Информационные технологии проектирования радиоэлектронных средств

Интеллектуальные САПР для разработки
современных конструкций и технологических
процессов

2-е издание, исправленное

Головицына М.В.

Национальный Открытый Университет “ИНТУИТ”
2016

2

УДК [004:621.396.6](076.6)
ББК 24
Г61
Информационные технологии проектирования радиоэлектронных средств / Головицына М.В. - M.:
Национальный Открытый Университет “ИНТУИТ”, 2016 (Основы информационных технологий)
ISBN 978-5-94774-847-5

Данный курс посвящен вопросам, которые представляют собой следующий виток в развитии
современных систем автоматизированного проектирования: повышению интеллектуальности систем
проектирования.
Рассматриваются пути повышения интеллектуальности систем проектирования, излагаются
основные идеи и направления исследования искусственного интеллекта, структура и разновидности
интеллектуальных систем, а также интеллектуальные системы автоматизированного проектирования.
Как класс интеллектуальных систем представлены экспертные системы, их особенности, структура и
режимы использования, а также организация знаний в экспертных системах. Кроме того, изложены
современные методы и алгоритмы автоматизированных систем технологической подготовки
производства – последней стадии проектирования. Последние лекции данного курса носят
справочный характер, полезный при изучении данной дисциплины: краткий обзор современных
технологий, информационные технологии электронной САПР, оценка качества информационных
систем, стандарты управления качеством промышленной продукции, экономическая эффективность
информационных систем проектирования и другие.

(c) ООО “ИНТУИТ.РУ”, 2008-2016
(c) Головицына М.В., 2008-2016

3

Повышение интеллектуальности подсистем проектирования

В лекции рассматриваются методы обучаемости систем проектирования, а также
оценка степени обучаемости таких систем. Приводится экспериментальное
определение величины обучающей выборки. Показан переход от диалогового режима
проектирования к пакетному режиму

1.1. Общая постановка задачи

Повышение интеллектуальности подсистем проектирования осуществляется путем
использования эвристического программирования, экспертных систем, путем перехода
от режима диалога к пакетному режиму более высокого уровня.

Одно из требований автоматизированного проектирования в режиме диалога — это
максимальное освобождение технолога-проектировщика от рутинных работ,
требующих каких-либо вычислений или количественных оценок проектных ситуаций.
В процессе проектирования технолог-проектировщик задает информацию о полезности
следствий. Эта информация обрабатывается ЭВМ с целью сокращения числа
целесообразных альтернатив и отбрасывания неприемлемых. Проектировщик,
принимающий решение, анализирует результаты расчета на ЭВМ и отбирает
рациональные (с его точки зрения) альтернативы, а если надо, то осуществляет
дальнейшую детализацию альтернатив и возникающих из них следствий. Под
полезностью понимают обобщенную оценку альтернативы, описывающую ее
пригодность для дальнейшего проектирования и легкость реализации. Эту оценку дает
технолог-проектировщик. Полезность следствия обозначают через 
, где  —

условный номер альтернативы;  — номер следствия данной  -й альтернативы. Для
освобождения технолога-проектировщика от количественной оценки альтернатив
(следствий) применяют несколько способов задания оценок полезностей.

Например, производят простое ранжирование следствий или полезности альтернатив,
сравнивают их между собой качественно, используя отношения типа “большеменьше”, “хуже-лучше”, которые технолог-проектировщик может задавать знаками
“>”, “<”.

На этапе выбора модели автомата для изготовления деталей может сложиться
следующая ситуация [M]: для обработки втулки используют либо пруток, либо
толстостенную трубу. Заготовку можно обработать на трех разных моделях автоматов.
Следовательно, имеются две альтернативы и по три следствия из каждой. Для первой
альтернативы необходимо получить полезность следствия 
 ; для второй — 

. Задача состоит в нахождении доверительного интервала для каждого

значения 
.

Если ввести условие

(1.1)

4

,

где  — число следствий из  -й альтернативы, то нахождение доверительного
интервала сводится к нахождению верхней и нижней границ оценки полезности

следствий (альтернатив), т. е. к нахождению 
 и 
 соответственно.

Допустим, что технолог-проектировщик задал отношение между следствиями в
следующем виде: 
.

Вводят ограничения и преобразуют эти выражения: 

.

Подобную задачу сводят к задаче линейного программирования:

(1.2)

где при всех 
 — вещественные числа; 
 и 
 —

заданы, а неизвестные 
 подлежат определению.

Для перехода от режима диалога к пакетному режиму более высокого уровня
формируют обучающие выборки. Составляют матрицу  “признак-значение”. Элемент
матрицы 
 соответствует i-му значению j-гo признака, 
 ; 
 (где 
 —

максимальное число значений, принимаемых j-м признаком,  — число признаков).
Тогда

(1.3)

С помощью матрицы  можно описывать любые объекты или ситуации. Разница будет
состоять в числе признаков, описывающих объект (ситуацию), и в количествах
значений каждого признака.

Матрицу 
, полученную добавлением матрицы  к матрице “нуль-единичного”

столбца, называют полной формой понятия:

5

(1.4)

,

где 
 — объект (ситуация), описываемый i-й строкой матрицы , является

положительным событием; 
 — в противном случае.

Чтобы заполнить матрицу 
, следует рассмотреть большое количество вариантов

комбинаций значений 
 и классифицировать полученные комбинации 
.

Матрицу 
 строят на основе обучающей выборки. Задачей построения обучающей

выборки является определение существенных признаков, описывающих объект, и
нахождение количества значений, которые может принимать каждый признак объекта.

Как показали исследования, многие технологи-проектировщики при опросе не могли
четко сформулировать причины выбора одной альтернативы из некоторого количества
предлагаемых. Причем признаки, по которым определялся объект (например, комплекс
элементарных обрабатываемых поверхностей), для разных технологовпроектировщиков были неодинаковыми. Поэтому задачу выделения существенных
признаков, описывающих объект, следует возлагать на технолога-проектировщика,
работающего с использованием методов САПР.

Однако на многих этапах проектирования возникает задача отнесения объекта не к
одному из двух классов, а из нескольких (например, при отнесении комбинаций
поверхностей к одному из шести комплексов элементарных обрабатываемых
поверхностей). В данном случае к матрице  добавляется не “нуль-единичный”
столбец, а столбец, в котором 
 принимает значения 
, где  — номер класса

объекта, к которому относится классифицируемый объект, или 
, если объект не

был отнесен ни к одному из классов. Значения признаков, оценивающих объект в
процессе диалога технолога-проектировщика с ЭВМ, накапливаются на магнитном
диске. Каждому набору  -гo значения признаков ставится в соответствие 
,

относящее этот объект к классу, определяемому технологом-проектировщиком.

Области распределения положительных и отрицательных объектов не должны
пересекаться, иначе могут возникать ошибки. Влияние подобных ошибок на качество
проектируемой наладки снижается за счет одновременного проектирования нескольких
наладок и ведет к увеличению их числа.

Для оценки степени обученности системы используется экзамен на контролируемой
группе объектов, который можно применить для постепенного перехода от режима
диалога к новому уровню пакетного режима. Степень обученности системы
оценивалась следующими показателями:

 — частота ошибок при оценке степени обученности системы;

6

 — частота ошибок при распознавании положительных и

отрицательных объектов, где 
 — число контрольных объектов, используемых для

оценки степени обученности системы; 
 — число положительных и

отрицательных объектов; 
 — число ошибок при распознавании положительных

и отрицательных объектов.

Экспериментальное определение величины обучающей выборки проводили для этапа
расчленения поверхности детали на комплексы элементарных обрабатываемых
поверхностей [55]. Нужно было сформировать понятие “комплекс поверхностей,
который можно обработать проходными резцами”.

Были выделены следующие признаки, описывающие подобный комплекс
поверхностей:

вид поверхностей, вошедших в комплекс;
последовательность диаметров поверхностей, начиная с левой стороны;
положение поверхностей, вошедших в комплекс;
допустимость обработки этих поверхностей;
наличие требования “притупить острые кромки”;
вид заготовки.

Первый признак мог принимать восемь значений, второй — три, четвертый — два,
пятый — два и шестой — три значения.

Понятие, которое необходимо было сформировать с помощью программы “ПАРК”,
имело следующий вид [55]:

,

где верхний индекс обозначает номер признака, а переменная с индексом — номер
значения признака.

Составляли пять обучающих выборок, которые различались по числу входящих в них
объектов и по соотношению входящих в них положительных и отрицательных
объектов. Выборки составляли так, что первая была произвольной, а последующие
формировались добавлением нескольких описаний объектов к предыдущей выборке, т.
е. осуществлялся постепенный рост обучающей выборки.

При обработке обучающих выборок на ЭВМ фиксировались показатели степени
обученности и были получены зависимости этих показателей от величины обучающей
выборки (рис. 1.1). Эти зависимости имеют монотонно убывающий характер.

Таким образом, при переходе от диалогового режима проектирования к режиму
пакетному более высокого уровня степень обученности системы следует оценивать с
помощью экзаменующей выборки непосредственно во время процесса
проектирования. Обучающие выборки следует накапливать на внешних носителях
информации и использовать по мере роста этих выборок.

7

При достижении показателя степени обученности системы значений,
удовлетворяющих технолога-проектировщика (р = 5…10%), следует переходить к
пакетному режиму более высокого уровня.

Рис. 1.1.  Зависимость частоты ошибок от величины обучающей выборки N: а — при
оценке степени обученности системы; б — при распознавании положительных 1 и
отрицательных 2 объектов

1.2. Об искусственном интеллекте

Искусственный интеллект (ИИ) как научное направление, связанное с попытками
формализовать мышление человека, имеет длительную историю. Еще Платон,
Аристотель, Р. Декарт, Г.В. Лейбниц, Дж. Буль и многие другие исследователи на
уровне современных им знаний стремились описать мышление как совокупность
некоторых элементарных операций, правил и процедур. Качественно новый период
развития ИИ связан с появлением в научных лабораториях ЭВМ и с публикацией
книги Н. Винера “Кибернетика или управление и связь в животном и машине” [19, 20]
появившейся еще ранее книги У. Росс Эшби “Введение в кибернетику” [100, 101] .

В нашей стране идеи создания ИИ получили признание после выхода целой серии
переводных работ Н. Винера, У. Росс Эшби, Ст. Бира и Э. Беркли в конце 1950-х —
начале 1960-х годов прошлого века [14, 12] и нашего соотечественника Берга [11].
Однако к непосредственному использованию идей ИИ наши ученые обратились только
с развитием информационных технологий, с необходимостью повышения
интеллектуальности систем автоматизированного проектирования современных
конструкций и технологических процессов изготовления изделий в различных
областях.

Искусственный интеллект появился на базе вычислительной техники, математической
логики, программирования, психологии, лингвистики, нейрофизиологии и других
отраслей знаний. Искусственный интеллект — это образец междисциплинарных
исследований, где соединяются профессиональные интересы специалистов разного
профиля [79]. Само название новой науки возникло в конце 60-х гг., а в 1969 г. в
Вашингтоне (США) состоялась первая Всемирная конференция по искусственному
интеллекту.

Известно, что совокупность научных исследований обретает права науки, если
выполнены два необходимых условия: у этих исследований должен быть объект
изучения, несовпадающий с теми, которые изучают другие науки; должны
существовать специфические методы исследования этого объекта, отличные от

8

методов других, уже сложившихся наук. Исследования, которые объединяются сейчас
термином “искусственный интеллект”, имеют свой специфический объект изучения и
свои специфические методы.

Когда в конце 1940-х — начале 1950-х гг. появились ЭВМ, стало ясно, что инженеры и
математики создали не просто быстро работающее устройство для вычислений, а нечто
более значительное. Оказалось, что с помощью ЭВМ можно решать различные
головоломки, логические задачи, играть в шахматы, создавать игровые программы.
ЭВМ стали принимать участие в творческих процессах: сочинять мелодии,
стихотворения и даже сказки. Появились программы для перевода с одного языка на
другой, для распознавания образов, доказательства теорем. Это свидетельствовало о
том, что с помощью ЭВМ и соответствующих программ можно автоматизировать
такие виды человеческой деятельности, которые называются интеллектуальными и
считаются доступными лишь человеку.

Несмотря на большое разнообразие невычислительных программ, созданных к началу
1960-х гг., программирование в сфере интеллектуальной деятельности находилось в
гораздо худшем положении, чем решение расчетных задач. Программирование для
задач расчетного характера опиралось на соответствующую теорию —
вычислительную математику. На основе этой теории было разработано много методов
решения задач. Эти методы стали основой для соответствующих программ. Ничего
подобного для невычислительных задач не было. Любая программа была здесь
уникальной, как произведение искусства. Опыт создания таких программ никак не
обобщался, умение их создавать не формализовалось [78].

Никто не станет отрицать, что, в отличие от искусства, у науки должны быть методы
решения задач. С помощью этих методов все однотипные задачи должны решаться
единообразным способом, и, “набив руку” на решении задач определенного типа, легко
решать новые задачи, относящиеся к тому же типу. Но именно таких методов и не
смогли придумать те, кто создавал первые программы не- вычислительного характера.

Когда программист создавал программу для игры в шахматы, то он использовал
собственные знания о процессе игры. Он вкладывал их в программу, а компьютер
лишь механически выполнял эту программу. Можно сказать, что компьютер отличал
вычислительные программы от невычислительных. Он одинаковым образом находил
корень квадратного уравнения или писал стихи. В памяти компьютера не было знаний
о том, что он на самом деле делает.

Об интеллекте компьютера можно было бы говорить, если бы он сам, на основании
собственных знаний о том, как протекает игра в шахматы и как играют в эту игру
люди, сумел составить шахмат- ную программу или синтезировал программу для
написания несложных вальсов и маршей.

Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная
деятельность, а понимание того, как их создать, научиться новому виду
интеллектуальной деятельности, — вот где скрыто то, что можно назвать интеллектом.
Специальные метапроцедуры обучения новым видам интеллектуальной деятельности
отличают человека от компьютера. Следовательно, при создании искусственного

9

интеллекта основной задачей становится реализация машинными средствами тех
метапроцедур, которые используются в интеллектуальной деятельности человека. Что
же это за процедуры?

В психологии мышления есть несколько моделей творческой деятельности. Одна из
них называется лабиринтной. Суть лабиринтной гипотезы, на которой основана
лабиринтная модель, состоит в следующем: переход от исходных данных задачи к ее
решению лежит через лабиринт возможных альтернативных путей. Не все пути ведут к
желаемой цели — многие из них заводят в тупик, из которого надо уметь возвращаться
к тому месту, где потеряно правильное направление. Это напоминает попытки не
слишком умелого школьника решить задачу об упрощении алгебраических выражений.
Для этой цели на каждом шагу можно применять некоторые стандартные
преобразования или придумывать искусственные приемы. Но весьма часто вместо
упрощения выражения происходит его усложнение, и возникают тупики, из которых
нет выхода. По мнению сторонников лабиринтной модели мышления, решение всякой
творческой задачи сводится к целенаправленному поиску в лабиринте альтернативных
путей с оценкой успеха после каждого шага.

С лабиринтной моделью связана первая из метапроцедур — целенаправленный поиск в
лабиринте возможностей. Программированию этой метапроцедуры соответствуют
многочисленные процедуры поиска, основанные на соображениях “здравого смысла”
(человеческого опыта решения аналогичных задач). В 1960-х гг. было создано немало
программ на основе лабиринтной модели, в основном игровых и доказывающих
теоремы “в лоб”, без привлечения искусственных приемов. Соответствующее
направление в программировании получило название эвристического
программирования . Высказывались даже предположения, что целенаправленный
поиск в лабиринте возможностей — универсальная процедура, пригодная для решения
любых интеллектуальных задач.

Но исследователи отказались от этой идеи, когда столкнулись с задачами, в которых
лабиринта возможностей либо не существовало, либо он был слишком велик для
метапроцедуры поиска, как, например, при игре в шахматы. Конечно, в этой игре есть
лабиринт возможностей — это все мыслимые партии игры. Но как в этом
астрономически большом лабиринте найти те партии, которые ведут к выигрышу?
Лабиринт столь велик, что никакие скорости вычислений не позволят целенаправленно
перебрать пути в нем. И все попытки использовать для этого человеческие эвристики
(в данном случае профессиональный опыт шахматистов) не дают пути решения задачи.
Поэтому современные шахматные программы уже давно применяют не только
метапроцедуру целенаправленного поиска, но и другие метапроцедуры, связанные с
другими моделями мышления.

Долгие годы в психологии изучалась ассоциативная модель мышления. Основной
метапроцедурой этой модели является ассоциативный поиск и ассоциативное
рассуждение. Предполагается, что решение неизвестной задачи так или иначе
основывается на уже решенных задачах, чем-то похожих на ту, которую надо решить.
Новая задача рассматривается как уже известная, хотя и несколько отличающаяся от
известной. Поэтому способ ее решения должен быть близок к тому, который когда-то
помог решить подобную задачу.

10