Автоматизмы когнитивных динамических систем
Проведен анализ роли автоматизмов в функционировании когнитивных динамических систем. Приведены формальные и феноменологические схемы основных микро- и макроавтоматизмов. Проведено аналіз ролі автоматизмів у функціонуванні когнітивних динамічних систем. Наведено формальні та феноменологічні схеми ос...
Saved in:
| Published in: | Штучний інтелект |
|---|---|
| Date: | 2010 |
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2010
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/58338 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Автоматизмы когнитивных динамических систем / Ю.А. Прокопчук // Штучний інтелект. — 2010. — № 4. — С. 34-43. — Бібліогр.: 14 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860246968512544768 |
|---|---|
| author | Прокопчук, Ю.А. |
| author_facet | Прокопчук, Ю.А. |
| citation_txt | Автоматизмы когнитивных динамических систем / Ю.А. Прокопчук // Штучний інтелект. — 2010. — № 4. — С. 34-43. — Бібліогр.: 14 назв. — рос. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | Проведен анализ роли автоматизмов в функционировании когнитивных динамических систем. Приведены формальные и феноменологические схемы основных микро- и макроавтоматизмов.
Проведено аналіз ролі автоматизмів у функціонуванні когнітивних динамічних систем. Наведено формальні та феноменологічні схеми основних мікро- й макроавтоматизмів.
The analysis of a role of automatisms in functioning of cognitive dynamic systems is carried out. Formal and phenomenological models of the basic automatisms are resulted.
|
| first_indexed | 2025-12-07T18:37:46Z |
| format | Article |
| fulltext |
«Искусственный интеллект» 4’2010 34
1П
УДК 519.237.5
Ю.А. Прокопчук
Институт технической механики НАН и НКА Украины, г. Днепропетровск, Украина
itk3@ukr.net
Автоматизмы когнитивных
динамических систем
Проведен анализ роли автоматизмов в функционировании когнитивных динамических систем. Приведены
формальные и феноменологические схемы основных микро- и макроавтоматизмов.
Введение
В сложных системах, реализующих целенаправленное поведение, инвариантами
являются когнитивно-поведенческие автоматизмы (динамические паттерны, синергии,
стереотипы), которые могут быть «врожденными» или приобретенными. Первичными
являются когнитивные автоматизмы. Они определяют, в частности, выработку целей, они
же запускают поведенческие автоматизмы. Чем более высокого когнитивно-поведен-
ческого уровня сформированы системой автоматизмы, тем менее затратной является
выработка управления и тем более сложные задачи можно решать (при одинаковом
уровне «психической» энергии). В этой связи возникает фундаментальная проблема поис-
ка общих объективных законов единства процессов самоорганизации и управления (при-
нятия решений), которая сводится, в частности, к максимальному учету свойств естес-
твенных когнитивных процессов, протекающих в той или иной физической среде [1-14].
В общем виде произвольные динамические паттерны и их подмножество – когни-
тивно-поведенческие автоматизмы (естественные инварианты) можно представить
следующим образом [12]:
k = {f/µ: k1 → k2 | µ ∈ {µ}f} ∪ Pk, (1)
где f – когнитивные автоматизмы и паттерны; {µ}f – поведенческие автоматизмы и пат-
терны (со своей энергетикой и ресурсами); k1 – описание исходной ситуации дей-
ствительности, исходного образа; k2 – цели и критерии достижения целевой ситуации,
наброски образа; Pk – правила композиции паттернов, т.е. правила, описывающие спо-
собы объединения локальных когнитивных и поведенческих задач.
Модель (1) описывает как память, так и нелинейные когнитивно-поведенческие
паттерны (динамические кванты), которые могут вступать во взаимодействие, образуя
устойчивые или неустойчивые процессы. Одни процессы могут зарождаться и разви-
ваться, другие постепенно угасать. Возможны процессы типа «информационных взрывов»
разной мощности. Благодаря свободе взаимодействия когнитивно-поведенческих паттер-
нов (определенному хаосу) при некоторых условиях возможны деструктивные цикли-
ческие процессы, т.е. процессы, отнимающие много энергии, но не приводящие к кон-
структивным решениям (удовлетворению реальных потребностей). У человека подобные
процессы могут вызывать психосоматические расстройства.
В основе предлагаемых моделей когнитивных процессов лежат принцип простоты
и принцип инвариантности. Эти два взаимодополняющих принципа содержатся в струк-
туре любой теории, описывающей ту или иную естественную предметную область.
Принцип простоты базируется на таких когнитивных операциях, как обобщение, абстра-
гирование, фрагментация, грануляция информации. Выявление инвариантных свойств ис-
следуемых систем позволяет сформулировать специфические закономерности функциони-
рования разнообразных систем на максимальном уровне общности – абстрагирования.
Автоматизмы когнитивных динамических систем
«Штучний інтелект» 4’2010 35
1П
Когнитивные динамические системы (КДС)
Под когнитивной динамической системой будем понимать подсистему системы
с целенаправленным поведением, которая: 1) формирует цели функционирования и
критерии достижения целей; 2) реконструирует физику развития той или иной ситуа-
ции действительности; 3) вырабатывает схему управления развитием ситуации действи-
тельности; 4) реализует рефлексию.
Постулируем свойства и механизм работы КДС: 1) память в целом и элементар-
ные динамические (когнитивно-поведенческие) паттерны представимы в виде (1), пат-
терны становятся активными тогда и только тогда, когда они получают энергию,
паттерны могут передавать энергию друг другу, процессы формируются из паттернов;
2) энергия бывает целевой, фоновой и внешней; целевую энергию генерирует диспетчер
целей – задач (целевая энергия распределяется в виде облака в локальной окрестности
задачи), большая часть процессов подпитывается фоновой энергией и не контроли-
руется диспетчером; фоновая энергия формируется во многом из остатков целевой
активности (энергии) в прошлом; внешняя энергия используется для привлечения
внешних агентов; 3) фоновые процессы протекают всегда, даже при отсутствии текущей
целевой энергии; в результате протекания фоновых и целевых процессов непрерывно
формируются новые динамические паттерны (как неустойчивые, так и устойчивые);
большая часть новых паттернов относится к разряду «короткоживущих»; «долгоживу-
щие» паттерны имеют шансы стать автоматизмами; 4) с течением времени мощность k
увеличивается.
Для целей моделирования удобно ввести понятие информационно-энергетичес-
кого кокона КДС. Данное понятие позволяет отделить внутреннее энерго-семиотическое
пространство КДС от внешнего мира. Примерами естественных КДС служат человек,
высшие животные, социальные группы, общества. Основой искусственных КДС могут
служить Интернет, интеллектуальный Грид, мультиагентная система.
Очевидно, КДС представляют собой очень большие системы со стремящимся к
бесконечности числом одновременно протекающих разноуровневых (фрактальных) ког-
нитивно-поведенческих процессов. Ответ о происхождении таких процессов частично
дают метод предельных обобщений [10] и модель многоуровневых набросков [11].
Действительно, конфигураторы числовых тестов содержат лингвистические иерархии и
иерархии по типу физического фрактала. Лингвистическая иерархия формирует макро-
уровень в описании теста, а фрактальная иерархия – микроуровень. Макроуровень кон-
тролируется диспетчером КДС (у человека – «сознанием»), т.е. логикой, а микроуровень
принципиально не может контролироваться диспетчером в силу своей бесконечности,
хотя именно на этом уровне выполняется основная вычислительная работа. Любое
«число» в подобной вычислительной среде автоматизмами среды представляется беско-
нечным рядом элементов возрастающей общности (согласно конфигуратору), следова-
тельно, любые мультипликативные операции выполняются не над числовыми значениями
тестов, а над бесконечными рядами значений (элементы ряда отличаются уровнем общ-
ности). Разные композиции доменов тестов в таких операциях могут использовать разные
механизмы реализации с разным временем выполнения. В итоге, банальное произ-
ведение двух чисел (результатов двух числовых тестов) за счет автоматизмов вычисли-
тельной среды постепенно во времени разворачивается в бесконечный ряд результатов
разного уровня общности, и, что будет принято в качестве ответа (операция локализации
решения), заранее предсказать невозможно. Модель многоуровневых набросков пока-
зывает, как любой феномен действительности автоматизмами вычислительной среды раз-
ворачивается в многочисленные графы набросков феномена, которые в дальнейшем
используются для предсказания.
Прокопчук Ю.А.
«Искусственный интеллект» 4’2010 36
1П
Так как КДС является активной системой, т.е. активно взаимодействует с
внешней средой, изучает внешнюю среду, то в ряде случаев будем ассоциировать КДС с
наблюдателем. Наблюдатель, будь то реальный или гипотетический, играет в нашей
схеме моделирования важную роль, неизменно накладывая сетку субъективного на
«чисто» объективное.
С наблюдателем связан мир качественных структур – неустранимое присутствие
проявлений и свойств наблюдателя в наблюдаемом. Концентрация внимания наблюда-
теля на тех или иных аспектах ситуации существенно искажает пространство всей
реальности.
Примем, что локальное проявление качеств в качественной действительности
может быть представлено как степень соответствующих интенсивностей (цвет посред-
ством частот, состояние холода температурой и т.д.). Интенсивности задаются конфигу-
раторами. Действительность (физическая), воспринимаемая наблюдателем, не однородна:
в любой локальной области действительности в зависимости от контекста возникает
свой уровень общности интенсивностей качеств действительности (в соответствии с кон-
фигураторами интенсивностей). Изменения величин интенсивности качеств на разных
уровнях могут быть как прерывными, так и непрерывными.
Примем за основу следующую гипотезу: «Чувственные» феномены КДС –
наблюдателя фиксируются относительно других феноменов в точности там, где имеется
качественная прерывность [5]. Качественная прерывность связана с масштабной грану-
ляцией по пространству – времени и уровнями общности интенсивной качеств.
С учетом сделанных допущений и предположений к микроавтоматизмам КДС –
наблюдателя отнесем, в частности, следующие операции:
– операции, обеспечивающие реализацию метода предельных обобщений;
– операции, обеспечивающие реализацию эмпирического оператора эволюции;
– операции выявления причинно-следственных зависимостей (познания) [13];
– операции выявления качественной прерывности (физической) действительности;
– операции, обеспечивающие реализацию модели многоуровневых набросков
ситуаций, образов, текстов;
– операции, обеспечивающие реализацию модели «память – предсказание» [6]
(в частности, на основе графа набросков ситуации, образа [11]);
– операции фрагментации и сравнения ситуаций действительности, образов
(на фиксированном уровне общности описания действительности) [13];
– операции создания новых динамических паттернов и новых автоматизмов, а
также операции образования цепочек паттернов.
Все микроавтоматизмы выполняются без участия диспетчера и, как правило, без
привязки к конкретной задаче. Другими словами, микроавтоматизмы выполняются пра-
ктически постоянно (пока существует КДС). Следует отметить, что деление на микро-
автоматизмы достаточно условное, так как все они глубоко взаимосвязаны.
К макроавтоматизмам КДС – наблюдателя можно отнести, в частности, следую-
щие операции:
– операции выявления зон когнитивной стабильности и нестабильности;
– построение инвариантных моделей знаний в рамках метода предельных
обобщений (фиксируется задача и множество прецедентов);
– самоорганизующуюся критичность (способность системы эволюционировать в
направлении достижения критичности и поддерживать себя в этом состоянии) [4];
– оператор расширения, включающий операции построения информационного
множества и множества обобщения для произвольной ситуации действительности
(данный оператор является основой управления) [13], [14];
– оператор локализации решения на основе информационного множества и
самоорганизующейся критичности;
– операции выработки решения.
Автоматизмы когнитивных динамических систем
«Штучний інтелект» 4’2010 37
1П
Макроавтоматизмы, во-многом, базируются на микроавтоматизмах, однако до-
пускают незначительное вмешательство диспетчера в опорных точках процесса.
Рассмотрим более детально некоторые микро- и макроавтоматизмы КДС (часть
автоматизмов описана в работах, на которые даны ссылки).
Микроавтоматизмы КДС
Автоматизмы метода предельных обобщений (МПО) [10]. В рамках данного ме-
тода предполагается, что произвольная ситуация действительности может быть описана
с помощью конечного множества элементарных тестов {τ/T}. Значения τ тестов τ
выбираются из доменов T разного уровня общности. Домены одного теста образуют
конфигуратор. Обобщение результатов теста в рамках конфигуратора является базовым
автоматизмом МПО.
Различные комбинации доменов для всех тестов определяют различные уровни
общности описания ситуаций действительности. Все множество описаний для конкрет-
ной целевой задачи (связанной с диагностикой, прогнозированием или оптимизацией
управления) и заданной выборки примеров ситуаций действительности Ω распадается
на три подмножества: критических, докритических и закритических описаний.
Критические описания являются наиболее ценными, так как обеспечивают един-
ственность решения целевой задачи на заданной выборке ситуаций действительности
Ω и обладают при этом предельными свойствами: их нельзя обобщить ни по одному
тесту в рамках заданных конфигураторов без нарушения единственности решения
целевой задачи.
Докритические описания также обеспечивают единственность решения на Ω, но
допускают подобное обобщение. Закритические описания нарушают единственность
решения целевой задачи.
Выделение критических, докритических и закритических описаний является авто-
матизмом МПО.
Для критических описаний предпринимается попытка построения истинных мини-
мальных неизбыточных моделей знаний (множества закономерностей), т.е. таких моде-
лей, которые верны для любых ситуаций действительности данной предметной области
(инвариантных моделей). Построение инвариантных моделей знаний на заданном
критическом уровне является автоматизмом МПО.
Решение целевой задачи для новой ситуации, для которой априорно неизвестно
заключение, формулируется следующим образом: исходные данные преобразуются в
формат критического описания, для которого предположительно построена истинная
неизбыточная модель знаний. С использованием активной модели знаний находится
решение. Решение целевой задачи для новой ситуации является автоматизмом МПО.
Метод предельных обобщений, создавая дополнительные степени свободы, позво-
ляет находить инвариантные когнитивные структуры, что отвечает концепции и духу си-
нергетики. Совокупность всех перечисленных микроавтоматизмов образует макроавтома-
тизм реализации МПО для конкретной задачи и фиксированного множества прецедентов.
В соответствии с методом предельных обобщений когнитивные паттерны (авто-
матизмы) формируются на критическом уровне описания ситуации, в то время как
поведенческие паттерны (автоматизмы) реализуются на физическом уровне системы,
т.е. существует потенциально бесконечно много вариантов реализации поведенческих
паттернов для одного и того же когнитивного паттерна. Следовательно, можно говорить
лишь о субоптимальности когнитивно-поведенческих паттернов, так как, прежде всего,
минимизируется энергия на выработку управления (принятие решения) и лишь затем
энергия поведенческой активности (цель первична). На физическом уровне действуют
принципы отбора действительных движений из множества возможных на основе инва-
риантных соотношений, отражающих законы сохранения в соответствующей предмет-
ной области.
Прокопчук Ю.А.
«Искусственный интеллект» 4’2010 38
1П
Автоматизмы эмпирического оператора эволюции. Для моделирования раз-
вития произвольной ситуации необходима база знаний с оператором эволюции. Обо-
значим элементарные тесты через a, b, c, {a} и т.д. Пусть W({c/C}) – некоторое
многообразие на множестве результатов тестов {c/C}. Модель знаний kC на основе
динамических паттернов представим следующим образом [9], [13], [14]:
kC = {f/µ: {Jb b/B} → {Ja a/A}, для {c/C} ∈ Wf({c/C}), µ ∈ {µ}f} ∪ Pk, (2)
где f/µ – паттерны вида (1), реализующие те или иные математические модели; J –
оператор оценки истинности значения теста.
Обозначим через U({c/C}) – окрестность множества {c/C}. Тот факт, что неко-
торая ситуация α удовлетворяет условиям U({c/C}), будем записывать следующим
образом: α ∇ U({c/C}). Эмпирический оператор эволюции произвольной ситуации дей-
ствительности φ t() определяет значения заданных тестов {a/A} в момент времени t/Λ,
используя для этого базу прецедентов Ω:
φ t/Λ({a/A}/U({c/C}) = α∈Ω∪ {f/µ: t/Λ, {<Jτ τ/T, Jt t’/Λ>}α → {Ja a/A}α | α ∇U({c/C})},
где f/µ∈kC; t’/Λ = t/Λ или t’/Λ ∈ [0, t/Λ] или t’/Λ ≤ t/Λ (выбор варианта зависит от
{a/A}). Результат представляет собой мультимножество. Отметим, что множество
прецедентов Ω может содержать как реальные, так и модельные ситуации. Началь-
ные значения и параметры подобия разных ситуаций действительности содержатся
во множестве U({c/C}).
Автоматизмы выявления качественной прерывности физической действи-
тельности. Рассматриваемые автоматизмы – специфические типы способов соединения
или связывания материальных проявлений, соответствующие миру качественного опыта.
Каково проявление вещей, событий в качественной действительности [5]?
1. Чтобы ни появилось, оно всегда появляется односторонне, представляемое
одной (непрерывно изменяющейся) лицевой стороной или аспектом.
2. Чтобы ни появилось, оно появляется посредством проявления структуры «пе-
редний план – фон».
3. Чтобы ни появилось, оно появляется в контексте расширенного пространствен-
но-временного целого. Восприятие идет дискретными кадрами. Длина кадра – темпо-
ральная константа КДС – наблюдателя [7].
Пусть W представляет собой пространственно-временной феномен. Различные
наполняющие W качества {q/Q} (прочность, цвет, текстура, температура, отражающая
способность и т.д.) выражаются посредством степеней интенсивностей (интенсивности
задаются конфигураторами Q). Качества внутренне присущие самим объектам и свя-
заны с определенными возможностями измерения.
Макроскопическая физика предоставляет множество примеров качественных
переходов внешних состояний системы. Они известны как критические феномены.
Типическим примером может служить фазовый переход в термодинамике, где сис-
тема подвергается внезапному изменению термодинамической фазы (например, смены
твердого состояния жидким, или жидкого газообразным, или намагниченности на
размагниченность и т.д.).
Точка w ∈ W называется регулярной на заданном уровне общности, если все интен-
сивности качеств заданного уровня общности непрерывны в окрестностях w. Точка w ∈
∈W называется сингулярной на заданном уровне общности (мерцающей), если и только
если имеется как минимум одно качество, являющееся прерывным на заданном уровне
общности в w. M{Q} – множество всех сингулярных точек W на уровне общности {Q}.
M{Q} называется морфологией наполняющего W феномена на уровне общности {Q}.
Базовый автоматизм наблюдателя должен выявлять качественную прерывность
действительности (на заданном уровне общности {Q}), т.е. морфологию M{Q}.
Автоматизмы когнитивных динамических систем
«Штучний інтелект» 4’2010 39
1П
Наброском W на заданном уровне общности назовем результат конечного числа
итераций «обобщения – выделения морфологий» (автоматизм наблюдателя). Наброски
содержат морфологию прообраза. При каждой итерации уменьшается информационный
объем наброска. Число итераций определяет номер слоя набросков. На каком-то шаге
итерации все наброски исчезают. Наброски предельного уровня общности называются
финитными. Все слои набросков феномена W образуют граф набросков GΣ(W), где Σ –
схема сжимающих отображений. Благодаря наброскам объем операций по обработке ин-
формации существенно сокращается. Более детально данная схема будет описана ниже.
Граф набросков GΣ(W) обладает предсказательной способностью при усилении
внимания на W (например, при приближении), т.е. реализует модель «память – пред-
сказание» и соответствующий макроавтоматизм. Эти предсказания позволяют понимать
их в качестве абстрактных математических зависимостей, распространяющихся поверх
универсума морфологического феномена.
Если действительность представлена несколькими феноменами – объектами {W},
то возможно автоматическое выделение уникальных набросков максимального уровня
общности для каждого объекта из {W}. Данное свойство, реализуемое макроавтома-
тизмом, минимизирует необходимый объем информации [11]. Автоматизм «обобщение –
выделение морфологий» иллюстрирует эволюционное развитие и обладает способно-
стью категоризации.
Автоматизмы модели многоуровневых набросков ситуаций, образов, текстов.
Модель многоуровневых набросков является нелинейной математической моделью вос-
приятия [11], описывающей скачкообразные переходы внутренней модели восприятия
от одного наброска образа (ситуации) к другому в процессе решения целевых задач. Ряд
набросков разного уровня общности для произвольного образа (ситуации, текста) фор-
мируется однозначно на основе индуктивной рекуррентной схемы предельных обоб-
щений-абстракций, которая базируется на полной системе итерирующих сжимающих
отображений. Пределом обобщения являются финитные наброски, состоящие из конеч-
ного множества сингулярных течек. Финитные наброски исчезают в результате при-
менения любого из итерирующих отображений.
Без ограничений общности опишем модель на примере набросков образов.
Пусть U – бесконечный N-мерный универсум, состоящий из однородных дис-
кретных элементов u, содержащих коды u. Все или почти все элементы U относятся к
фону. Конечное число элементов U может относиться к какому-либо образу О. Следо-
вательно, каждый элемент универсума содержит либо код фона, либо код, относящийся
к образу O. Коды образа отвечают определенной характеристике образа и принадлежат
алфавиту L, совпадающему с одним из доменов конфигуратора. Количество элементов
образа – |O|.
Введем наблюдателя с помощью локальной системы координат, связанной с обра-
зом O. Если существуют разные варианты задания локальной системы координат, то
выбирается один из вариантов. Разные образы будем считать идентичными, если они
совпадают в локальной системе координат.
Введем множество сжимающих отображений {T: U → U}. Отображения T могут
изменять коды некоторых элементов универсума U (в локальных системах координат до
и после преобразования). Обозначим через T(O) множество элементов U, отличных от
фона, полученных в результате T-преобразования U, содержащего образ O. Множество
T(O) назовем наброском. Исходный образ О также является наброском.
Потребуем от T выполнения четырех условий: 1) если набросок P отсутствует,
то T(U) ≡ U; 2) если набросок P присутствует, то T связано с локальной системой
координат наброска; 3) ∀ ∈ T(P), u ∈ L; 4) | T(P)| < |P|.
Прокопчук Ю.А.
«Искусственный интеллект» 4’2010 40
1П
Отображения T∈{T} отличаются между собой как коэффициентом сжатия, так и
привязкой к локальной системе координат. Некоторые отображения T можно отнести к
числу операций обобщения – абстрагирования.
Выделим из множества {T} подмножество отображений обобщения – абстра-
гирования {T}’ с одинаковой схемой сжатия (одинаковым коэффициентом сжатия),
отличающихся только привязкой к локальной системе координат наброска. Примем, что
число различных привязок конечно, следовательно, {T}’ может быть полным множест-
вом сжимающих однотипных отображений обобщения – абстрагирования. В дальней-
шем, без потери общности, {T}’ будем отождествлять с {T}.
Пусть дан первичный образ O и фиксировано {T}. Первичный образ будем
считать наброском 0-го слоя F0. Определим по индукции наброски следующих слоев:
наброски 1-го слоя F1 = ∪T∈ {T} T(O); наброски (k+1) слоя: Fk+1 = ∪T∈ {T} T(Fk), где Fj
означает множество всех набросков j-го слоя, а T(Fj) – применение T-отображения к
каждому из набросков j-го слоя.
Не сложно убедиться, что для любого образа O ∃ K: FK ≠ ∅, но FK+1 = ∅.. Дока-
зательство вытекает из конечности образа и условия (4), предъявляемого к отображениям.
Число K(O) является константой образа O (при фиксированном {T} и фиксирован-
ном уровне общности Q). Последний слой FK состоит исключительно из финитных на-
бросков, т.е. таких набросков, которые «исчезают» в результате применения любого
T∈{T}, т.е. если P – финитный набросок, то ∀T∈{T}, |T(P)| = 0. Финитные наброски
могут быть и в других слоях. Множество всех отличающихся финитных набросков
обозначим через FS(O). Если F1 = ∅, то K(O) = 0 и FS(O) ≡ O, т.е. множество FS(O) не
бывает пустым.
Финитные наброски являются аттракторами итерационного процесса обобщения –
абстрагирования любого образа. Произвольные наброски могут играть роль внутренних
кодов разных уровней общности – абстракции для первичного образа O. Уровень общ-
ности – абстракции наброска P определяется номером слоя. Заметим, что один и тот же
набросок может принадлежать разным слоям. Наброски высоких уровней инвариантны
к множеству деталей.
Кроме константы K(O) константами образа являются также общее число наброс-
ков во всех слоях Kp(O), число уникальных набросков, число набросков в каждом слое.
Ряд слоев набросков (фиксированного уровня общности) можно представить в
виде ориентированного графа набросков G(O). Ребра графа соединяют два наброска,
если один переходит в другой при обобщении – абстрагировании (в результате примене-
ния одного из отображений {T}). Отметим, что для любого наброска P∈G(O) граф G(P)
подобен графу G(O). Следовательно, граф G(O) может быть точным фрагментом (под-
графом) графа набросков, построенного для более детального образа.
Движение по графу G(O) от более общих набросков к более детальным позволяет
реализовать предсказание и замещение образов в процессе узнавания действительности.
При замещении интеллект «восполняет» отсутствующую информацию. Предсказания –
это первичная функция и фундамент КДС.
Таким образом, репрезентация любой ситуации и любого образа имеет вид мно-
гослойной иерархической структуры (графа набросков, кластера набросков), отражаю-
щей, подобно кольцам дерева, этапы когнитивного формирования внутренних форм
образа. Сравнение разных образов (ситуаций) начинается с максимального уровня общ-
ности, т.е. с финитных набросков. Если финитные наброски сравниваемых образов сов-
падают, то продолжается сравнение на предпоследнем слое и так до тех пор, пока не бу-
дет получено решение [11]. Подобный подход позволяет добиться абсолютного мини-
мума информационных потоков при решении когнитивных задач.
Автоматизмы когнитивных динамических систем
«Штучний інтелект» 4’2010 41
1П
Макроавтоматизмы КДС
Рассмотрим основные этапы, способы формирования и возбуждения внутренних
сил взаимодействия, которые могли бы породить в семиотическом пространстве (коко-
не) КДС устойчивые диссипативные структуры, приводящие к решению.
Основные этапы получения решения в КДС следующие:
(А) Фиксация цели – задачи и критериев достижения цели {f/µ}0. Генерация
диспетчером целевой энергии, создающей облако притяжения (активности) в окрест-
ности цели. Факт наличия целевой энергии означает, что данная цель находится в фокусе
внимания диспетчера.
(B) Загрузка (дозагрузка) информации в кокон, повышение концентрации потоков
информации в окрестности решаемой задачи. Требуется обеспечить «критическую
массу» информации в локальной информационной окрестности задачи и «критическую
энергию загрузки».
(C) Интенсивное перемешивание информации (организация максимального взаимо-
действия динамических паттернов между собой) до момента возникновения самоорга-
низации (когерентности). Требуется обеспечить «критическую энергию перемешивания».
(D) Рефлексия на предмет проверки условия когерентности (возникающее свой-
ство самодостаточности). Если когерентности нет, то возврат к этапам (B) и (C), т.е.
дозагрузка информации и увеличение энергии перемешивания, если это возможно. Если
дополнительная целевая энергия отсутствует или уменьшается имеющаяся энергия, то
Выход: решение в текущий момент не найдено. Потеря фокуса внимания диспетчера.
Если целевая энергия превышала некоторый порог, то следы задачи остаются в фоновом
семиотическом пространстве КДС.
(E) Созревание – самоорганизация («воронка – фильтр»): формирование новых
когнитивно-поведенческих паттернов типа (1) – (2) на основе имеющейся инфор-
мации и имеющейся целевой энергии (или даже значительно меньшей целевой энер-
гии, так как часть процессов может питаться фоновой энергией). Решениями являются
некоторые паттерны вида {f/µ}. Созревание – самый продолжительный этап и может
длиться часы, дни, месяцы и даже годы.
(F) Рефлексия на предмет удовлетворения решения {f/µ} критериям {f/µ}0. Если
получено частичное решение, то включение {f/µ} в состав {f/µ}0 и возврат к пункту (В).
(G) Локализация окончательного решения: выбор подмножества решений макси-
мально возможного уровня общности.
(H) Рефлексия на предмет пересмотра всего множества целей диспетчера в связи с
принятым решением (пересматривается выделение целевых энергий на актуальные цели).
(I) Созревание (дозревание) всех задач, решаемых когда-либо, в режиме фоновой
активности (неконтролируемой диспетчером). Факт появления решения {f/µ} какой-
либо задачи автоматически привлекает внимание диспетчера (происходит «озарение»),
т.е. внезапно возникает фокус внимания.
Этапы (A) – (E) можно отнести к фазе расширения, а этапы (E) – (G) к фазе ло-
кализации. Этап (Е) – переходный этап. Вообще говоря, процесс решения задачи может
быть бесконечным, если достаточно энергии. Потеря фокуса (временная) происходит
только в двух случаях: либо найдено удовлетворительное решение, либо иссякла целе-
вая энергия в текущий момент (на этапе (D)). Суммарный приток энергии к задаче
должен быть достаточным не только для погашения роста энтропии в фазе расширения,
но и для ее уменьшения, что усиливает порядок в системе.
Таким образом, главной задачей при синтезе решения является обеспечение коге-
рентности на заключительном этапе фазы расширения, т.к. функционирование нелиней-
ной диссипативной когнитивной системы может быть разделено на этап расширения
Прокопчук Ю.А.
«Искусственный интеллект» 4’2010 42
1П
(подготовительный этап), когда зарождаются и созревают альтернативы, и этап локализа-
ции, т.е. асимптотического движения к аттрактору – решению. Решение может быть
мультистабильным (мерцающим), если имеется несколько зон когнитивной стабиль-
ности изучаемой ситуации.
При перемешивании согласно методу предельных обобщений и модели много-
уровневых набросков происходит генерирование колоссального числа разноуровневых
описаний, набросков (заполняется семиотическое пространство, пространство смыслов)
и, соответственно, переходных слоев. На каждом масштабном уровне (преимуществен-
но в рамках критических описаний) достигается относительно гомогенная целостность
(формируются минимальные неизбыточные множества паттернов вида (1) – (2), часть из
которых может впоследствии перейти в разряд автоматизмов). В переходных слоях
происходит перестройка картины мира с одного масштаба на другой. Здесь встречаются
разные законы, действуют смешанные языки, рождаются новые смыслы. Отсюда актуаль-
ность методов связывания, сращивания, соединения образов, набросков решений в
переходных слоях (наброски решений, полученные на одних уровнях общности, пере-
даются на нижележащие уровни для детализации, конкретизации). Взаимодействия реа-
лизуются через динамические паттерны вида (1), т.е. такие энерго-информационные
«сгустки» в окружающем поле, которые пронизывают все семиотическое пространство
КДС. Именно паттерны отражают динамическую, преходящую природу рассматри-
ваемых явлений. И чем больше энергия, которая перераспределяется в результате обра-
зования новых паттернов, тем быстрее идут процессы обмена между слоями, описания-
ми, задачами и, следовательно, тем сильнее когерентность в соответствующей системе.
При таком подходе цель – аттрактор {f/µ}, являющийся решением, определяет
сущность когнитивного процесса, а его истинное понимание состоит в самоуправлении
и направленной самоорганизации в соответствии с поставленной целью. В свойстве
самоуправляемости и направленной самоорганизации когнитивных процессов в рамках
КДС проявляется новый взгляд на проблему выработки нетривиальных решений.
Рассмотрим подробнее рефлексию, которая является обобщением обратной связи.
Рефлексия приводит к целостному представлению, знанию о целях, содержании, формах,
способах и средствах своей деятельности. Общими механизмами рефлексии (движение
в рефлексивном плане) являются [8]: остановка, фиксация, отстранение, объективация,
оборачивание. Движение в рефлексивном плане имеет циклический характер и прохо-
дит многократные итерации (повторения). Авторефлексия включает внутреннее отобра-
жение ситуаций действительности (образов) из одних описаний (слоев) в другие. Она
позволяет автоматически сформировать мультикластеры набросков образов и ситуаций.
Перемешивание и рефлексия позволяют увидеть в известном – неизвестное, в
очевидном – неочевидное, в привычном – непривычное, т.е. увидеть качественную
прерывность (противоречие), которая только и является причиной когнитивных
процессов (движения мысли).
Макроавтоматизмы, используемые в интеллектуальном синергетическом управле-
нии (операторы расширения, локализации, перехода, оценки истинности и др.), рассмот-
рены в работах [9], [14].
Заключение
Учет и формирование автоматизмов активной среды приведет к появлению класса
самоорганизующихся систем управления и принятия решений, отличающихся полным
учетом естественных нелинейных свойств когнитивно-поведенческих процессов, реали-
зуемых целенаправленной системой, внутренних и внешних возмущений, минимиза-
цией потерь всех видов энергоресурсов, гибкостью перенастройки при изменении целей
выработки решения, высокой надежностью и предотвращением критических режимов
функционирования.
Автоматизмы когнитивных динамических систем
«Штучний інтелект» 4’2010 43
1П
Фундаментальной синтезирующей концепцией выработки нетривиальных решений
является синергетическая концепция управляемого взаимодействия энергии и информа-
ции в когнитивных процессах. На основе этой концепции сформулирован принцип
«расширения – локализации» области семиотического пространства, на котором бази-
руется новая технология принятия решений, фрагментом которой являются метод пре-
дельных обобщений и метод построения многоуровневых набросков ситуаций, образов.
Указанные принцип и технология позволяют коренным образом преодолеть «проклятие
информационной размерности» больших систем, превратив его из проблемы в эффек-
тивный инструмент поиска инвариантных решений. Введение когнитивно-поведен-
ческих автоматизмов (инвариантов) в теорию принятия решений, как ее ключевых эле-
ментов, позволяет придать ей естественно-математическое единство и концептуально-
методологическую целостность.
Литература
1. Когнитивный анализ и управление развитием ситуаций : cб. трудов Международной конферен-
ции. – М. : ИПУ, 2004.
2. Чернавский Д.С. Синергетика и информация: Динамическая теория информации / Чернавский Д.С. –
3-е изд., доп. – М. : Книжный дом «ЛИБРОКОМ», 2009. – 304 с.
3. Лачинов В.М. Информодинамика или путь к миру открытых систем / В.М. Лачинов, А.О. Поляков. –
Санкт-Петербург : Издательство СПбГТУ, 1999.
4. Bak P. How nature works: The science of self-organized criticality / Bak P. – New York : Springer-
Verlag Inc., 1996.
5. Петито Ж. (Jean Petitot). Новые основания качественной физики / Ж. Петито (Jean Petitot), Б. Смит
(Barry Smith) // Развитие знаний естественных наук и искусственного интеллекта. – Лондон :
Питман, 1990. – С. 231-249.
6. Hawkins J. On intelligence / Jeff Hawkins, Sandra Blakeslee. – Publisher : Times Books, 2004. – 272 p.
7. Алюшин А.Л. Темпомиры: Скорость восприятия и шкалы времени / А.Л. Алюшин, Е.Н Князева. –
М. : URSS, 2008. – 240 с.
8. Новиков А.М. Образовательный проект (методология образовательной деятельности) / А.М. Но-
виков, Д.А. Новиков. – М. : Эгвес, 2004. – 120 с.
9. Прокопчук Ю.А. Управление эколого-социальными системами на основе интегративной логики и
модели предметной области / Ю.А. Прокопчук // Індуктивне моделювання складних систем : зб.
наук. праць. – Київ : МННЦ ІТС НАНУ та МОНУ, 2009. – С. 165-174.
10. Прокопчук Ю.А. Метод предельных обобщений для решения слабо формализованных задач /
Ю.А. Прокопчук // Управляющие системы и машины. – 2009. – № 1. – С. 31-39.
11. Prokopchuk Iu. Model of Multilevel Pattern Sketches / Iu. Prokopchuk // Proceedings of 3rd
International Conference on Inductive Modelling (17 – 22 May, 2010, Yevpatoria, Ukraine). – Kyiv :
IRTC ITS, 2010. – P. 51-54.
12. Прокопчук Ю.А. Модели информационных процессов в когнитивных динамических системах /
Ю.А. Прокопчук // Інтелектуальні системи прийняття рішень і проблеми обчислювального
інтелекту : зб. наук. праць Міжнародної конференції (Євпаторія, 17 – 21 травня 2010 р.). – Херсон :
ХНТУ, 2010. – Том 1. – С. 129-133.
13. Прокопчук Ю.А. Информационная структура теории естественной предметной области / Ю.А. Про-
копчук // Вестник ХНТУ. – 2010. – № 2(38). – С. 11-19.
14. Прокопчук Ю.А. Интеллектуальное синергетическое управление динамическими системами /
Ю.А. Прокопчук // Искусственный интеллект. – 2009. – № 4. – С. 12-21.
Ю.О. Прокопчук
Автоматизми когнітивних динамічних систем
Проведено аналіз ролі автоматизмів у функціонуванні когнітивних динамічних систем. Наведено
формальні та феноменологічні схеми основних мікро- й макроавтоматизмів.
Yu. Prokopchuk
Automatisms of Cognitive Dynamic Systems
The analysis of a role of automatisms in functioning of cognitive dynamic systems is carried out. Formal and
phenomenological models of the basic automatisms are resulted.
Статья поступила в редакцию 01.07.2010.
|
| id | nasplib_isofts_kiev_ua-123456789-58338 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T18:37:46Z |
| publishDate | 2010 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Прокопчук, Ю.А. 2014-03-22T15:25:28Z 2014-03-22T15:25:28Z 2010 Автоматизмы когнитивных динамических систем / Ю.А. Прокопчук // Штучний інтелект. — 2010. — № 4. — С. 34-43. — Бібліогр.: 14 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58338 519.237.5 Проведен анализ роли автоматизмов в функционировании когнитивных динамических систем. Приведены формальные и феноменологические схемы основных микро- и макроавтоматизмов. Проведено аналіз ролі автоматизмів у функціонуванні когнітивних динамічних систем. Наведено формальні та феноменологічні схеми основних мікро- й макроавтоматизмів. The analysis of a role of automatisms in functioning of cognitive dynamic systems is carried out. Formal and phenomenological models of the basic automatisms are resulted. ru Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Концептуальные проблемы создания систем искусственного интеллекта Автоматизмы когнитивных динамических систем Автоматизми когнітивних динамічних систем Automatisms of Cognitive Dynamic Systems Article published earlier |
| spellingShingle | Автоматизмы когнитивных динамических систем Прокопчук, Ю.А. Концептуальные проблемы создания систем искусственного интеллекта |
| title | Автоматизмы когнитивных динамических систем |
| title_alt | Автоматизми когнітивних динамічних систем Automatisms of Cognitive Dynamic Systems |
| title_full | Автоматизмы когнитивных динамических систем |
| title_fullStr | Автоматизмы когнитивных динамических систем |
| title_full_unstemmed | Автоматизмы когнитивных динамических систем |
| title_short | Автоматизмы когнитивных динамических систем |
| title_sort | автоматизмы когнитивных динамических систем |
| topic | Концептуальные проблемы создания систем искусственного интеллекта |
| topic_facet | Концептуальные проблемы создания систем искусственного интеллекта |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/58338 |
| work_keys_str_mv | AT prokopčukûa avtomatizmykognitivnyhdinamičeskihsistem AT prokopčukûa avtomatizmikognítivnihdinamíčnihsistem AT prokopčukûa automatismsofcognitivedynamicsystems |