Agent-Based Systems

Hệ dựa tri thức ngày nay là một trong những vấn đề ngày nay đang được thế giới hết sức quan tâm. Hôm nay mình xin được giới thiệu về một trong những hệ dựa tri thức dựa trên tính toán mền đó là tính toàn mềm - hệ lai mờ - nơ ron.

Năm 1992, Lofty Zadeh đưa ra khái niệm tính toán mềm là dạng tính toán tích hợp phỏng theo phương pháp xử lý song song của con người để học và lập luận trong môi trường không chắc chắn(có tính xác suất và cảm nhận). Hiện nay lĩnh vực tính toán mềm còn có nhiều định nghĩa khác nhau nhưng nó là sự phát triển của các phương pháp luận tính toán để cung cấp cơ sở cho các khái niệm cho thiết kế và phát triển các hệ thống thông minh. Để thấy sự khác biệt và tính thông minh của tính toán mềm ta có thể so sánh với khái niệm tính toán cứng. Tính toán cứng và phương pháp giải các bài toán theo ký hiệu (như ký hiệu hàm, biến, tập hợp…) liên quan tới các hệ thống được mô tả đầy đủ, chính xác và hoàn thiện. Trong khi tính toán mềm có thể đưa lời giải, hay ước lượng từ các thông tin không đầy đủ, không chính xác, hoặc chỉ ước đoán mà tính toán cứng không giải được.

1. Các thành phần của hệ tính toán mềm Hệ tính toán mềm gồm 4 hệ cơ bản: logic mờ, mạng nơ-ron, giải thuật di truyền lập luận xác suất; và các hệ lai của 4 hệ đó.

   Hệ cơ sở	Ưu điểm
   Logic mờ	Lập luận gần đúng và cảm nhận
   Mạng nơ-ron	Học và biểu diễn tri thức ẩn
   Giải thuật di truyền	Tiến hóa tự nhiên và tối ưu hóa
   Lập luận xác suất	Tính không chắc chắn

Hệ thống phân chia này đã được đề xuất bởi McGarry và các đồng nghiệp của mình để phân loại các hệ lai thành 3 nhóm chính:

• Hệ lai thống nhất (Unified Hybrid Systems): Các hệ này xử lý bằng mạng nơ-ron
• Hệ thống lai truyền đạt (Transformational Hyrid Systems): trong hệ thống này cách mô tả bằng ký hiệu được chuyển vào mạng nơ-ron và ngược lại từ mạng nơ-ron chuyển ra.
• Hệ thống lai theo Modul (Modular Hyrid Systems): hệ thống lai này bao gồm các modul khác nhau, mỗi modul thực hiện một nhiệm vụ xác định sử dụng kỹ thuật thích hợp.

*Các đặc trưng của hệ thống tính toán mềm

• Mô phỏng của các chuyên gia Hệ tính toán mềm sử dụng logic mờ, trong đó cung cấp một cách tiếp cận linh hoạt để thực hiện với các thứ phân loại như con người vào nhóm có ranh giới của nó là không rõ ràng, với khái niệm biến ngôn ngữ mờ, chẳng hạn như xe hơi lớn, mùa nóng và người giàu. Suy diễn mờ cung cấp một lập luận xấp xỉ và có giải thích.
• Kỹ thuật sáng tạo Hệ tính toán mềm cung cấp các kỹ thuật tiên tiến để tối ưu hóa, giải pháp tự tiến hóa, học máy, lý luận, và tìm kiếm từ các ngành khác nhau như giải thuật di truyền, mạng nơ-ron và logic mờ.
• Tiến hóa tự nhiên Các thuật toán di truyền, khi lai trong hệ tính toán mềm, hỗ trợ trong các giải pháp tiến hóa tự nhiên. Một mạng nơ-ron nhân tạo cung cấp một phương tiện học tập tự họcbản thân, không có dữ liệu huấn luyện. Theo các này, hệ tính toán mềm cung cấp mô hình tính toán lấy cảm hứng từ sinh học cho nhận dạng mẫu, hồi quy phi tuyến, và tối ưu hóa.
• Học theo mô hình tự do Trên tất cả, các ứng dụng mà không thể được giải quyết bằng một mô hình cụ thể có thể được giải quyết với một hệ lai tính toán mờ. Với sự giúp đỡ của giải thuật di truyền, từ ví dụ, các mô hình phù hợp để giải quyết vấn đề có thể tự phát triển từ đặc điểm của vấn đề. Tương tự, chỉ từ bộ dữ liệu giống nhau nhất định, mạng nơ-ron tính toán mềm có thể phát triển một mô hình có thể giải quyết một vấn đề với các dữ liệu thực tế tương tự.
• Định hướng mục tiêu Mạng nơ-ron và giải thuật di truyền là mục tiêu đặt ra. Đó là, nó là giải pháp mà là quan trọng, không phải là con đường mạng / thuật toán sau. Tương tự như vậy, các hàm huấn luyện quyết định tính đúng đắn của giải pháp và quyết định sự tồn tại của các giải pháp như là một tiền đề trong các thế hệ tiếp theo.
• Tính toán sâu rộng Hệ tính toán mềm dựa trên các thuật toán tính toán mở rộng được cung cấp bởi mạng nơ-ron, logic mờ và giải thuật di truyền, không giống như biểu tượng truyền thống về trí tuệ nhân tạo (AI). Điều này mở rộng phạm vi của hệ tính toán mềm ngoài các ứng dụng AI điển hình. Ví dụ trong đó tính toán số học phổ thông như vậy được yêu cầu bao gồm xử lý tín hiệu kiểm soát và hồi quy phi tuyến.
• Xử lý thông tin không cân bằng và không đầy đủ Ngành như logic mờ và mạng nơ-ron nhân tạo đem đến cho hệ tính toán mềm khả năng giải quyết với những thông tin không đầy đủ, không chắc chắn và trừu tượng. Không giống như hệ thống truyền thống, các hệ tính toán mềm không có tài liệu cụ thể trong kiến thức cơ bản.
• Tính chịu lỗi Hệ thống tính toán mềm sử dụng một mạng lưới nơ-ron nhân tao là một trong những thành phần của nó. Nơ-ron trong một kiến trúc mạng nơ-ron nhân tạo song song. Ngay cả khi một trong số đó không làm việc thì hệ thống sẽ không thất bại. Ví dụ trong một loạt lớn các đèn chiếu sang, ngay cả khi có một vài thành phần không làm việc, các mẫu đầy đủ có thể được nhìn thấy. Vì vậy, với các hệ thống logic mờ dựa trên: nếu một quy tắc bị xóa, hệ thống mờ vẫn làm việc. Như vậy hệ tính toán mềm là có tính chịu lỗi thật sự.

2 Hệ lai nơ ron mờ 2.1. Sự kết hợp giữa logic mờ và mạng nơ ron Khi khảo sát mạng nơ ron và logic mờ, ta thấy mỗi loại đều có điểm mạnh, điểm yếu riêng của nó. Đối với logic mờ, ta dễ dàng thiết kế một hệ thống mong muốn chỉ bằng các luật Nếu - thì (If-Then) gần với việc xử lý của con người. Với đa số ứng dụng thì điều này cho phép tạo ra lời giải đơn giản hơn, trong khoảng thời gian ngắn hơn. Thêm nữa, ta dễ dàng sử dụng những hiểu biết của mình về đối tượng để tối ưu hệ thống một cách trực tiếp. Tuy nhiên, đi đôi với các ưu điểm hệ điều khiển mờ còn tồn tại một số khuyết như: việc thiết kế và tối ưu hóa hệ logic mờ cần phải có kinh nghiệm về điều khiển đối tượng. Mặt khác còn hàng loạt những câu hỏi khác đặt ra cho người thiết kế mà nếu chỉ dừng lại ở tư duy logic mờ thì hầu như chưa có lời giải. Ví dụ: Số tập mờ trong mỗi biến bao nhiêu thì tối ưu? Hình dạng các tập mờ thế nào? Đặt tập mờ ở đâu? Kết hợp các tập mờ như thế nào? Trọng số của mỗi luật bao nhiêu? Tri thức được đưa vào huấn luyện nên ở dạng nào?, …. Đối với mạng nơ ron, ưu điểm lớn nhất chính nằm ở việc xử lý song song khiến tốc độ xử lý rất nhanh. Mạng nơ ron có khả năng học hỏi. Ta có thể huấn luyện mạng để xấp xỉ một hàm phi tuyến bất kỳ, đặc biệt khi đã biết một tập dữ liệu vào/ra... Song nhược điểm cơ bản của mạng nơ ron là khó giải thích rõ ràng hoạt động của mạng nơ ron như thế nào. Do vậy việc chỉnh sửa trong mạng nơ ron rất khó khăn. Hai tiêu chí cơ bản trợ giúp cho người thiết kế ở logic mờ và ở mạng nơ ron thể hiện trái ngược nhau (bảng 6.2.1). Bảng 6.2.1: So sánh mạng nơ ron và logic mờ

Vì thế, nếu kết hợp logic mờ và mạng nơ ron, ta sẽ có một hệ lai với ưu điểm của cả hai thiết kế dễ dàng, tường minh (của logic mờ) với việc học (của mạng nơ ron). Nó tự động sửa đổi các hàm phụ thuộc về hình dạng, vị trí và sự kết hợp… Điều này làm giảm bớt thời gian cũng như giảm bớt chi phí khi phát triển hệ thống

2.2. Cấu trúc chung của hệ mờ - nơ ron Có nhiều cách kết khác nhau để hợp mạng nơ ron với logic mờ. Cấu trúc chung của hệ Mờ - Nơ ron (FuzzyNeuro) Sử dụng các nơ ron RBF mô tả dưới đây, sự mờ hoá có thể đạt đư ợc rất dễ dàng. Mỗi biến ngôn ngữ được xây dựng bằng 1 nơ ron. Chú ý rằng kiểu hàm của nơ ron không nhất thiết phải là hàm Gaus mà có thể là hàm khác. Trong phần này hàm liên thuộc kiểu tam giác có thể không được sử dụng vì chúng không trơn. Các nơ ron mờ hoá đóng vai trò lớp vào của mạng.

Tiếp theo, lớp ẩn là toán từ MIN. Đôi khi hàm này được thay bằng toán tử PROD. Đầu ra của nơ ron này là đầu vào của nơ ron tiếp theo.

Lớp thứ 3 được xây dựng bởi các nơ ron MAX (hoặc SUM). Lớp này tương tự lớp trước nhưng nó là tổng của các nơ ron đầu vào. Nếu đã biết luật, ta sẽ có mối liên hệ nơ ron PROD là tổng của các khối. Việc tính toán được định nghĩa ở ngay khi khởi tạo. Khi tối ưu mạng, giá trị của từng khối có thể là 1 hoặc 0 (hay hợp lệ hoặc không hợp lệ). Như vậy, các lớp luật sau mỗi được tính toán sẽ được thêm vào mạng. Cuối cùng, các nơ ron tổng được liên kết với nơ ron ban đầu tạo thành lớp. Khối này xác định một giá trị cứng bằng việc xây dựng tích của mỗi vị trí MAX của nơ ron với giá trị tương ứng của nó và phân chia tổng này theo vị trí nơ ron. Đây chính là phương pháp singleton để xác định giá trị rõ ở đầu ra. Mạng có tham số sau để thay đổi các đặc trưng của nó:

• Giá trị trung bình của mỗi hàm liên thuộc (vi là giá trị cực đại của nó). - Chiều rộng của mỗi hàm liên thuộc. - Tính hợp lệ (giá trị) của mỗi luật. Nhìn chung, giá trị của mỗi luật không nhất thiết phải là 1 hoặc 0, chủ yếu chúng nằm giữa 2 giá trị này. Nếu bằng 0 ta coi luật đó bị mất, bình thường ta coi một luật bằng 1 hoặc bằng 0 với một mức độ nhất định.

3. Huấn luyện mạng Mờ noron Đối với mô hình mờ, mối quan hệ phi tuyến vào-ra phụ thuộc rất nhiều vào các phân vùng mờ của không gian vào-ra. Do đó việc chỉnh định hàm liên thuộc trong các mô hình mờ trở nên rất quan trọng. Trong mạng nơ ron mờ việc chỉnh định này có thể xem như là vấn đề tối ưu dùng giải thuật học để giải quyết. Đầu tiên ta giả định các hàm liên thuộc có một hình dạng nhất định. Sau đó ta thay đổi các thông số của hình dạng đó qua quá trình học bằng mạng nơ ron. Như vậy ta cần một tập dữ liệu ở dạng các cặp vào-ra mong muốn để cho mạng nơ ron học và cũng cần phái có một bảng các luật sơ khởi dựa trên các hàm phụ thuộc đó.