Анализ «средства-цели» [1] ( MEA ) — это метод решения проблем, обычно используемый в искусственном интеллекте (ИИ) для ограничения поиска в программах ИИ.
Это также метод, используемый по крайней мере с 1950-х годов как инструмент творчества, наиболее часто упоминаемый в инженерных книгах по методам проектирования. MEA также связан с подходом «средства-цели», который обычно используется в анализе поведения потребителей. [2] Это также способ прояснить свои мысли при начале математического доказательства .
Важным аспектом интеллектуального поведения, изучаемого в ИИ, является решение проблем на основе цели , структура, в которой решение проблемы может быть описано путем нахождения последовательности действий , которые ведут к желаемой цели. Предполагается, что система, ищущая цель, связана с внешней средой сенсорными каналами, через которые она получает информацию об окружающей среде, и моторными каналами, через которые она воздействует на окружающую среду. (Термин «афферентный» используется для описания «внутренних» сенсорных потоков, а «эфферентный» используется для описания «внешних» моторных команд.) Кроме того, система имеет некоторые средства хранения в памяти информации о состоянии окружающей среды (афферентная информация) и информации о действиях (эфферентная информация). Способность достигать целей зависит от создания ассоциаций, простых или сложных, между конкретными изменениями в состояниях и конкретными действиями, которые приведут к этим изменениям. Поиск — это процесс обнаружения и сборки последовательностей действий, которые приведут из заданного состояния в желаемое состояние. Хотя эта стратегия может быть подходящей для машинного обучения и решения проблем, она не всегда предлагается для людей (например, теория когнитивной нагрузки и ее последствия).
Метод MEA — это стратегия управления поиском при решении проблем. При наличии текущего состояния и целевого состояния выбирается действие, которое уменьшит разницу между ними. Действие выполняется над текущим состоянием для создания нового состояния, и процесс рекурсивно применяется к этому новому состоянию и целевому состоянию.
Обратите внимание, что для того, чтобы MEA был эффективным, система поиска цели должна иметь средства для связывания с любым типом обнаруживаемого различия тех действий, которые имеют отношение к уменьшению этого различия. Она также должна иметь средства для обнаружения прогресса, которого она достигает (изменений в различиях между фактическим и желаемым состоянием), поскольку некоторые предпринятые последовательности действий могут потерпеть неудачу, и, следовательно, могут быть опробованы некоторые альтернативные последовательности.
Когда доступны знания о важности различий, наиболее важное различие выбирается первым, чтобы еще больше улучшить среднюю производительность MEA по сравнению с другими стратегиями поиска методом перебора. Однако даже без упорядочивания различий по важности MEA превосходит другие эвристики поиска (опять же в среднем случае), фокусируя решение проблемы на фактических различиях между текущим состоянием и состоянием цели.
Метод MEA как стратегия решения проблем был впервые представлен в 1961 году Алленом Ньюэллом и Гербертом А. Саймоном в их компьютерной программе решения проблем General Problem Solver (GPS). [3] [4] В этой реализации соответствие между различиями и действиями, также называемыми операторами , предоставляется априори как знание в системе. (В GPS это знание было в форме таблицы связей .)
Когда действие и побочные эффекты применения оператора проницаемы [ необходимо разъяснение ], поиск может выбрать соответствующие операторы путем проверки операторов и обойтись без таблицы связей. Этот последний случай, каноническим примером которого является STRIPS , автоматизированная программа планирования , позволяет проводить независимую от задачи корреляцию различий с операторами, которые их уменьшают.
Еще одной системой, использующей MEA, является Prodigy — решатель проблем, разработанный в рамках более крупного проекта автоматизированного планирования с использованием обучения, начатого в Университете Карнеги — Меллона Хайме Карбонеллом, Стивеном Минтоном и Крейгом Ноблоком.
Профессор Мортен Линд из Технического университета Дании разработал инструмент под названием Multilevel Flow Modeling (MFM). Он выполняет диагностическое обоснование на основе средств и целей для промышленных систем управления и автоматизации. [ необходима цитата ]