基于MAS和BP神經網絡的專家系統研究

摘要:針對傳統專家系統推理能力弱和智能水平低等不足，該文打破思維定勢，利用MAS系統自治智能、分布協同的特性和BP神經網絡于知識獲取的長處，詳細闡述了基于MAS和BP神經網絡的專家系統的體系結構和基本原理。

關鍵詞:MAS;Agent;BP神經網絡;專家系統;人工智能

中圖分類號:TP183文獻標識碼:A文章編號:1009-3044(2009)14-3766-02

Research on Expert System Based on Mas and BP Neural Network

KOU Jing-lei

(Commanding Communications Academy， Wuhan 430010， China)

Abstract: The method of combining BP neural network and Multi-Agent to solve the problem of lack of knowledge during developing expert system is put forward. The expert system based on BP neural network gives some intelligences and inferences by computing， and the combination with object oriented technology，distributed computation and artificial intelligence in agent theory supports intelligent system to break through the architecture of traditional expert system .This paper also can be used for reference to the design of an intelligent expert system.

Key words: MAS; agent; BP neural network; expert system; atificial intelligence

1 引言

專家系統是人工智能研究中一個最活躍且最有成效的重要分支，已廣泛應用于醫療診斷、地理勘探、金融決策、實時監控、軍事運籌等多種領域中，產生了巨大的社會效益及經濟效益。隨著MAS和BP神經網絡的深入研究，專家系統必將與之結合并發揮出不可估量的作用。

2 專家系統簡介

專家系統將人類專家的知識和經驗以知識庫的形式存入計算機，并模仿人類專家解決問題的推理方式和思維過程，運用知識庫對現實中的問題作出判斷和決策。如圖1所示，專家系統的基本結構大致分為6個組成部分:人機接口、解釋器、知識獲取器、推理機、知識庫和綜合數據庫。專家系統有三個特點:1)啟發性，能運用專家的知識和經驗進行推理和判斷;2)透明性，能解決本身的推理過程，回答用戶提出的問題;3)靈活性，能不斷地增長知識，修改原有知識。

3 傳統專家系統存在的問題

傳統專家系統是基于知識的處理的系統，盡管與人類專家相比，專家系統具有很大的優越性。但是，隨著專家系統應用的日益廣泛及所處理問題的難度和復雜度的不斷擴大和提高，專家系統在某些方面己不能滿足是實際工作中的需求，具體體現在以下三個方面: 1) 知識獲取的“窄臺階”和“瓶頸”問題。目前的專家系統只能應用于相當窄的知識領域內求解預定的專門問題，一旦遇到超出知識范圍的問題，就無能為力，不能通過自身的學習增長知識;2) 缺乏聯想功能、推理能力弱。不支持多種推理策略，在時態推理、定性推理和非單調推理等方面依舊沒有新的突破，而這些正是人類思維中最常用的推理形式;3)體系結構的缺乏層次性。目前的專家系統大部分還是單一、獨立的專家系統，缺少多個系統的協作及綜合型的專家系統。

基于MAS和BP神經網絡的專家系統能在一定程度上改善這些不足之處。

4 對傳統專家系統的改進

4.1 BP神經網絡的引入

人工神經網絡(ArtificialNeuralNetwork，ANN)仿效生物體信息處理系統獲得柔性信息處理能力。它是從微觀上模擬人腦功能，是一種分布式的微觀數值模型，神經元網絡通過大量經驗樣本學習知識。更重要的是，神經網絡有極強的自學習能力，對于新的模式和樣本可以通過權值的改變進行學習、記憶和存儲，進而在以后的運行中能夠判斷這些新的模式。BP神經網絡即反向傳播網絡，網絡中的神經元分層排列，每一層內神經元的輸出均傳送到下一層，這種傳送由聯接權值來達到增強、減弱或抑制這些輸出的作用，除了輸入層的神經元外，隱含層和輸出層神經元的凈輸入是前一層神經元輸出的加權和。每個神經元均由它的輸入、激活函數和閾值來決定它的活化程度。

目前基于BP神經網絡的專家系統主要把神經網絡的學習機理應用在單個專家系統內部的推理和知識獲取模塊，我們要改變這種定勢思維，把神經網絡應用在多個專家系統組成的陣列網絡中，把若干個專家系統組成一個神經元。

4.2 MAS的引入

Agent具有自治性、社會性、反應性和能動性。多Agent系統的表現通過Agent的交互來實現，主要研究多個Agent為了聯合采取行動或求解問題，如何協調各自的知識、目標、策略和規劃。在表達實際系統時，多Agent系統通過各Agent間的通信、合作、協調、調度、管理及控制來表達系統的結構、功能及行為特性。基于MAS(Multi-Agent System)的專家系統利用Agent的這些特性模擬人類專家群處理問題的方式，將復雜問題加以分解，同時利用協作、談判、競爭、招投標及任務調度等機制，能夠較好地解決傳統專家系統無法解決的復雜智能問題。

在本文中，MAS的作用主要是在專家系統之間應用BP神經網絡的學習機制時，為其前向傳播和反向反饋提供通信、合作、協調等服務。

5 基于MAS和BP神經網絡的專家系統

5.1 體系結構

在本系統中構造若干個專家Agent， 每個專家Agent是一個完整的專家系統，除了具有傳統的專家系統的主要功能組成部分外，還具有Agent的特性。如圖2 所示，把這些專家Agent進行部分互連，在拓撲上成為MxN的專家系統陣列網絡。

5.2 工作流程

在本系統中所構造的n個專家Agent，每個專家Agent對某一具體領域的問題具有解決能力，若用戶提出的問題未超出領域范圍，則專家Agent獨立完成問題求解。有的問題僅靠一個專家難以解決，該專家Agent首先將輸入的任務力所能及的進行自身推理、求解，然后發布任務給與之互連其它專家Agent請求幫助，下一個專家Agent又有可能向與之相連的其它專家Agent請求幫助，這樣層次性傳遞，直至最后完成任務。每一層的輸出結果再通過神經網絡的學習機制層層傳遞回來，最終綜合結果輸出給用戶。

當用戶進行實踐后，再把經過實踐檢驗后的結果重新輸入專家系統Agent的知識獲取模塊，在利用BP神經網絡的反向反饋機制修改每一層的網絡權值，使下次運用專家系統求解時更加智能和科學。

5.3 學習機理

如圖4所示，以專家Agent2x2為例，專家Agent2x1、專家Agent2x3、專家Agent1x2和專家Agent3x2分別是與專家Agent2x2互連的專家系統，x1、x2、x3和x4分別代表與專家Agent2x2互連專家Agent的輸入，w1、w2、w3和w4分別代表其，表示輸入與神經元間的連接強度;b為神經元閾值，可以看作是一個網絡權值恒為1的專家Agent2x2的輸入。求和單元完成對輸入信號的加權求和，即

這是專家Agent2x2綜合與之互連的其他專家Agent結果后的輸出。

6 結束語

隨著人工智能技術的發展，把MAS和BP神經網絡應用到專家系統中，通過并行計算、協作求解所表現出的復雜智能行為較好地體現了人類專家群的問題求解過程，這必將成為未來專家系統發展的主流。筆者探討了MAS和BP神經網絡與專家系統的有機結合，為解決此問題提供了新的思路。事實上MAS和BP神經網絡的應用領域和應用范圍非常大，應用效率的提升空間也非常高，這些都有待于計算機工作者的開發和拓展。

參考文獻:

[1] 蔡自興，約翰·德爾金，龔濤.高級專家系統:原理、設計及應用[M].北京:科學出版社，2005.

[2] 劉慧敏，王歡，王萬森.基于Agent技術的專家系統平臺的設計與實現[J].計算機應用研究，2004(6):187-192.

[3] 王正群，陳世福，陳兆乾.并行學習神經網絡集成方法[J].計算機學報，2005，28(3):402-408.

[4] 田景文，高美娟.人工神經網絡算法研究及應用[M].北京:北京理工大學出版社，2006.

[5] 曹承志.智能技術[M].北京:清華大學出版社，2004.