Экспертные системы САПР

А.Л. Ездаков
ЭКСПЕРТНЫЕ СИСТЕМЫ 
САПР
УЧЕБНОЕ ПОСОБИЕ
Допущено Учебно-методическим объединением вузов
по университетскому политехническому образованию
в качестве учебного пособия для студентов высших учебных
заведений, обучающихся по направлениям 
09.00.00 «Информатика и вычислительная техника»
Москва 
ИД «ФОРУМ» — «ИНФРА-М»
2022

ФЗ 
№ 436-ФЗ
Издание не подлежит маркировке 
в соответствии с п. 1 ч. 4 ст. 11
УДК 519.45(075.8) 
ББК 22.12я73 
 
Е42
Р е ц е н з е н т:
кандидат технических наук, доцент кафедры систем автоматизированного проектирования Московского государственного технического 
университета им. Н.Э. Баумана В.А. Мартынюк
Ездаков А.Л.
Е42 
 
Экспертные системы САПР : учебное пособие / А.Л. Ездаков. — 
Москва : ИД «ФОРУМ» : ИНФРА-М, 2022. — 160 с. : ил. — (Высшее 
образование).
ISBN 978-5-8199-0398-8 (ИД «ФОРУМ»)
ISBN 978-5-16-011260-2 (ИНФРА-М, print)
ISBN 978-5-16-104993-8 (ИНФРА-М, online)
Пособие содержит описание теоретических основ инженерии знаний, 
различных форм представления знаний и механизмов вывода решений 
на их основе, актуальных в современных разработках экспертных систем. 
Сформулированы концепции формирования экспертных систем, их места 
в САПР и способы взаимодействия экспертных систем и САПР
. Представлен ряд примеров конкретных реализаций такого рода систем.
Для студентов вузов, обучающихся по укрупненной группе специальностей 09.00.00 «Информатика и вычислительная техника».
УДК 519.45(075.8) 
ББК 22.12я73
© Ездаков А.Л., 2016
© ИД «ФОРУМ»: «ИНФРА-М», 
ISBN 978-5-8199-0398-8 (ИД «ФОРУМ»)
ISBN 978-5-16-011260-2 (ИНФРА-М, print)
ISBN 978-5-16-104993-8 (ИНФРА-М, online)
2016

Введение
Системы автоматизированного проектирования по праву рассматриваются как важнейшее средство научно-технического прогресса. Первые САПР появились в начале 1960-х годов в области
вычислительной техники. Этому способствовало два обстоятельства.
Во-первых, задачи проектирования вычислительной техники
наиболее просто формализуются и алгоритмизируются, т. е. для
них легко составить математическую модель и построить способ
ее расчета на электронной вычислительной машине (ЭВМ).
Во-вторых, именно в области вычислительной техники работали люди, наиболее подготовленные интеллектуально и психологически к разработке и реализации идей автоматизации проектирования.
Прогресс САПР определялся в первую очередь возможностью формализации и алгоритмизации задач, характерных для
этих областей [1]. Особенностью его зачастую является сложность формализации технологических задач, обусловленная разнообразием их постановок, отсутствием средств строгой математической записи и теории решения.
Изучение способов модельного представления объектов проектирования, наиболее трудно поддающихся формализованному
описанию в сочетании с исследованием основных задач, решаемых в процессе их проектирования, позволило установить факт
существования нечетких подмножеств способов моделирования
и проектных процедур и нечеткого отношения «формализация».
Возникает необходимость введения в рассмотрение «мягких»
шкал оценок и их вербальных отношений для всех основных
подсистем, совокупность которых вместе с коллективом проектантов образует САПР. Поэтому можно говорить о появлении
нового поколения САПР. «Смягчению» путем обеспечения саморазвития в этом поколении САПР подлежат следующие подсистемы: математическое и программное обеспечения формализованного модельного представления объекта проектирования;
математическое и программное обеспечения основных проектных процедур, выполняющих решение задач анализа, синтеза,

Введение
параметрической оптимизации; методическое обеспечение; лингвистическое обеспечение.
Анализ технических заданий на различные объекты проектирования в сочетании с анализом проектных процедур [2] показывает, что с повышением уровня иерархии системы проектирования повышается доля интуитивных соображений в принятии проектного решения, но эти соображения не затрагивают зачастую
даже ядро математического обеспечения — программные реализации численных методов. Следовательно, совокупность подсистем, образующих САПР, включая организационную, пронизана
отдельными эвристическими факторами, которые могут быть в
виде либо эвристических программ, реализующих нечеткие алгоритмы, либо нечетких данных, либо их совокупности. Указанная
совокупность эвристических факторов образует некоторую однородную по технологическим и пользовательским свойствам вычислительную среду, которая наилучшим образом реализуется
средствами искусственного интеллекта.

Глава 1
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И САПР
1.1. Искусственный интеллект. Общее понятие
Искусственный интеллект как область исследований и приложений есть система обработки информации, которую нельзя выполнить простыми и точными алгоритмическими методами [3].
Многие виды умственной деятельности человека, такие, как
написание программ для вычислительной машины, занятие математикой, ведение рассуждений на уровне здравого смысла и
даже вождение автомобиля, требуют «интеллекта». На протяжении последних десятилетий было построено несколько компьютерных систем, способных выполнять подобные задачи.
Имеются системы, способные диагностировать заболевания,
планировать синтез сложных синтетических соединений, решать
дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческой речи и естественного языкового текста. Можно сказать,
что такие системы обладают в некоторой степени искусственным интеллектом.
Работа по построению таких систем проводится в области,
получившей название искусственный интеллект (ИИ).
При
реализации
интеллектуальных
функций
непременно
присутствует информация, называемая знаниями. Другими словами, интеллектуальные системы являются в то же время системами обработки знаний.
В настоящее время в исследованиях по искусственному интеллекту выделилось шесть основных направлений.
1. Представление знаний. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти системы ИИ. Для этого разрабатываются специальные модели представления знаний и языки описания знаний,
внедряются различные типы знаний. Проблема представления
знаний является одной из основных проблем для системы ИИ,

Глава 1. Искусственный интеллект и САПР
так как функционирование такой системы опирается на знания
о проблемной области, которые хранятся в ее памяти.
2. Манипулирование
знаниями.
Чтобы
знаниями
можно
было пользоваться при решении задачи, следует научить систему
ИИ оперировать ими. В рамках данного направления разрабатываются способы пополнения знаний на основе их неполных описаний, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующих особенности
человеческих рассуждений. Манипулирование знаниями очень
тесно связано с представлением знаний и разделить эти два направления можно лишь условно.
3. Общение. В круг задач этого направления входят: проблема понимания и синтеза связных текстов на естественном языке,
понимание и синтез речи, теория моделей коммуникаций между
человеком и системой ИИ. На основе исследований в этом направлении формируются методы построения лингвистических
процессов, вопросно-ответных систем, диалоговых систем и других систем искусственного интеллекта, целью которых является
обеспечение комфортных условий для общения человека с системой ИИ.
4. Восприятие. Это направление включает разработку методов представления информации о зрительных образах в базе знаний, создание методов перехода от зрительных сцен к их текстовому описанию и методов обратного перехода, создание средств
для порождения зрительных сцен на основе внутренних представлений в системах ИИ.
5. Обучение. Для развития способности систем ИИ к обучения, т. е. к решению задач, с которыми они раньше не встречались, разрабатываются методы формирования условий задач по
описанию проблемной ситуации или по наблюдению за ней, методы перехода от известного решения частных задач (примеров)
к решению общей задачи, создание приемов декомпозиции исходной задачи на более мелкие и уже известные для систем ИИ.
В этом направлении искусственного интеллекта сделано еще совсем немного.
6. Поведение. Поскольку системы ИИ должны действовать в
некоторой окружающей среде, то необходимо разрабатывать некоторые поведенческие процедуры, которые позволили бы им
адекватно взаимодействовать с окружающей средой, другими
системами, искусственным интеллектом и людьми. Это направление в ИИ разработано очень слабо.

1.2. Знания и их представление. Экспертные системы
7
В настоящем пособии в основном рассматриваются только
реализации первых двух направлений — представление знаний и
методы вывода.
1.2. Знания и их представление. Экспертные системы
Системы, основанные на знаниях, — это системы программного обеспечения, основными структурными элементами которых являются база знаний и механизм логических выводов.
В первую очередь к ним относятся экспертные системы, способные диагностировать заболевания, оценивать потенциальные месторождения полезных ископаемых, осуществлять обработку естественного языка, распознавание речи и изображений и т. д.
Экспертные системы (ЭС) являются первым шагом в практической реализации исследований в области ИИ. В настоящее время
они активно используются в промышленности и других отраслях
экономики, а также в здравоохранении и социальной сфере.
Экспертная система — это вычислительная система, в которую включены знания специалистов о некоторой конкретной
проблемной области и которая в пределах этой области способна
принимать экспертные решения.
Базовая структура экспертной системы приведена на рис. 1.1.
Структурные элементы, составляющие систему, выполняют
следующие функции.
База знаний (БЗ) — реализует функции представления знаний в конкретной предметной области и управление ими. В ней
хранятся знания одного или нескольких экспертов данной предметной области, которые и формируют процесс поиска решений
и определяют качество работы ЭС.
Рис. 1.1. Базовая структура стандартной экспертной системы

Глава 1. Искусственный интеллект и САПР
Для хранения знаний применяется одна или несколько форм
представления знаний, описанных ниже. Помимо основных знаний эксперта в базе знаний хранятся специальные структуры,
управляющие процессом поиска решения, известные под названием «метаправил».
Машина вывода (МВ) — выполняет логические выводы на основании знаний, имеющихся в базе знаний. К ее основной задаче
относится согласованная обработка данных, имеющихся в программной среде или полученных в процессе диалога с объектами
внешней среды [4]. При этом знания, хранящиеся в базе знаний,
используются с целью получения конечного результата. Под
внешней средой подразумевается либо некоторая техническая
система, информацию о которой ЭС получает посредством датчиков, либо человек-оператор, работающий с ЭС. Полученные таким образом данные анализируются или интерпретируются с помощью знаний эксперта, хранящихся в базе знаний. В итоге:

 выдвигаются и проверяются различные гипотезы;

 вырабатываются новые данные, а в некоторых случаях и
новые знания;

 формируются запросы на ввод новых данных;

 формируются решения, носящие рекомендательный или
управляющий характер, в зависимости от типа ЭС.
Подсистема объяснений (ПсО) — формирует заключение
экспертной системы и представляет различные комментарии,
прилагаемые к заключению, а также объясняет мотивы заключения. Для большинства ЭС эта подсистема является важной составной частью. Основная цель этой подсистемы — сделать ЭС
«прозрачной» для пользования, т. е. предоставить пользователю
возможность понимать логику действий системы. Такая возможность имеет большое значение в процессе освоения ЭС пользователем, когда недоверие к системе, существующее на первом
этапе работы, сменяется пониманием и в конечном итоге ведет к
полному приятию системы пользователем. Особенно это важно
для обучающе-консультирующих ЭС, где от отношения человека
к системе в психологическом аспекте полностью зависит успех
работы. Подсистема объяснения должна позволять пользователю:

 в любой момент приостанавливать работу системы и получать полное описание ее текущего состояния;

 по запросу пользователя выдавать любую информацию о
пройденном системой пути с возможностью возврата на
любой его участок;

1.2. Знания и их представление. Экспертные системы
9

 по запросу пользователя сообщать результаты ранее выполненных действий, проверок выдвинутых гипотез с пояснениями;

 получать ответы на вопросы типа «почему?», «зачем?»,
«как?».
Нужно отметить, что существует ряд ЭС (прежде всего
управляющих), для которых наличие развитой ПсО не обязательно. В таких системах, как правило, работающих в режиме
«реального времени», ПсО заменяется специальным механизмом
записи действий и заключений ЭС, по функциям аналогичному
«черному ящику» в авиации. Тем не менее в целом роль такой
подсистемы в ЭС важна.
Модуль приобретения знаний (МПЗ) — необходим для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости. Эта часть ЭС, ранее иногда называвшаяся редактор базы знаний, предоставляет инженеру по знаниям средства, облегчающие процесс заполнения БЗ в процессе
работы с экспертом. Очевидно, что база знаний имеет вид набора файлов, хранящихся на магнитном носителе. Следовательно,
такой редактор представляет собой транслятор с некоторого подмножества естественного языка, используемого инженером по
знаниям, в специальный код, ориентированный на работу машины вывода. Редактор базы знаний должен:

 быть удобен для работы инженера по знаниям, т. е. использовать некоторое подмножество естественного языка;

 позволять реализовывать любую структуру знаний, предусмотренную составом БЗ;

 позволять корректировать элементы базы знаний без изменения ее структуры;

 иметь возможность представлять обобщенную структуру БЗ.
К желательным, но не необходимым характеристикам редактора относится возможность проверки на непротиворечивость
БЗ и отсутствие в ней зацикливаний в процессе логического вывода. Допустим и ряд других функций. Основным же элементом
МПЗ по-прежнему является «дружественный» интерфейс с инженером по знаниям.
Пользовательский интерфейс — необходим для правильной
передачи ответов пользователю, иначе пользоваться системой
крайне неудобно. Такой интерфейс тоже должен носить характер
«дружественного» и предоставлять пользователю все необходимые инструменты для конструктивного диалога с ЭС.

Глава 1. Искусственный интеллект и САПР
Перечисленные структурные элементы являются наиболее
характерными, хотя в реальных экспертных системах их функции могут быть соответствующим образом усилены или расширены.
Знания в базе знаний представлены в конкретной форме,
и организация базы знаний позволяет их легко определять,
модифицировать и пополнять. Решение задач с помощью логического вывода на основе знаний, хранящихся в базе знаний, реализуется автономным механизмом логического вывода.
Хотя оба эти компонента системы с точки зрения ее структуры
являются независимыми, они находятся в тесной связи между
собой и определение модели представления знаний накладывает ограничения на выбор соответствующего механизма логических выводов. Таким образом, при проектировании экспертных систем необходимо анализировать оба указанных компонента.
Чтобы манипулировать знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование.
К основным моделям представления знаний относятся:

 «тройки» (объект—атрибут—значение);

 логические модели;

 продукционные модели;

 сетевые модели;

 фреймовые модели.
Прежде чем перейти к более детальному рассмотрению типичных моделей (форм) представления знаний в системах ИИ,
ознакомимся с каждой из них.
«Тройки» — это одна из старейших форм представления знаний, пришедшая в инженерию знаний из баз данных. Она предоставляет
разработчикам
интеллектуальных
систем
возможность быстрой реализации такой предметной области, в которой
наиболее актуальными являются не иерархические структуры
рассматриваемых объектов, а значения их отдельных признаков,
т. е. в слабоструктурированных и слабосвязанных областях представления знаний.
Эта форма представления знаний упрощает разработку ЭС
в случае соответствующей предметной области и использования
традиционных алгоритмических языков программирования, таких, как C, Pascal, FORTRAN, BASIC и т. п. Основные процедуры обработки информации в такой ЭС, как правило, относятся
к области численных вычислений, поэтому системы работают
быстро и эффективно.