Documente Academic
Documente Profesional
Documente Cultură
Inteligenta Artificiala
Inteligenta Artificiala
INTELIGEN
ARTIFICIAL
2008
II
III
PREFA
nva de la toate...
(Din lirica norvegian)
IV
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
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
BIBLIOGRAFIE
VII
140
140
140
142
155
155
159
159
160
161
164
166
167
169
169
170
172
172
175
177
VIII
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 2. Problematica IA
Sursa: http://www.sciencedirect.com/science/journal/09521976
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.
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.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/
10
11
12
13
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
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).
Grigore C. Moisil
(1906-1973)
Solomon Marcus
n. 1935
Gheorghe Pun
n. 1950
H.-N. Teodorescu
n. 1951
F.G. Filip
n. 1947
Gheorghe Tecuci
n. 1954
Dan Tufi
n. 1954
15
16
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.
17
18
19
20
21
22
23
24
25
26
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...
...
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
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
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
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
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. [...]
29
http://en.wikipedia.org/wiki/Lisp_programming_language
30
http://www.doc.ic.ac.uk/~rak/
http://thor.info.uaic.ro/~georgie/prolog/introducere.html
10
http://clipsrules.sourceforge.net/
9
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.
32
33
34
5.
35
CLASIFICARE
Geniu
Deosebit de inteligent
Foarte inteligent
Inteligen medie (Normal)
Inteligen mediocr
La limita deficienei mintale
napoiat mintal (Cretin)
Imbecil
Idiot
36
37
38
39
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
(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).
Sursa: http://www.natgeo.ro/natura/animale/furnicile-legionar/?av-page=2
41
Figura 1.2.2. Algoritmul de cutare a hranei de ctre coloniile de furnici (R.-D. Cioarg14)
14
42
43
44
45
46
47
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.
48
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
49
50
51
52
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
53
54
55
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).
http://en.wikipedia.org/wiki/Intelligent_agents
56
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;
57
Figura 1.3.2. Garry Kasparov jucnd ah mpotriva programului (mainii) Deep Blue30
30
http://en.wikipedia.org/wiki/Artificial_intelligence, 18.10.2008
58
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
59
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
Michio Sugeno
(autorul inferenei Sugeno din logica fuzzy, al doilea din stnga, SOFA 2007)
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
62
63
http://math.ournet.md/distractiva/umor/umor.html
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
http://www.cs.berkeley.edu/~zadeh/
http://www.iccc.univagora.ro
65
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
67
68
69
A (U ) = A = {0;1} .
70
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},
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}
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
72
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
sau
B = a/0.4 + b/0.6 + c/0.2 + d/0.8 + e/0 + f/1 + g/0.9.
73
74
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
(2.1.1)
75
xc
, c< xc+ ,
T ( x) = 1
0, altfel
(2.1.2)
( 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
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.
77
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 =
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
78
MP
(D) ax de simetrie
79
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
(D) ax de simetrie
(x ) = e
( x a2 )2
2 ( a3 a1 )2
(2.1.6)
(x ) =
1
,
1 + 10 x 2
x [ 2;+2]
(2.1.7)
80
(x ) = 0 ; x X
(2.1.8)
m A ( x ) = 1, x X
(2.1.9)
- dou mulimi fuzzy sunt egale, dac funciile lor de apartenen sunt
identice :
M = N M = N ;
(2.1.10)
(2.1.11)
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)
M N = M N
81
(2.1.15)
M +N = M + N M N
(2.1.16)
82
(2.1.17)
b) Implicaia Boole,
(2.1.18)
c) Implicaia Zadeh,
(2.1.19)
Rezult,
a) M1 M 2 (R1 , R2 ) = min (0,95;0,92 ) = 0,92
83
(2.1.20)
A B ( X , Y ) = max( ( x ), ( y ));
not ( x ) : (x ) = 1 ( x )
(2.1.21)
A SI B = A B
A SAU B = A + B A B
(2.1.22)
(2.1.23)
(2.1.24)
84
DIL ( x ) =
1
2
A
(x ) sau (x ) = (x )
D
A
(2.1.25)
Figigura 2.1.10.
Figura 2.1.11.
CONCENTRATOR
Ac ( x ) = A ( x )
-
(2.1.26)
DILATATOR
1
D
A
(x ) = A (x )
(2.1.27)
= 1+
(2.1.28)
1+
85
1+
1+
1
1 + ...
an
1,618034
n a
n 1
= lim
(2.1.29)
a k = a k 1 + a k 2 .
* irul Fibonacci: 0; 1;2;3;5;8;13;21;34;55;89;144;etc
86
"": min im
"": max im
"": complement
(2.1.30)
87
[a1 ; a2 ] [0;1],
a1 a 2
(2.1.31)
(a1 ; [a 2 ; a3 ]; a 4 ), a1 a 2 a3 a 4
(2.1.32)
(a1 ; [a 2 ; a3 ]; a 4 ) ( 1 ; [ 2 ; 3 ]; 4 )
k
1
2
3
4
5
6
7
(2.1.33)
Nesatisfctor
Aproape nesatisfctor
Puin satisfctor
Satisfctor
Bine
Aproape foarte bine
Foarte bine
N
AN
PS
S
B
AFB
FB
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
88
k
1
2
3
4
5
6
7
8
9
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
k
1
2
3
4
5
6
7
8
9
10
11
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
(2.1.34)
89
L
1 + a e bt
(2.1.35)
unde
L-plafonul asimptotic
=
n care,
1
1 + a e b k
(2.1.36)
90
pentru k = 1
= 0 ,
= =
, pentru k (1; nt )
1 + a e b k
pentru k = nt
= 1,
(2.1.37)
= f (k )
91
] )
(2.1.38)
1
1
1
k kL ; dil ( kL ) ; dil ( kL ) ; dil ( kL ) 2
(2.1.39)
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
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
92
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
Pas
93
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
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
( )
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
(2.1.40)
(a1 ; [a 2 ; a3 ]; a 4 )
95
96
97
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
98
99
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
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.
52
w1
x1
xi
101
wi
s
xn
wn
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 de la
unitile de intrare sau de
la cele ascunse, le
prelucreaz i le transmit
n mediul exterior.
102
Stratul de intrare
Stratul de ieire
53
103
Stratul de intrare
Stratul ascuns
Stratul de ieire
104
105
106
107
108
(2.2.2)
(2.2.3)
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)
110
111
112
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
113
114
54
http://www.ici.ro/RRIA/ria2007_4/art02.html
(2.3.1)
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
116
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
117
118
nr . cazuri favorabile
.
nr. cazuri posibile
(2.4.1)
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)
P ( 3) = p =
119
(2.4.5)
P( A I B)
P( B)
(2.4.6)
P ( B I A)
P ( A)
(2.4.7)
Deci
P ( B I A) = P( B | A) P ( A)
(2.4.8)
(2.4.9)
120
P ( A I B) = P( B | A) P ( A)
(2.4.10)
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
P( A I Bi ) =P( A)
(2.4.13)
i =1
P ( A) =
P ( A | Bi ) P ( Bi )
(2.4.14)
i =1
(2.4.15)
P ( B ) = P ( B | A) P( A) + P ( B | A) P( A)
(2.4.16)
n mod similar,
121
P( A | B) =
P ( B | A) + P ( B | A) P ( A)
(2.4.17)
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
122
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
123
124
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.
125
126
127
55
http://www.agenarisk.com/
128
129
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
131
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.
133
134
135
136
137
138
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.
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
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.
140
141
http://en.wikipedia.org/wiki/Lorenz_attractor
142
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
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
145
146
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
147
148
149
150
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.
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.
152
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
154
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.
156
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
159
160
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.
161
162
163
164
165
166
167
168
169
170
Exemplu:
Regula 1:
IF viteza > 100
THEN
distana_de_oprire este mare
Regula 2:
IF viteza < 40
THEN
distana_de_oprire este mic
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
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.
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.
173
174
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.
175
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
176
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).
177
BIBLIOGRAFIE
[Alb06]
178
[Cop95]
[DEX98]
[DoG97]
[DFM08]
[DFM06]
[DMP04]
[DuC99]
[Dum99]
[Dum00]
[Dzi08a]
[Dzi08b]
[Dzi08c]
[Dz+08]
[Dzi+01]
[DzP06]
[Eis02]
[GaD00]
[Gar83]
[Gar06]
[GaJ78]
[GL07]
[GIR06]
[GIR06]
[GoP07]
[Gol89]
[Gol04]
[Gol07]
[Har98]
[HiG01]
[Hof96]
179
180
[HRR05]
[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]