基于MAS和BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)研究

摘要:針對(duì)傳統(tǒng)專家系統(tǒng)推理能力弱和智能水平低等不足，該文打破思維定勢(shì)，利用MAS系統(tǒng)自治智能、分布協(xié)同的特性和BP神經(jīng)網(wǎng)絡(luò)于知識(shí)獲取的長(zhǎng)處，詳細(xì)闡述了基于MAS和BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)的體系結(jié)構(gòu)和基本原理。

關(guān)鍵詞:MAS;Agent;BP神經(jīng)網(wǎng)絡(luò);專家系統(tǒng);人工智能

中圖分類號(hào):TP183文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)14-3766-02

Research on Expert System Based on Mas and BP Neural Network

KOU Jing-lei

(Commanding Communications Academy， Wuhan 430010， China)

Abstract: The method of combining BP neural network and Multi-Agent to solve the problem of lack of knowledge during developing expert system is put forward. The expert system based on BP neural network gives some intelligences and inferences by computing， and the combination with object oriented technology，distributed computation and artificial intelligence in agent theory supports intelligent system to break through the architecture of traditional expert system .This paper also can be used for reference to the design of an intelligent expert system.

Key words: MAS; agent; BP neural network; expert system; atificial intelligence

1 引言

專家系統(tǒng)是人工智能研究中一個(gè)最活躍且最有成效的重要分支，已廣泛應(yīng)用于醫(yī)療診斷、地理勘探、金融決策、實(shí)時(shí)監(jiān)控、軍事運(yùn)籌等多種領(lǐng)域中，產(chǎn)生了巨大的社會(huì)效益及經(jīng)濟(jì)效益。隨著MAS和BP神經(jīng)網(wǎng)絡(luò)的深入研究，專家系統(tǒng)必將與之結(jié)合并發(fā)揮出不可估量的作用。

2 專家系統(tǒng)簡(jiǎn)介

專家系統(tǒng)將人類專家的知識(shí)和經(jīng)驗(yàn)以知識(shí)庫的形式存入計(jì)算機(jī)，并模仿人類專家解決問題的推理方式和思維過程，運(yùn)用知識(shí)庫對(duì)現(xiàn)實(shí)中的問題作出判斷和決策。如圖1所示，專家系統(tǒng)的基本結(jié)構(gòu)大致分為6個(gè)組成部分:人機(jī)接口、解釋器、知識(shí)獲取器、推理機(jī)、知識(shí)庫和綜合數(shù)據(jù)庫。專家系統(tǒng)有三個(gè)特點(diǎn):1)啟發(fā)性，能運(yùn)用專家的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷;2)透明性，能解決本身的推理過程，回答用戶提出的問題;3)靈活性，能不斷地增長(zhǎng)知識(shí)，修改原有知識(shí)。

3 傳統(tǒng)專家系統(tǒng)存在的問題

傳統(tǒng)專家系統(tǒng)是基于知識(shí)的處理的系統(tǒng)，盡管與人類專家相比，專家系統(tǒng)具有很大的優(yōu)越性。但是，隨著專家系統(tǒng)應(yīng)用的日益廣泛及所處理問題的難度和復(fù)雜度的不斷擴(kuò)大和提高，專家系統(tǒng)在某些方面己不能滿足是實(shí)際工作中的需求，具體體現(xiàn)在以下三個(gè)方面: 1) 知識(shí)獲取的“窄臺(tái)階”和“瓶頸”問題。目前的專家系統(tǒng)只能應(yīng)用于相當(dāng)窄的知識(shí)領(lǐng)域內(nèi)求解預(yù)定的專門問題，一旦遇到超出知識(shí)范圍的問題，就無能為力，不能通過自身的學(xué)習(xí)增長(zhǎng)知識(shí);2) 缺乏聯(lián)想功能、推理能力弱。不支持多種推理策略，在時(shí)態(tài)推理、定性推理和非單調(diào)推理等方面依舊沒有新的突破，而這些正是人類思維中最常用的推理形式;3)體系結(jié)構(gòu)的缺乏層次性。目前的專家系統(tǒng)大部分還是單一、獨(dú)立的專家系統(tǒng)，缺少多個(gè)系統(tǒng)的協(xié)作及綜合型的專家系統(tǒng)。

基于MAS和BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)能在一定程度上改善這些不足之處。

4 對(duì)傳統(tǒng)專家系統(tǒng)的改進(jìn)

4.1 BP神經(jīng)網(wǎng)絡(luò)的引入

人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)仿效生物體信息處理系統(tǒng)獲得柔性信息處理能力。它是從微觀上模擬人腦功能，是一種分布式的微觀數(shù)值模型，神經(jīng)元網(wǎng)絡(luò)通過大量經(jīng)驗(yàn)樣本學(xué)習(xí)知識(shí)。更重要的是，神經(jīng)網(wǎng)絡(luò)有極強(qiáng)的自學(xué)習(xí)能力，對(duì)于新的模式和樣本可以通過權(quán)值的改變進(jìn)行學(xué)習(xí)、記憶和存儲(chǔ)，進(jìn)而在以后的運(yùn)行中能夠判斷這些新的模式。BP神經(jīng)網(wǎng)絡(luò)即反向傳播網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列，每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由聯(lián)接權(quán)值來達(dá)到增強(qiáng)、減弱或抑制這些輸出的作用，除了輸入層的神經(jīng)元外，隱含層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和。每個(gè)神經(jīng)元均由它的輸入、激活函數(shù)和閾值來決定它的活化程度。

目前基于BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)主要把神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)理應(yīng)用在單個(gè)專家系統(tǒng)內(nèi)部的推理和知識(shí)獲取模塊，我們要改變這種定勢(shì)思維，把神經(jīng)網(wǎng)絡(luò)應(yīng)用在多個(gè)專家系統(tǒng)組成的陣列網(wǎng)絡(luò)中，把若干個(gè)專家系統(tǒng)組成一個(gè)神經(jīng)元。

4.2 MAS的引入

Agent具有自治性、社會(huì)性、反應(yīng)性和能動(dòng)性。多Agent系統(tǒng)的表現(xiàn)通過Agent的交互來實(shí)現(xiàn)，主要研究多個(gè)Agent為了聯(lián)合采取行動(dòng)或求解問題，如何協(xié)調(diào)各自的知識(shí)、目標(biāo)、策略和規(guī)劃。在表達(dá)實(shí)際系統(tǒng)時(shí)，多Agent系統(tǒng)通過各Agent間的通信、合作、協(xié)調(diào)、調(diào)度、管理及控制來表達(dá)系統(tǒng)的結(jié)構(gòu)、功能及行為特性。基于MAS(Multi-Agent System)的專家系統(tǒng)利用Agent的這些特性模擬人類專家群處理問題的方式，將復(fù)雜問題加以分解，同時(shí)利用協(xié)作、談判、競(jìng)爭(zhēng)、招投標(biāo)及任務(wù)調(diào)度等機(jī)制，能夠較好地解決傳統(tǒng)專家系統(tǒng)無法解決的復(fù)雜智能問題。

在本文中，MAS的作用主要是在專家系統(tǒng)之間應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制時(shí)，為其前向傳播和反向反饋提供通信、合作、協(xié)調(diào)等服務(wù)。

5 基于MAS和BP神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)

5.1 體系結(jié)構(gòu)

在本系統(tǒng)中構(gòu)造若干個(gè)專家Agent， 每個(gè)專家Agent是一個(gè)完整的專家系統(tǒng)，除了具有傳統(tǒng)的專家系統(tǒng)的主要功能組成部分外，還具有Agent的特性。如圖2 所示，把這些專家Agent進(jìn)行部分互連，在拓?fù)渖铣蔀镸xN的專家系統(tǒng)陣列網(wǎng)絡(luò)。

5.2 工作流程

在本系統(tǒng)中所構(gòu)造的n個(gè)專家Agent，每個(gè)專家Agent對(duì)某一具體領(lǐng)域的問題具有解決能力，若用戶提出的問題未超出領(lǐng)域范圍，則專家Agent獨(dú)立完成問題求解。有的問題僅靠一個(gè)專家難以解決，該專家Agent首先將輸入的任務(wù)力所能及的進(jìn)行自身推理、求解，然后發(fā)布任務(wù)給與之互連其它專家Agent請(qǐng)求幫助，下一個(gè)專家Agent又有可能向與之相連的其它專家Agent請(qǐng)求幫助，這樣層次性傳遞，直至最后完成任務(wù)。每一層的輸出結(jié)果再通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制層層傳遞回來，最終綜合結(jié)果輸出給用戶。

當(dāng)用戶進(jìn)行實(shí)踐后，再把經(jīng)過實(shí)踐檢驗(yàn)后的結(jié)果重新輸入專家系統(tǒng)Agent的知識(shí)獲取模塊，在利用BP神經(jīng)網(wǎng)絡(luò)的反向反饋機(jī)制修改每一層的網(wǎng)絡(luò)權(quán)值，使下次運(yùn)用專家系統(tǒng)求解時(shí)更加智能和科學(xué)。

5.3 學(xué)習(xí)機(jī)理

如圖4所示，以專家Agent2x2為例，專家Agent2x1、專家Agent2x3、專家Agent1x2和專家Agent3x2分別是與專家Agent2x2互連的專家系統(tǒng)，x1、x2、x3和x4分別代表與專家Agent2x2互連專家Agent的輸入，w1、w2、w3和w4分別代表其，表示輸入與神經(jīng)元間的連接強(qiáng)度;b為神經(jīng)元閾值，可以看作是一個(gè)網(wǎng)絡(luò)權(quán)值恒為1的專家Agent2x2的輸入。求和單元完成對(duì)輸入信號(hào)的加權(quán)求和，即

這是專家Agent2x2綜合與之互連的其他專家Agent結(jié)果后的輸出。

6 結(jié)束語

隨著人工智能技術(shù)的發(fā)展，把MAS和BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到專家系統(tǒng)中，通過并行計(jì)算、協(xié)作求解所表現(xiàn)出的復(fù)雜智能行為較好地體現(xiàn)了人類專家群的問題求解過程，這必將成為未來專家系統(tǒng)發(fā)展的主流。筆者探討了MAS和BP神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的有機(jī)結(jié)合，為解決此問題提供了新的思路。事實(shí)上MAS和BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域和應(yīng)用范圍非常大，應(yīng)用效率的提升空間也非常高，這些都有待于計(jì)算機(jī)工作者的開發(fā)和拓展。

參考文獻(xiàn):

[1] 蔡自興，約翰·德爾金，龔濤.高級(jí)專家系統(tǒng):原理、設(shè)計(jì)及應(yīng)用[M].北京:科學(xué)出版社，2005.

[2] 劉慧敏，王歡，王萬森.基于Agent技術(shù)的專家系統(tǒng)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究，2004(6):187-192.

[3] 王正群，陳世福，陳兆乾.并行學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成方法[J].計(jì)算機(jī)學(xué)報(bào)，2005，28(3):402-408.

[4] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京:北京理工大學(xué)出版社，2006.

[5] 曹承志.智能技術(shù)[M].北京:清華大學(xué)出版社，2004.