Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Когнитивные графы в системах искусственного интеллекта

Покупка
Основная коллекция
Артикул: 879266.01.99
Доступ онлайн
399 ₽
В корзину
Монография посвящена разработке комплексного подхода к построению, обучению и использованию когнитивных графов в системах искусственного интеллекта. Авторы показывают, как спектральные методы и кластеризация помогают искусственному интеллекту работать там, где исходные данные неполны, а ситуация меняется в реальном времени. Практическая ценность книги подкреплена множеством вычислительных экспериментов и примеров применения в системах искусственного интеллекта. Монография адресована разработчикам систем искусственного интеллекта, специалистам по теории графов и анализу сложных систем, а также аспирантам и студентам технических направлений.
15
46
77
79
118
151
183
196
236
Целых, А. Н. Когнитивные графы в системах искусственного интеллекта : монография / А. Н. Целых, В. С. Васильев, Л. А. Целых ; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. - 268 с. – ISBN 978-5-9275-5104-0. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2252566 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Оглавление 
МИНИСТЕРСТВО  НАУКИ  И  ВЫСШЕГО  ОБРАЗОВАНИЯ 
РОССИЙСКОЙ  ФЕДЕРАЦИИ 
Федеральное государственное автономное  
образовательное учреждение высшего образования 
«ЮЖНЫЙ  ФЕДЕРАЛЬНЫЙ  УНИВЕРСИТЕТ» 
Инженерно-технологическая академия 
 
 
 
А. Н. ЦЕЛЫХ 
В. С. ВАСИЛЬЕВ 
Л. А. ЦЕЛЫХ 
 
 
КОГНИТИВНЫЕ  ГРАФЫ  В  СИСТЕМАХ 
ИСКУССТВЕННОГО  ИНТЕЛЛЕКТА 
 
 
Монография 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ростов-на-Дону – Таганрог 
Издательство Южного федерального университета 
2025 
 
 
 


Оглавление 
УДК 004.81 
ББК  32.81 
         Ц349 
Печатается по решению экспертного освета «Инженерные науки»  
комитета по инженерному направлению науки и образования  
при Ученом совете ЮФУ (протокол № 1 от 10 октября 2025 г.) 
Рецензенты: 
профессор кафедры информатики Таганрогского института  
имени А. П. Чехова (филиал) «Ростовского государственного  
экономического университета (РИНХ)», 
доктор технических наук, профессор Я. Е. Ромм; 
профессор кафедры вычислительной техники  
Южного федерального университета, доцент Н. Е. Сергеев. 
Целых, А. Н. 
Ц349    Когнитивные графы в системах искусственного интеллекта: монография / А. Н. Целых, В. С. Васильев, Л. А. Целых ; Южный федеральный 
университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. – 266 с. 
ISBN 978-5-9275-5104-0 
DOI 10.18522/801346737 
Монография посвящена разработке комплексного подхода к построению, обучению и использованию когнитивных графов в системах искусственного интеллекта. Авторы показывают, как спектральные методы и кластеризация помогают искусственному интеллекту работать там, где исходные данные 
неполны, а ситуация меняется в реальном времени. Практическая ценность 
книги подкреплена множеством вычислительных экспериментов и примеров 
применения в системах искусственного интеллекта. 
Монография адресована разработчикам систем искусственного интеллекта, специалистам по теории графов и анализу сложных систем, а также аспирантам и студентам технических направлений.  
Исследование было профинансировано Российским научным фондом, проект № 23-21-00206, httрs:/rscf.ru/en/project/23-21-00206, реализовано Южным федеральным университетом. 
УДК 004.81 
ISBN 978-5-9275-5104-0                                                                           ББК 32.81 
© Южный федеральный университет, 2025 
© Целых А. Н., Васильев В. С., Целых Л. А., 2025 
© Оформление. Макет. Издательство  
    Южного федерального университета, 2025 
 
 


Оглавление 
ОГЛАВЛЕНИЕ 
ПРЕДИСЛОВИЕ ……………………………………………………….. 
8 
Глава 1. НОВЫЙ  ПОДХОД  К  МАШИННОМУ  ОБУЧЕНИЮ  
ДЛЯ  КОГНИТИВНЫХ  МОДЕЛЕЙ,  ОСНОВАННЫЙ   
НА  СПЕКТРАЛЬНОЙ  ТЕОРИИ  ГРАФОВ ………………………... 
15 
1.1. Постановка задачи машинного обучения для когнитивных 
графов ………………………………………………………………... 
15 
1.2. Анализ методов машинного обучения для каузальных графовых моделей …………………………………………………………... 
19 
1.2.1. Методы машинного обучения с наблюдаемыми и численно 
измеримыми характеристиками графа ………………………………. 
20 
1.2.2. Методы, основанные на восстановлении топологии графа 
21 
1.3. Метод машинного обучения при отсутствии наблюдаемых данных …………………………………………………………………….. 
24 
1.3.1. Постановка задачи ………………………………………………… 
24 
1.3.2. Метод машинного обучения на основе реконструкции матрицы смежности …………………………………………………………... 
24 
1.3.3. Метод машинного обучения на основе спектрального разложения ……………………………………………………………………… 
24 
1.4. Описание эксперимента …………………………………………. 
29 
1.4.1. Постановка задачи для обученной модели …………………….. 
29 
1.4.2. Демонстрационные примеры …………………………………….. 
29 
1.4.3. Результаты экспериментов на тестовых моделях ………… 
25 
1.4.4. Сравнение результатов по индексу эффективности ……….. 
25 
1.5. Оценка метода полной реконструкции матрицы смежности ….. 
39 
Выводы ………………………………………………………………... 
46 
Глава 2. МОДЕЛИРОВАНИЕ  УПРАВЛЕНЧЕСКИХ  РЕШЕНИЙ  
НА  ОСНОВЕ  КОГНИТИВНЫХ  МОДЕЛЕЙ ……………………… 
48 
2.1. Выбор сценариев управления …………………………………… 
48 
2.2. Анализ существующих подходов ……………………………….. 
54 
2.3. Описание метода принятия решения ……………………………. 
59 
2.3.1. Мотивация лица, принимающего решение …………………….. 
59 
 


Оглавление 
2.3.2. Алгоритм эффективных управлений …………………………… 
2.3.3. Описание метрик …………………………………………………… 
62 
2.3.4. Описание сценариев ………………………………………………... 
63 
2.4. Эксперимент ……………………………………………………… 
64 
2.4.1. Исходные данные …………………………………………………… 
64 
2.4.2. Проектирование стратегий ……………………………………... 
66 
2.4.3. Проверка эффективности управленческого решения ………. 
67 
2.4.4. Проектирование стратегических сценариев …………………. 
71 
2.4.5. Оценка эффективности сценариев ……………………………... 
73 
2.5. Обсуждение результатов ………………………………………… 
75 
Выводы ………………………………………………………………... 
77 
Глава 3. ИСПОЛЬЗОВАНИЕ  НЕЯВНЫХ  ЗНАНИЙ  
ДЛЯ  ПРОГНОЗИРОВАНИЯ  ПОВЕДЕНИЯ  ЛИЦА, 
ПРИНИМАЮЩЕГО  РЕШЕНИЯ ……………………………………. 
79 
3.1. Моделирование действий соперника …………………………… 
79 
3.2. Анализ существующих подходов ……………………………….. 
82 
3.2.1. Альтернативы в процессе принятия решений ………………... 
82 
3.2.2. Методы генерации альтернатив в процессе принятия решений …………………………………………………………………………. 
83 
3.2.3. Методы определения оптимальной продуктивной альтернативы ……………………………………………………………………….. 
86 
3.3. Каузальные модели ………………………………………………. 
88 
3.4. Модели для прогнозирования реакций человека ……………… 
93 
3.5. Описание метода выбора стратегических альтернатив ………... 
95 
3.5.1. Предиктивная институциональная модель генерации и выбора стратегических альтернатив ……………………………………. 
96 
3.5.2. Нахождение эффективных управляющих воздействий ……. 
97 
3.5.3. Модифицированный алгоритм ………………………………….. 102 
3.6. Описание эксперимента …………………………………………. 103 
3.6.1. Пример моделирования политического кризиса ……………… 103 
3.6.2. Прогнозирование реакции политиков ………………………….. 108 
3.6.3. Проверка прогнозов о последствиях конфликта …………….. 112 
3.6.4. Проведение экспериментов на тестовых моделях ………….. 114 
3.7. Анализ полученных результатов ……………………………….. 116 


Оглавление 
Выводы ………………………………………………………………... 118 
Приложения …………………………………………………………... 119 
Глава 4. УПРАВЛЕНИЕ  ВЛИЯНИЕМ  
В  КОГНИТИВНЫХ  ГРАФАХ ………………………………………. 123 
4.1. Описание проблемы ……………………………………………… 123 
4.2. Анализ существующих решений ………………………………... 126 
4.2.1. Описание моделей …………………………………………………... 126 
4.2.2. Влияние узлов в когнитивных графах …………………………… 127 
4.2.3. Эффективность влияния …………………………………………. 129 
4.2.4. Ранжирование узлов ……………………………………………….. 129 
4.2.5. Алгоритмические методы ………………………………………... 131 
4.3. Описание метода …………………………………………………. 131 
4.3.1. Алгоритм управления воздействием ……………………………. 131 
4.3.2. Область допустимых решений ………………………………….. 135 
4.3.3. Метрики ……………………………………………………………… 137 
4.4. Эксперименты ……………………………………………………. 137 
4.4.1. Численный эксперимент на тестовых моделях ……………… 138 
4.4.2. Сравнение полученных результатов с известными методами …………………………………………………………………………... 141 
4.4.3. Время выполнения и конвергенция ………………………………. 143 
4.4.4. Оценка результатов ……………………………………………….. 145 
4.5. Анализ полученных результатов ………………………………... 148 
Выводы ………………………………………………………………... 151 
Приложения …………………………………………………………... 153 
Глава 5. ВЫЯВЛЕНИЕ  ИЕРАРХИИ  В  КОГНИТИВНЫХ 
ГРАФАХ  МЕТОДОМ  КЛАСТЕРИЗАЦИИ ………………………… 157 
5.1. Использование кластеризации в системах искусственного интеллекта ……………………………………………………………….. 157 
5.2. Методы кластеризации в графовых моделях …………………… 159 
5.3. Описание метода кластеризации когнитивного графа ………… 162 
5.3.1. Математическая постановка проблемы ……………………… 163 
5.3.2. Преобразование матрицы смежности графа ………………... 165 
5.3.3. Алгоритм кластеризации упругой энергии ……………………. 166 


Оглавление 
5.4. Численные эксперименты ……………………………………….. 170 
5.4.1. Численный эксперимент на эталонных графах ……………… 170 
5.4.2. Численный эксперимент на когнитивных моделях ………….. 176 
5.5. Анализ полученных результатов ………………………………... 180 
5.6. Обсуждение математических проблем работы алгоритма ……. 182 
Выводы ………………………………………………………………... 183 
Глава 6. МОДЕЛЬ  ОБУЧЕНИЯ  НА  ОСНОВЕ  
СПЕКТРАЛЬНОЙ  ТЕОРИИ  ГРАФОВ  С  ИСПОЛЬЗОВАНИЕМ 
ГЛОБАЛЬНОЙ  ОПТИМИЗАЦИИ …………………………………... 185 
6.1. Обзор существующих методов ………………………………….. 185 
6.2. Анализ существующих решений ………………………………... 187 
6.3. Описание метода …………………………………………………. 188 
6.4. Эксперименты ……………………………………………………. 193 
6.5. Анализ полученных результатов ………………………………... 195 
Выводы ………………………………………………………………... 196 
Глава 7. МЕТОД  МОДЕЛИРОВАНИЯ  СТРАТЕГИИ 
УПРАВЛЯЮЩЕГО  ВОЗДЕЙСТВИЯ  НА  ОСНОВЕ 
МЕНТАЛЬНОЙ  СИСТЕМЫ  ВЗГЛЯДОВ  ЛПР ……………………. 198 
7.1. Постановка проблемы …………………………………………… 198 
7.2. Связанные работы ………………………………………………... 199 
7.3. Предиктивная институциональная модель ……………………... 201 
7.4. Задача управления для когнитивных моделей …………………. 202 
7.5. Модифицированный алгоритм эффективных управлений ……. 204 
7.6. Эксперименты ……………………………………………………. 205 
Анализ результатов и выводы ………………………………………... 208 
Глава 8. ОПТИМИЗАЦИЯ  ТРАЕКТОРИИ  УПРАВЛЕНИЯ  
ПРИ  ОГРАНИЧЕНИЯХ  НА  УПРАВЛЕНИЕ  ДЛЯ  МОДЕЛЕЙ  
С  НЕНАБЛЮДАЕМЫМИ  ПЕРЕМЕННЫМИ ……………………... 210 
8.1. Описание проблемы ……………………………………………… 210 
8.2. Модель управления ………………………………………………. 212 
8.3. Вычислительный алгоритм ……………………………………… 220 
8.4. Результаты моделирования ……………………………………… 222 
8.5. Оценка результатов ……………………………………………… 224 


Оглавление 
Обсуждение результатов и выводы ………………………………….. 225 
Глава 9. КОГНИТИВНАЯ  АРХИТЕКТУРА  СИСТЕМЫ 
ИСКУССТВЕННОГО  ИНТЕЛЛЕКТА  ДЛЯ  ПРИНЯТИЯ 
СТРАТЕГИЧЕСКИХ  РЕШЕНИЙ ……………………………………. 227 
9.1. Описание проблемы ……………………………………………… 227 
9.2. Основные направления исследований в области когнитивной 
архитектуры …………………………………………………………... 230 
9.3. Когнитивная архитектура в системах принятия стратегических 
решений ……………………………………………………………….. 234 
Выводы ………………………………………………………………... 236 
ЗАКЛЮЧЕНИЕ ………………………………………………………… 238 
СПИСОК  ЛИТЕРАТУРЫ …………………………………………….. 242 
 
 
 
 


Предисловие 
ПРЕДИСЛОВИЕ 
Современные системы искусственного интеллекта всё чаще применяются в задачах, требующих принятия стратегических решений в условиях 
высокой неопределённости и неполноты данных.
В таких сценариях особую значимость приобретают когнитивные 
графы – структурированные модели, отражающие связи между понятиями, 
событиями и управленческими воздействиями. 
Однако, несмотря на заметный прогресс в теории графов, спектральных методах и каузальном моделировании, в научной литературе отсутствует единая методология, объединяющая эти подходы в контексте когнитивных моделей для принятия решений. 
Данная монография восполняет этот пробел, предлагая комплексный 
подход к построению, обучению и использованию когнитивных графов в 
системах искусственного интеллекта.  
Монография раскрывает, как с помощью спектральной теории графов 
и алгоритмов глобальной оптимизации создавать интеллектуальные системы, способные моделировать стратегии, прогнозировать поведение и 
управлять влиянием на события.  
Когнитивные графы предстают не как абстрактная теория, а как практический инструмент для анализа сложных систем, поиска оптимальных решений и предсказания будущих сценариев.  
Авторы показывают, как спектральные методы и кластеризация помогают искусственному интеллекту работать там, где исходные данные неполны, а ситуация меняется в реальном времени. 
Практическая ценность книги подкреплена множеством вычислительных экспериментов и примеров применения в системах искусственного интеллекта. 
В Главе 1 представлен новый подход к машинному обучению (МО), 
основанный на спектральной теории графов для нечёткой когнитивной 
карты (НКК) при отсутствии наблюдаемых и числовых данных. Предлагаемая модель МО находит спектральное разложение, реализованное на соответствующей матрице перехода, которая фиксирует важные структуры или 
направления для моделируемой системы.  
 


Предисловие 
Задача состоит в том, чтобы найти способ генерации начальных обучающих данных, выражающих конкретные спектральные репрезентативные 
признаки модели, т.е. её образ; затем модель обучается на этом образе и 
получает матрицу смежности, удовлетворяющую требованиям моделируемой системы. 
Критерием обучения является получение целевой вершины первого 
(или заданного) ранга в векторе отклика, которая, по мнению лица, принимающего решения, олицетворяет направленность моделируемой системы 
при ограничениях, обеспечивающих адекватность модели.  
Основным следствием данного подхода является тот факт, что обучение основано не на данных, а на общем понимании человеком системы, в 
отношении которой принимается решение.  
Модель МО использует алгоритмы оптимального управления графами, 
основанные на максимизации распределения влияния на дуги графа. Алгоритмы вычислительно эффективны, поскольку основаны на методе множителей Лагранжа второго порядка и методе сопряженных направлений.  
Решение демонстрирует линейную скорость сходимости в логарифмическом масштабе, что соответствует типу сходимости методов первого порядка. 
В Главе 2 рассматривается проблема моделирования управляющих решений на основе оценки продуктивности влияния для моделей социальноэкономических систем, представленных направленными взвешенными знаковыми графами. Предлагается новая методология оценки продуктивности 
влияния, как системы когнитивного интеллекта, предназначенной для сценарного планирования управляющих воздействий (генерации и выбор) для 
систем, представленных направленными взвешенными знаковыми графами, на основе алгоритма эффективных управлений (AЭУ). В основу алгоритма положена модель управления, которая выражает направление развития (роста) системы.  
Алгоритм основан на спектральных свойствах матрицы смежности 
графа, представляющего модель социально-экономической системы, и не 
накладывает ограничений на направление ребер, знак и диапазон значений 
весов на ребрах.  
Оценка сценариев осуществляется на основе их соответствия тактическим и стратегическим целям по степени сонаправленности вектора  


Предисловие 
отклика с базовым вектором модели. Базовый вектор есть вектор эффективного управления без ограничений на управляющие воздействия в условиях 
адекватной работы модели.  
Предлагаемая методология имеет три отличительные особенности: 
(i) сценарный подход реализуется относительно набора управляющих воздействий; (ii) применима для моделей с гетерогенными факторами, и не требует предварительной агрегации элементов первичной модели системы; 
(iii) имеет четко формализуемую метрику для выбора и генерации набора 
управляющих воздействий. Процесс не требует специальной математической подготовки ЛПР. 
В Главе 3 представлен новый взгляд на функциональность когнитивно-каузальных моделей (КМ), основанных на неявной информации, содержащейся в их структуре, в предопределении стратегической реакции 
лиц, принимающих решения. Это открывает новые прогностические возможности CM, которые представляют собой когнитивную систему взглядов и убеждений лица, принимающего решения, в данной ситуации.  
Мы рассматриваем нестохастические КМ, представленные направленными взвешенными знаковыми графами с детерминированной причинностью на дугах. Решение задачи оптимизации на модели управления выявляет неявные структуры, связывающие воздействие и отклик системы через 
ранг фактора СМ. Ранг фактора КМ отражает вклад каждого фактора в вектор воздействия, определяющий стратегическую реакцию лица, принимающего управленческие решения. 
Выявление неявной структуры реакции ЛПР осуществляется с помощью 
модифицированного алгоритма эффективных управлений (ЭУ) на основе 
спектральных свойств матрицы смежности графа, представляющего КМ.  
Модифицированный AEC значительно эффективнее предыдущей версии, применим для медленно сходящихся случаев вблизи границы решения 
и имеет автоматизированные решения для настройки параметров регуляризации задачи оптимизации. Предлагаемый метод моделирования реакции 
ЛПР не предъявляет особых требований к форме или структуре КМ и демонстрирует предсказательную способность КМ.  
Алгоритм способен автоматически генерировать альтернативы, выявляя реакцию ЛПР, закодированную в КМ, что позволяет роботизировать эту 
часть процесса принятия решений человеком. Для оценки эффективности 


Доступ онлайн
399 ₽
В корзину