Інформаційні системи та мережі
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/2105
Browse
8 results
Search Results
Item Аналіз штучних інтелектуальних агентів для систем електронного навчання(Видавництво Львівської політехніки, 2021-03-01) Юнчик, Валентина; Кунанець, Наталія Едуардівна; Пасічник, Володимир Володимирович; Федонюк, Анатолій; Yunchyk, Valentyna; Kunanets, Natalia; Pasichnyk, Volodymyr; Fedoniuk, Anatolii; Волинський національний університет імені Лесі Українки; Національний університет “Львівська політехніка”; Lesya Ukrainka Volyn National University; Lviv Polytechnic National UniversityПроаналізовано ключові терміни та основні поняття агента. Наведено загальну класифікацію агентів, структуровану за представленням моделі зовнішнього середовища, за типом опрацювання інформації та за виконуваними функціями. Аналогічно проаналізовано класифікацію штучних агентів (інтелектуальні, рефлекторні, імпульсивні, трофічні). Наведено необхідні умови реалізації агентом певної поведінки, а також схему функціонування інтелектуального агента. Зазначено рівні знань, що відіграють ключову роль в архітектурі агента. Наведено функціональну схему агента, що навчається і працює порівняно незалежно, демонструючи гнучку поведінку. Показано, що функціональна схема реактивного агента зумовлює залежність від середовища. Детально описано властивості інтелектуального агента та подано структурну схему. Розглянуто різні варіанти архітектур агентів, зокрема архітектури агентів на основі нейромереж. Продемонстровано організацію взаємодії рівнів у багаторівневій архітектурі агента. Значну увагу приділено Will-архітектурі та InteRRaP-архітектурі агентів. Розглянуто багаторівневу архітектуру для автономного агента машини Тьюринга.Item Ігровий метод кластеризації онтологій(Видавництво Львівської політехніки, 2019-02-26) Кравець, П. О.; Буров, Є. В.; Литвин, В. В.; Kravets, Petro; Burov, Evgeniy; Lytvyn, Vasyl; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозглянуто актуальну проблему кластеризації онтологій для оптимізації операцій інтелектуального опрацювання даних в умовах невизначеності, зумовленої неточністю або неповнотою даних про предметну область. Кластеризація онтологій – це процес автоматичного розділення множини онтологій на групи (кластери) на основі ступеня їхньої подібності. Для розв’язування задачі кластеризації необхідно задати міри близькості онтологій, вибрати або розробити алгоритм кластеризації та виконати змістовну інтерпретацію результатів кластеризації. Для кластеризації онтологій в умовах невизначеності запропоновано застосувати стохастичний ігровий метод. Повторювальна стохастична гра полягає у реалізації керованого випадкового процесу вибору кластерів онтологій. Для цього закріплені за онтологіями інтелектуальні агенти випадково, одночасно і незалежно вибирають один із кластерів у дискретні моменти часу. Для агентів, що обрали один кластер, обчислюють поточну міру подібності онтологій, яка може враховувати близькість концептів, атрибутів та відношень між концептами. Цю міру використовують для адаптивного перерахунку змішаних стратегій гравців. Збільшуються імовірності вибору тих кластерів, поточний склад яких призвів до зростання міри подібності онтологій. У ході повторювальної гри агенти сформують вектори змішаних стратегій, які забезпечать максимізацію усереднених мір подібності розділених на кластери онтологій. Для розв'язування задачі ігрової кластеризації онтологій розроблено адаптивний марківський рекурентний метод на основі стохастичної апроксимації модифікованої умови доповняльної нежорсткості, справедливої у точках рівноваги за Нешем. Запропонований ігровий метод має фільтрувальні властивості щодо викидів у вхідних даних і практично не залежить від закону розподілу випадкових завад. Комп'ютерне моделювання підтвердило можливість застосування моделі стохастичної гри для кластеризації онтологій із врахуванням факторів невизначеності. Збіжність ігрового методу забезпечується дотриманням фундаментальних умов та обмежень стохастичної оптимізації. Достовірність експериментальних досліджень підтверджується повторюваністю отриманих результатів для різних послідовностей випадкових величин. Результати роботи доцільно використати для розв'язування задач інтелектуального аналізу даних, усунення дублювання інформації в базах знань, зменшення невизначеності у межах кластера онтологій, виявлення новизни інформації, організації високорівневої семантичної взаємодії між агентами під час розв’язування ними спільної задачі.Item Метод побудови інтелектуальних агентів на основі адаптивних онтологій(Видавництво Львівської політехніки, 2015) Литвин, В. В.; Гопяк, М. Я.; Оборська, О. В.; Вовнянка, Р. В.Розглянуто метод побудови інтелектуальних агентів з використанням онтологічного підходу. Здійснено класифікацію таких агентів з погляду їх функціонування на основі онтологій. Розроблено математичне забезпечення функціонування інтелектуальних агентів, яке ґрунтується на адаптивних онтологіях. Модель адаптивної онтології визначено як розвиток класичної моделі онтології додаванням ваг важливості понять та відношень, які зберігаються в онтології. In the article the problem of building intelligent agent whose knowledge base core is ontology has been solved. Classification of those systems according to their functioning has been done. For each class appropriate mathematical software has been developed. Intelligent agent models which functioning is based on the ontology has been investigated. The concept of adaptive ontology has been introduced. The model of adaptive ontology is considered as development of the classic model by adding importance weights of the concepts and relations that are stored in the ontology.Item Моделювання поведінки інтелектуального агента на основі стимулюючого навчання(Видавництво Львівської політехніки, 2014) Вовнянка, Р. В.; Оборська, О. В.Розглянуто моделювання поведінки інтелектуального агента на основі стимулюючого навчання. Наведено відповідні алгоритми, які використовують для моделювання поведінки таких агентів. The article deals with modeling the rational agent behavior based on incentive learning. Matching algorithms that are used to model the behavior of agents are introduced.Item Метод видобування знань з текстових документів(Видавництво Львівської політехніки, 2014) Вовнянка, Р. В.; Досин, Д. Г.; Ковалевич, В. В.Запропоновано метод, алгоритм і засоби для виділення знань з природномовного тексту. Показано, що такий алгоритм має бути багатоетапним і містити ієрархічну кількарівневу процедуру розпізнавання понять, зв’язків, предикатів та правил, які в результаті вносяться до онтології. In the paper a method an algorithm and tools for selection of knowledge from a text document are suggested. It is shown that this algorithm has to be multistage and involve hierarchical procedure of concepts recognition of relations, predicates and rules which are introduced into the resulting ontology.Item Метод побудови інтелектуального агента на основі онтології предметної області(Видавництво Львівської політехніки, 2011) Литвин, В. В.; Демчук, А. Б.; Войчишен, М. М.Розглянуто функціонування інтелектуального агента як раціональну поведінку, яка полягає в намаганні отримати якомога максимальний виграш від своєї діяльності. Для цього інтелектуальний агент здійснює пошук нових альтернатив (методів, алгоритмів тощо), використання яких дає кращі результати порівняно з еталонним підходом. Для такого пошуку використовуються онтології проблемних областей, у межах яких функціонує агент. An intellectual functioning of the agent as a rational behavior, which is an effort to get the maximum possible benefit from its activities, is considered. For this aim an intelligent agent is searching for new alternatives (methods, algorithms, etc.), use of which gives better results comparing with the reference approach. For such a search the agent uses domain ontology within which it operates.Item Задачі оптимізації структури та змісту онтології та методи їх розв’язування(Видавництво Львівської політехніки, 2011) Литвин, В. В.Розглянуто оптимізаційні задачі, які виникають під час автоматичної розбудови онтології щодо її стурутури та змісту. Сформовано низку таких задач. Розглянуто методи та алгоритми їх розв’язування. In the paper the evaluation of the optimization problems that arise during the automatic ontology building on its sturutury and content. Formed a series of such problems. The methods and algorithms for their solution.Item Моделювання плану поведінки інтелектуального агента на основі мереж Петрі та онтологічного підходу(Видавництво Національного університету "Львівська політехніка", 2009) Литвин, В. В.Розглянуто побудову плану діяльності інтелектуального агента. Для моделювання поведінки інтелектуального агента використано мережі Петрі та онтологічний підхід.Показано, що розроблену модель поведінки можна звести до задачі асинхронного динамічного програмування. Article considers intelligent agent functioning plan development. For ntelligent agent behavior modeling Petri nets and ontology method were used. It was shown that developed behavior model could be transformed into asynchronous dynamic programming task.