aceleai uniti n universul discursului.
Revizuirea mulimilor fuzzy, i dac necesit definirea de mulimi
adiionale n universul discursului. Folosirea de mulimi fuzzy ntinse
poate cauza funcionarea dur a sistemului.
Furnizeaz o suprapunere parial suficient ntre mulimi din aceeai
vecintate. Dei nu exist nici o metod precis pentru a determina
cantitatea optim de suprapunere parial, se sugereaz c mulimile
fuzzy triunghi-la-triunghi i trapezoid-la-triunghi ar trebui s se
suprapun ntr-un procent de 25 i 50 % din bazele lor.
Revizuirea regulilor existente i dac este necesar, adugarea de noi
reguli n baza de reguli.
Examinarea bazei de reguli pentru oportuniti de scriere de reguli de
mprejmuire pentru capturarea comportamentului patologic a sistemului.
Ajustarea ponderilor de execuie a regulilor. Cele mai multe unelte
pentru logica fuzzy permit controlul importanei regulilor prin
schimbarea unui multiplicator a ponderilor. n Fuzzy Logic Toolbox
toate regulile au o pondere iniial de 1.0, dar utilizatorul poate reduce
fora oricrei reguli prin ajustarea ponderii.
Revizuirea formelor mulimilor fuzzy. n cele mai multe cazuri,
sistemele fuzzy sunt foarte tolerante la o aproximaie a formelor, i deci
un sistem poate s se comporte bine chiar dac formele mulimilor fuzzy
nu sunt definite precis.

Ioan Dziac, Inteligen artificial, 2008

175

3.4. Proiectarea sistemelor expert60


Aceasta seamn forte mult cu un proces euristic al ctorva faze globale. La
fiecare stadiu al procesului, se clarific o serie de puncte. Aceste stadii sunt:

1. Identificarea problemei
1. Ce clas de probleme va rezolva sistemul expert?
2. Cum vor fi acestea formulate?

2. Conceptualizarea
1. Ce se d i ce se infer?
2. De ce tipuri de date i cunotine dispunem? E nevoie de
achiziie de cunotine?

3. Formalizarea
1. Sunt datele i cunotinele pe care le avem la dispoziie
insuficiente, redundante sau n cantitate corect?
2. Sunt corecte i precise sau nu?
3. Ce explicaii sunt necesare?

4. Realizarea
1. Ce metode sunt propice reprezentrii datelor i cunotinelor? E
nevoie de un sistem hibrid?
2. Extensibilitatea, robusteea realizrii

5. Validarea rezultatelor
1. Cum se evalueaz sistemul i erorile sale?
2. Cum se valideaz rezultatele? prin comparaie cu cele obinute
de experi sau cu cele obinute prin alte metode?

60

ro/~alaiba/clubai/index.php?title=Metode_folosite_n_ingineria_sistemelor_bazate_pe_cunoatere#columnone

Ioan Dziac, Inteligen artificial, 2008

176

S-au dezvoltat interpretoarele de sisteme expert. Acestea sunt de fapt nite


sisteme expert care nu au baza de cunotine, acestea urmnd a fi introduse pe
parcurs.

Achiziia cunotinelor reprezint etapa cea mai dificil n crearea unui sistem
expert. Cunotinele pot fi stocate sau dobndite prin nvare. nvarea poate fi
fcut n avans sau in timpul funcionrii sistemului expert. Reelele neurale
promit cel mai mult n legtur cu nvarea prin exemple.
Dificulti cu limbajele simbolice IA in sistemele expert apar n legtur cu:
1. Reprezentarea deopotriv a cunotinelor exacte i inexacte;
2. Formalizarea cunoaterii, alegerea conectorilor logici dintre elementele
condiionale ale unei reguli (I/SAU/NU);
3. Reprezentarea deopotriv a cunotinelor implicite i explicite;
4. Interaciunea cu date exacte i inexacte;
5. Potriviri pariale;
6. Comportament adaptiv;
7. Paralelism.
Principalele dificulti menionate pot fi depite utiliznd sisteme hibride
(fuzzy i reele neurale).

Ioan Dziac, Inteligen artificial, 2008

177

BIBLIOGRAFIE
[Alb06]

Albrecht K., Social Intelligence The New Science of Succes,


Published by Jossey Bass, San Francisco, California, 2006.
Communications & Control, Vol. II, No. 2, pp. 111-120, 2007.
[AnC02] Andonie R., Caaron A., Inteligen computaional, Editura Univ.
Transilvania Braov, 2002;
[ARD07] Andonie R., Russo J. E., Dean R., Crossing the Rubicon: A Generic
Intelligent Advisor, Int. J. of Computers, Communications &
Control, Vol. II, No. 1, pp. 5-16, 2007.
[And96] Andrews F. E.: The Principle Of Excluded Middle Then And Now:
Aristotle and Principia Mathematica,
http://www.mun.ca/animus/1996vol1/andrews.htm
[Ano07] Anohina A., Advances in Intelligent Tutoring Systems: Problemsolving Modes and Model of Hints, Int. J. of Computers,
Communications & Control, Vol. II, No. 1, pp. 48-55, 2007.
[Br02]
Brbat B. E., Sisteme inteligente orientate spre agent, Editura
Academiei Romne, 2002.
[Br07]
Brbat B. E., DOMINO: Trivalent Logic Semantics in Bivalent
Syntax Clothes, Int. J. of Computers, Communications & Control,
Vol. II, No. 4, pp. 303-313, 2007.
[BDT01] Bonabeau E., Dorigo M., Theraulaz G., Swarm Intelligence: From
Natural to Artificial Systems, J. Artificial Societies and Social
Simulation 4(1): 2001.
[BBM93] Beasley D., Bull D.R., Martin R.R., An Overview of Genetic
Algorithms, Part 1, Foundations, University Computing, Vol.15,
No.4, pp. 170-181, 1993.
[Be+06] Benrejeb M., Soudani D., Sakly A., Borne P., New Discrete Tanaka
Sugeno Kang Fuzzy Systems Characterization and Stability
Domain, Int. J. of Computers, Communications & Control, Vol. I,
No. 4, pp. 9-19, 2006.
[Ca+01] Camazine S., Franks N.R., Sneyd J., Bonabeau E., Deneubourg J.L, Theraula G., Self-Organization in Biological Systems, Princeton
University Press, Princeton, NJ, 2001.
[Cio06]
Ciobanu G., A Programming Perspective of the Membrane
Systems, Int. J. of Computers, Communications & Control, Vol. I,
No. 3, pp. 13-24, 2006.
[CC06] Crdova F.M., Caete L. R., The Challenge of Designing Nervous
and Endocrine Systems in Robot, Int. J. of Computers,
Communications & Control, Vol. I, No. 2, pp. 33-40, 2006.

178

[Cop95]

[DEX98]

[DoG97]

[DFM08]
[DFM06]

[DMP04]

[DuC99]
[Dum99]
[Dum00]

[Dzi08a]

[Dzi08b]

[Dzi08c]

[Dz+08]

[Dzi+01]

Ioan Dziac, Inteligen artificial, 2008

Coppieters K.: Knowledge Representation,


http://ijgj229.infj.ulst.ac.uk/BillsWeb/PGCert/InfoSys/4.knowrep.ht
ml, 1995.
Dicionarul explicativ al limbii romne, Academia Romn,
Institutul de Lingvistic "Iorgu Iordan", Editura Univers
Enciclopedic, 1998.
Dorigo M., Gambardella L.M.; Ant Colony System: A Cooperative
Learning Approach to the Traveling Salesman Problem, IEEE
Transactions on Evolutionary Computation, Vol.1, No.1, 1997.
Dzitac I., Filip F. G., Manolescu M.-J. (eds.), - Proceedings of
ICCCC 2008, in IJCCC, Vol. III,supplementary issue, 2008.
Dzitac I., Filip F. G., Manolescu M.-J. (eds.) - Proceedings of
ICCCC 2006, International Journal of Computers, Communications
& Control (IJCCC), Vol. I (2006), supplementary issue, 2006.
Dzitac I., Maghiar T., Popescu C. (eds.), - Proceedings of
International Conference on Computers and Communications
(ICCC 2004), 27-29 May, 2004, Baile Felix- Oradea, Ed. Univ. din
Oradea, 2004.
Dumitrescu D., Costin H.: Reele neuronale, Teorie i aplicaii, Ed.
Teora, Bucureti,1996.
Dumitrescu D.: Principiile inteligenei artificiale, Ed. Albastr,
Cluj-Napoca, 1999.
Dumitrescu D., Algoritmi genetici i strategii evolutive- Aplicaii n
inteligena artificial i n domenii conexe, Editura Albastr, ClujNapoca, 2000.
Dzitac I., New Trends in Artificial Intelligence: A Survey, Proc. of
International Symposium Research and Education in Innovation
Era, 2nd Edition, November 20 21, Arad, 2008
Dzitac I., ICCCC 2008 & EWNLC 2008 Celebrates Bardeen's
Centenary and Welcomes Professor Zadeh, Int. J. of Computers
Communications & Control, 3(suppl. issue):16-25, 2008.
Dzitac S., Contribuii la modelarea i simularea performanelor de
fisbilitate i disponibilitate a sistemelor de distribuie a energiei
electrice, Tez de doctorat, Universitatea din Oradea, 2008.
Dzitac S., Felea I., Dzitac I., Vesselenyi T., An Application of
Neuro-Fuzzy Modelling to Prediction of some Incidence in an
Electrical Energy Distribution Center, Int. J. of Computers
Communications & Control, Vol. 3( suppl. issue):287-292, 2008.
Dzitac I., Seremi L., Dzitac S., Catas A., Oros G. I., Matematici
speciale Elemente de algebra, Geometrie analitica, Probabilitati,
Ed. Univ. din Oradea, 2001.

Ioan Dziac, Inteligen artificial, 2008

[DzP06]

[Eis02]

[GaD00]

[Gar83]
[Gar06]
[GaJ78]

[GL07]
[GIR06]

[GIR06]

[GoP07]
[Gol89]
[Gol04]
[Gol07]
[Har98]
[HiG01]

[Hof96]

179

Dzitac I., Pop B., On Triangular Fuzzy Numbers Arithmetic


Approximations in Linear Optimization, Bull. Transilv. Univ.
Brasov, Ser. B , 48, pp. 15-20, 2006.
Eisenberg M.: Problem Solving, Issues and Methods,
www.cs.colorado.edu/~duck/issmeth02/lectures/IssMeth0129.pdf,
2002.
Gambardella L.M., Dorigo M.; An Ant Colony System Hybridized
with a New Local Search for the Sequential Ordering Problem;
INFORMS Journal on Computing, Vol.12, No.3, Summer2000;
Gardner H., Frames of mind: The theory of multiple intelligences.
New York: Basic Books, 1983.
Gardner H., Multiple intelligences: New horizons. New York: Basic
Books, 2006.
Garey M.R., Johnson D.S., Computers and Intractability: A Guide
to NP-completeness, W.H. Freeman and Company, New York,
1978.
Glea D., Leon F., Inteligen artificial,
http://eureka.cs.tuiasi.ro/~fleon/curs_ia.htm, 2007.
Grigore C. Moisil (1906 - 1973) and his School in Algebraic Logic,
Int. J. of Computers, Communications & Control, Vol. I, No.1, pp.
81-99, 2006.
Georgescu G., Iorgulescu A., Rudeanu S., Grigore C. Moisil (1906 1973) and his School in Algebraic Logic, Int. J. of Computers,
Communications & Control, Vol. I, No. 1, pp. 81-99, 2006.
Goertzel B., Pennachin C., Artificial General Intelligence, SpringerVerlag Berlin Heidelberg 2007.
Goldberg D.E., Genetic Algorithms in Search, Optimization and
Machine Learning, Addison - Wesley, Reading, MA,1989;
Goleman D., Inteligena emoional, cheia succesului n via, Ed.
Allfa, Bucureti, 2004.
Goleman D., Inteligena social. Noua tiin a relaiilor umane,
Ed. Curtea Veche, 2007.
Harris R.: Introduction to Problem Solving,
http://www.virtualsalt.com/crebook3.htm, 1998.
Hillman C., Gunesch R.: Entropy in the Humanities and Social
Sciences,
http://www.math.psu.edu/gunesch/Entropy/soc.html,
2001.
Hoffman F. (ed.), Mathematical Aspects of Artificial Intelligence,
Proc. of Symposia in Applied Mathematics, AMS, Orlando, Florida,
1996.

180

[HRR05]

Ioan Dziac, Inteligen artificial, 2008

Hinchey M., Rouff C., Rash J., Requirements of an Integrated


Formal Method for Intelligent Swarms, FMICS05, September 56,
2005, Lisbon, Portugal, Page(s) 125 133, 2005.
[Ios+01] Iosub M., Comaneanu M., Bania A., Papaleata I., Inteligenta
emotionala sau inteligenta sociala,
http://www.psihodiagnostic.ro/lucrari-psihomil-iii/155/inteligentaemotionala-sau-inteligenta-sociala.html
[Koz92] Koza J.R., Genetic Programming, MIT Press, Cambridge, MA,
1992.
[Luc99]
Luchian H., Clasificare evolutiv, Iasi, 1999.
[uk20] ukasiewicz J., On three-valued logic (Polish), Ruch Filozoficzny,
5, 160-171, 1920.
[uk30] ukasiewicz J., Tarski A., Untersuchungen ber den
Aussagenkalkl, C.R. Sances Soc. Sci. Lettres Varsovie, Cl. III, 23,
1930, 30-50.
[Mar06] Marcus S., Grigore C. Moisil: A life becoming a myth,
International Journal of Computers, Communications & Control,
vol. 1, no. 1, 7379, 2006.
[Mat07] Mate M. (prof. coord. Dziac I.); Aplicaii informatice n economia
modern,
http://www.uvvg.ro/studia/economice/plugins/p2_news/printarticle.
php?p2_articleid=201
[MGL04] Vittorio Maniezzo V., Gambardella L.M., Luigi F; Ant Colony
Optimization, New Optimization Techniques in Engineering, by
Onwubolu, G. C., and B. V. Babu, Springer-Verlag Berlin
Heidelberg, 101-117, 2004.
[Moi40] Moisil Gr. C., Recherches sur les logiques non-chrysippiennes, Ann.
Sci. Univ. Jassy, 26, 431-466, 1940.
[Moi41] Moisil Gr. C., Contributions ltude des logiques nonchrysippiennes. I. Un nouveau systme daxiomes pour les algbres
ukasiewicziennes ttravalentes, C.R. Acad. Sci. Roumanie, 5, 289293, 1941.
[Moi42] Moisil Gr. C., Logique modale, Disquis. Math. Phys., 2, 1942, 3-98.
[Moi75] Moisil Gr. C., Lecii despre logica raionamentului nuanat
(Lectures on the Logic of Fuzzy Reasoning), Ed. Stiinific i
Enciclopedic, Bucharest, 1975.
[Mon+70] Montemanni R., Gambardella L.M., Rizzoli A.E., Donati A.V.; Ant
Colony System for a Dynamic Vehicle Routing Problem, Journal of
Combinatorial Optimization, 10, 327-343, December 2005.
[Mun08] Munakata T., Fundamentals of the New Artificial Intelligence,
Second Edition, Springer-Verlag London Limited 2008.

Ioan Dziac, Inteligen artificial, 2008

[NeR74]

181

Negoi C.V., Ralescu D.A., Mulimi vagi i aplicaii ale lor, Ed.
tehnic, Bucureti, 1974.
[Neg02] Negnevitsky M., Artificial Intelligence, A Guide to Intelligent
Systems, Second Edition, Pearson Education Limited, 2002.
[Olt00]
Oltean M., Proiectarea i implementarea algoritmilor, Computer
Libris Agora, Cluj-Napoca, 2000.
[Os+06] Osorio C. R., Romero J.A., Mario Pea C., Lpez-Jurez I.,
Inteligent Line Follower Mini-Robot System, Int. J. of Computers
Communications & Control, Vol. I, No. 2, pp. 73-83, 2006.
[Pu06]
Pun G., One More Universality Result for P Systems with Objects
on Membranes, Int. J. of Computers Communications & Control,
Vol. I (2006), No. 1, pp. 25-32.
[PoD06] Pop B., Dzitac I., On Choosing Proper Linguistic Description for
Fractional Functions in Fuzzy Optimization, Acta Univ. Apulensis,
Math. and Informatics, No. 12(2006), pp. 63-72, 2006
[PoD06a] Pop B., Dzitac I., Fuzzy Control Rules in Convex Optimization,
Studies in Informatics and Control, 16(4):363-366, 2006
[PoD06b] Pop B., Dzitac I, On a Fuzzy Approach to Solving Multiple Criteria
Fractional Programming Problem, Int. J. of Computers
Communications & Control, 1(supll.issue):381-385, 2006.
[PoD07] Pop B., Dzitac I., Mixed Variables Fuzzy Programming Algorithm,
Studies in Informatics and Control, 17(2):185-190, 2007
[Pr+07]
Privosnik, M.; Marolt, M.; Kavcic, A.; Divjak, S.; Evolutionary
construction of emergent properties in multi-agent systems;
Electrotechnical Conference, 2002. MELECON 2002. 11th
Mediterranean 7-9 May 2002;
[RuF06] Rudas I. J., Fodor J., Information Aggregation in Intelligent Systems
Using Generalized Operators, Int. J. of Computers
Communications & Control, Vol. I (2006), No. 1, pp. 47-57
[RuN02] Russel S., Norvig P.: Artificial Intelligence: A Modern Approach,
Prentice Hall, 2003
[Sm97] Smbotin C.: Sisteme expert cu Prolog, Ed. Tehnic, Bucureti,
1997.
[Set01]
Setzer V. W.: Data, Information, Knowledge and Competency,
http://www.ime.usp.br/~vwsetzer/data-info.html, 2001
[Sha48]
Shannon C. E.: A Mathematical Theory of Communication, Bell
System Technical Journal, vol. 27, pp. 379-423 and 623-656, July
and October 1948, http://cm.belllabs.com/cm/ms/what/shannonday/shannon1948.pdf
[StB08]
Stein S.J., Book H.E., EQ - Fora inteligentei emoionale, Ed. All,
2008.
[Ste12]
Stern W., The Psychological Methods of Intelligence Testing, 1912

182

[Ste38]
[Tan04]
[Tan01]
[Tan94]
[Tro02]
[Ve+07]

[VD+08]

[VNP92]
[Zad65]
[Zad73]

[ZT+08]

Ioan Dziac, Inteligen artificial, 2008

Stern W., General Psychology from the Personalistic Standpoint,


1938.
Tandareanu N., Baze de cunotinte, Editura Sitech, 2004.
Tandareanu N., Sisteme Expert. Reprezentarea cunotinelor i
inferen, Editura Universitaria, 2001.
Tandareanu N., Introducere in programarea logica. Limbajul
Prolog, Editura Intarf, 1994.
Trochim W. M. K.: Deductive and Inductive Thinking,
http://trochim.human.cornell.edu/kb/dedind.htm, 2002.
Vesselenyi T., Dzitac S., Dzitac I., Manolescu M.-J., Fuzzy and
Neural Controllers for a Pneumatic Actuator, Int. J. of Computers
Communications & Control, 2(4):375-387, 2007.
Vesselenyi T., Dzitac I., Dzitac S., Vaida V., Surface Roughness
Image Analysis using Quasi-Fractal Characteristics and Fuzzy
Clustering Methods, Int. J. of Computers Communications &
Control, 3(3):304-316, 2008.
Vlada M., Nistor I., Posea A., Grafic pe calculator n limbajele C
i Pascal, vol. II Aplicaii, Editura Tehnic, 1992.
Zadeh L. A., Fuzzy sets, Information and Control, vol.8, 1965.
Zadeh, L. A., Outline of a new approach to the analysis of complex
system and decision processes, Proceedings of the IEEE
(Transactions on Systems Man and Cybernetics), 3: 28-44, 1973.
Zadeh L.A., Tufis D., Filip F. G., Dzitac I.(eds.), From Natural
Language to Soft Computing: New Paradigms in Artificial
Intelligence , Editing House of Romanian Academy, 2008.