Ю.А. Слободчикова1, А.В. Молчанов2, А.В. Зонова3, А.И. Лялин4, А.Н. Нардид5, Ю.Е. Гапанюк 6

1–6 МГТУ им. Н.Э. Баумана (Москва, Россия)

Постановка проблемы. Метаграфовая модель данных – современный универсальный инструмент для описания сложных предметных областей. Для обработки метаграфовых данных используются метаграфовые агенты на основе продукционного подхода. Задача интеграции метаграфовой модели данных и продукционных метаграфовых агентов для улучшения качества интеллектуальных систем на основе метаграфового подхода – актуальна.

Цель. Интегрировать метаграфовую модель данных и метаграфовых агентов, реализующих эффективные алгоритмы продукционного логического вывода.

Результаты. Рассмотрены существующие подходы к реализации эффективного продукционного логического вывода с использованием алгоритмов RETE, Treat и Leaps, особенности алгоритма RETE с учетом его выполнения над метаграфовой структурой данных.

Практическая значимость. Добавление возможностей эффективного продукционного логического вывода в модель метаграфового агента позволит улучшить качество интеллектуальных систем на основе метаграфового подхода.

Слободчикова Ю.А., Молчанов А.В., Зонова А.В., Лялин А.И., Нардид А.Н., Гапанюк Ю.Е. Особенности реализации метаграфовых агентов на основе продукционного подхода // Динамика сложных систем. 2023. Т. 17. № 3. С. 78−84. DOI: 10.18127/ j19997493-202303-11

1. Гапанюк Ю.Е. Этапы развития метаграфовой модели данных и знаний // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник научных трудов X Междунар. науч.-техн. конф. ИММВ-2021. В 2-х томах. Смоленск: Универсум. 2021. Т. 1. С. 190–200.
2. Basu A., Blanning R.W. Metagraphs and Their Applications: Integrated Series in Information Systems (ISIS). New York: Springer, 2007. V. 15. № VIII. 172 p. DOI 10.1007/978-0-387-37234-1.
3. Мышенков К.С., Некула Х. Использование методов машинного обучения для прогнозирования неврологических заболеваний // Динамика сложных систем – XXI век. 2022. Т. 16. № 1. С. 66–74. DOI 10.18127/j19997493-202201-07.
4. Массель Л.В., Ан Г.В., Пестерев Д.В. Реализация логического вывода в продукционной экспертной системе с использованием RETE-сети и реляционной БД // Программные продукты и системы. 2020. № 4. С. 582–590.
5. CLIPS. A Tool for Building Expert Systems. URL: https://www.clipsrules.net (дата обращения: 26.06.2023).
6. SWI-Prolog official site. URL: https://www.swi-prolog.org (дата обращения: 26.06.2023).
7. Forgy C. Rete: a fast algorithm for the many pattern/many object pattern match problem. Artificial Intelligence. V. 19. № 1. P. 17–37. DOI 10.1016/0004-3702(82)90020-0.
8. Doorenbos R.B. Production Matching for Large Learning Systems. USA, PA, Pittsburgh: Carnegie Mellon University, 1995. 208 p.
9. Wang Yu-W., Hanson E.N. A performance comparison of the Rete and TREAT algorithms for testing database rule conditions. Eighth International Conference on Data Engineering. USA, AZ, Tempe: IEEE. 1992. № 4286289. P. 88–97. DOI 10.1109/ICDE.1992.213202.
10. Batory D. The leaps algorithms: Technical report. USA, TX, Austin: University of Texas at Austin. 1994. 15 p.
11. Семенченко И.И., Гапанюк Ю.Е., Ревунков Г.И., Елисеев Г.Б. Реализация обработки метаграфов с использованием акторного подхода // Динамика сложных систем – XXI век. 2019. Т. 13. № 4. С. 36–45. DOI 10.18127/j19997493-201904-06.