Анализ средств и целей [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 в качестве инструмента творчества, наиболее часто упоминаемый в инженерных книгах по методам проектирования. MEA также связан с подходом цепочки средств и целей, обычно используемым в анализе поведения потребителей. [2] Это также способ прояснить свои мысли, приступая к математическому доказательству .
Важным аспектом разумного поведения, изучаемым в области ИИ, является решение проблем , основанное на целях , — структура, в которой решение проблемы можно описать путем поиска последовательности действий , ведущих к желаемой цели. Предполагается, что целенаправленная система связана с внешней средой сенсорными каналами, по которым она получает информацию об окружающем, и двигательными каналами, по которым она воздействует на окружающую среду. (Термин «афферентный» используется для описания «внутренних» сенсорных потоков, а «эфферентный» используется для описания «наружных» двигательных команд.) Кроме того, система имеет некоторые средства хранения в памяти информации о состоянии среда (афферентная информация) и информация о действиях (эфферентная информация). Способность достижения целей зависит от построения ассоциаций, простых или сложных, между конкретными изменениями состояний и конкретными действиями, которые приведут к этим изменениям. Поиск — это процесс открытия и сборки последовательностей действий, которые приведут из заданного состояния в желаемое. Хотя эта стратегия может быть подходящей для машинного обучения и решения проблем, она не всегда рекомендуется для людей (например, теория когнитивной нагрузки и ее последствия).
Техника MEA — это стратегия управления поиском при решении проблем. Учитывая текущее состояние и целевое состояние, 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 была эффективной, система поиска целей должна иметь средства, позволяющие связать с любым типом обнаруживаемых различий те действия, которые имеют отношение к уменьшению этого различия. Он также должен иметь средства для обнаружения прогресса, которого он достигает (изменения различий 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, сначала выбирается наиболее важное различие, 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 проблем на фактических различиях между текущим состоянием и состоянием цели.
Техника MEA как стратегия решения проблем была впервые представлена в 1961 году Алленом Ньюэллом и Гербертом А. Саймоном в их компьютерной программе решения проблем General Issue Solver (GPS). [3] [4] В этой реализации соответствие между различиями и действиями, также называемое операторами , априори предоставляется как знание в системе. (В GPS эти знания были в виде таблицы связей .)
Когда действие и побочные эффекты применения оператора понятны [ необходимы разъяснения ] поиск может выбрать соответствующие операторы путем проверки операторов и обойтись без таблицы связей. Этот последний случай, каноническим примером которого является STRIPS , компьютерная программа автоматического планирования , позволяет независимо от задачи соотносить различия с операторами, которые их уменьшают.
Еще одна система, использующая MEA, — Prodigy, средство решения проблем, разработанное в рамках более крупного проекта автоматизированного планирования с помощью обучения, начатого в Университете Карнеги- Меллон Хайме Карбонеллом, Стивеном Минтоном и Крейгом Ноблоком.
Профессор Мортен Линд из Датского технического университета разработал инструмент под названием «Многоуровневое моделирование потоков» (MFM). Он выполняет диагностическое обоснование на основе средств и целей для систем промышленного контроля и автоматизации. [ нужна цитата ]