Процедуры самообучения автономных интеллектуальных мобильных систем в нестабильных априори неописанных проблемных средах

Решаются актуальные проблемы искусственного интеллекта, связанные с разработкой когнитивных инструментов наглядно-действенного мышления автономных интеллектуальных мобильных систем, обеспечивающих им возможность организации целесообразного поведения в априори неописанных проблемных средах. Разработан алгоритм самообучения с активно-пассивной логикой поведения, позволяющий интеллектуальным системам автоматически формировать условные программы целесообразного поведения, отражающие закономерности преобразования различных ситуаций априори неописанной, нестабильной проблемной среды. Характерной особенностью предложенного алгоритма самообучения является имитация отработки пробных действий в текущих условиях функционирования, что наделяет интеллектуальную систему способностью к изучению закономерностей проблемной среды без изменений в процессе самообучения текущих условий функционирования, которые могут быть не связаны с заданной целью целесообразного поведения. Для формального описания текущих ситуаций проблемной среды, а также условных сигналов, закрепляемых в формируемых условных программах целесообразного поведения, предложено использовать нечеткие семантические сети. Это позволяет автономным интеллектуальным мобильным системам накапливать опыт целесообразного поведения безотносительно к конкретной предметной области и переносить его в новые условия априори неописанной проблемной среды, аналогичные ранее изученным условиям функционирования. Найдены граничные оценки сложности алгоритмов самообучения, имеющие полиномиальную зависимость от числа вершин сравниваемых между собой нечетких семантических сетей в процессе самообучения и мощности множества отрабатываемых интеллектуальной системой пробных действий, представленных в ее памяти в виде фреймоподобных нечетко заданных конструкций. Проведено имитационное моделирование целесообразного поведения автономных интеллектуальных систем, организованное на основе предложенного алгоритма самообучения, показавшее его работоспособность и эффективность использования для адаптации интеллектуальных систем к априори неописанным, нестабильным проблемным средам. Практическая значимость полученных результатов заключается в эффективности их использования для разработки решателей задач автономных интеллектуальных мобильных систем различного назначения, обеспечивающих возможность выполнения сложных заданий в априори неописанных реальных проблемных средах.

1. Мелехин В. Б., Хачумов М. В. Формы мышления автономных интеллектуальных агентов: особенности и проблемы их организации // Морские интеллектуальные технологии. 2020. № 4 — 1(50). С. 223—229. DOI: 10.37220 MIT. 2020.4.031.

2. Брайнес С. Н., Напалков А. Н., Свечинский В. Б. Нейрокибернетика. М.: Госмедиздат, 1962. 172 с.

3. Шингаров Г. Х. Условные рефлексы и проблема знака и значения. М.: Наука, 1986. 200 с.

4. Мелехин В. Б., Хачумов М. В. Инструментальные средства управления целесообразным поведением самоорганизующихся автономных интеллектуальных агентов // Мехатроника, автоматизация, управление. 2021. Т. 22, № 4. С. 171—180.

5. Кулинич А. А., Карпов В. Э., Карпова И. П. Социальные сообщества роботов. М.: URSS, ООО "ЛЕНАНД", 2019. 352 с.

6. Zhu B., Xie L., Han D., Meng X., Teo R. A survey on recent progress in control of swarm systems // Science China Information Sciences. 2017. Vol. 60, N. 7. Article 070201.

7. Boxin Guan, Tiantian Xu, Yuhai Zhao, Yuan Li, Xiangjun Dong. A random grouping-based self-regulating artificial bee colony algorithm for interactive feature detection // Knowledge-Based Systems. 2021. Vol. 241. Article 108434.

8. Гладков Л. А., Курейчик В. В., Курейчик В. М. и др. Биоинспирированные методы в оптимизации. М.: Физматлит, 2009. 384 с.

9. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: Горячая линия-Телеком, 2008. 452 с.

10. Могилев А. А., Курейчик В. М. Модифицированный генетический алгоритм планирования процессов, реализованный с использованием облачных вычислений // Известия южного Федерального университета. Технические науки. 2020. № 2 (212). С. 157—159.

11. Кудирин А. А., Николенко С. И. Глубокое обучение. Погружение в мир нейронных сетей. СПб.: Питер, 2018. 476 с.

12. Shuang Bai, Congcong Wang. Information aggregation and fusion in deep neural networks for object interaction exploration for semantic segmentation // Knowledge-Based Systems. 2021. Vol. 218. Article 106843.

13. Филимонов А. Б., Филимонов Н. Б. Ситуационный подход в автоматизации управления техническими объектами // Мехатроника, автоматизация, управление. 2018. Т. 19, № 9. С. 562—178.

14. Мелехин В. Б., Хачумов М. В. Нечеткие семантические сети как адаптивная модель представления знаний автономных интеллектуальных систем // Искусственный интеллект и принятие решений. 2020. № 3. С. 61—72.

15. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.

16. Melekhin V. B., Khachumov M. V. Planning polyphasic behavior of autonomous intelligent mobile systems in uncertain environments // Information and Control Systems. 2021. № 4 (113). С. 28—36.