BESPLATNI GOTOVI SEMINARSKI, DIPLOMSKI I MATURSKI RAD.

RADOVI IZ SVIH OBLASTI, POWERPOINT PREZENTACIJE I DRUGI EDUKATIVNI

MATERIJALI.

WWW.SEMINARSKI-RAD.COM
WWW.DIPLOMSKI-RAD.COM
WWW.MATURSKI-RAD.COM
NA NAIM SAJTOVIMA MOETE PRONACI SVE BILO DA JE TO SEMINARSKI,
DIPLOMSKI ILI MATURSKI RAD, POWERPOINT PREZENTACIJA I DRUGI
EDUKATIVNI MATERIJAL. ZA RAZLIKU OD OSTALIH MI VAM PRUAMO DA
POGLEDATE SVAKI RAD NJEGOV SADRAJ I PRVE TRI STRANE TAKO DA
MOETE TACNO DA ODABERETE ONO STO VAM U POTPUNOSTI ODGOVARA. U
NAOJ BAZI SE NALAZE GOTOVI SEMINARSKI, DIPLOMSKI I MATURSKI RADOVI
KOJE MOETE SKINUTI I UZ NJIHOVU POMOC NAPRAVITI JEDINISTVEN I
UNIKATAN RAD. AKO U BAZI NE NADJETE RAD KOJI VAM JE POTREBAN, U
SVAKOM MOMENTU MOZETE NARUCITI DA SE IZRADI NOVI UNIKATAN
SEMINARSKI ILI NEKI DRUGI RAD NA LINKU NOVI RADOVI. SVA PITANJA I
ODGOVORE MOETE DOBITI NA NAEM FORUMU. ZA BILO KOJI VID SARADNJE

ILI REKLAMIRANJA MOZETE NAS KONTAKTIRATI NA OFFICE@SEMINARSKIRAD.COM

I SADRAJ
I - SADRAJ...................................................................................................................2
II UVOD.......................................................................................................................3
III HISTORIJSKI RAZVOJ VJETAKE INTELIGENCIJE....................................4
IV EKSPERTNI SISTEMI............................................................................................7
4.1 Inteligentne maine.....................................................................................................7
4.2 Ekspertni sistemi pojam...........................................................................................7
4.3 Struktura i osobine ekspertnih sistema........................................................................8
4.4 Programiranje naspram inenjerstva znanja........................................................... ....9
4.5 Ljudi ukljueni u ES razvoj.......................................................................................10
V - OSNOVNI KONCEPTI VETAKE INTELIGENCIJE.........................................13
5.1 Podruja vjetake inteligencije............................................................................ ...14
5.2 Simulacija............................................................................................................ . .14
5.3 Simulacioni proces.................................................................................................... .16
5.4 Vrste simulacionih modela..................................................................................... . .18
5.5 Monte Karlo simulacija..............................................................................................19
5.6 Deterministiki problemi koje je teko ili skupo rjeavati.........................................19
5.7 Sloeni fenomeni koji nisu dovoljno poznati ............................................................19
5.8 Statistiki problemi koji nemaju analitika rjeenja...................................................19
5.9 Kontinualna simulacija...............................................................................................19
5.10 Modeli koji se opisuju obinim
diferencijalnim jednainama (sistemi obinih diferencijalnih jednaina)........................20
5.11 Modeli koji se opisuju sistemima parcijalnih diferencijalnih jednaina..................20
5.12 Modeli dinamike sistema (System Dinamics)..........................................................21
VI ZAKLJUAK.............................................................................................................23
VII LITERATURA...........................................................................................................24

II - UVOD
Vjetaka inteligencija (eng. artificial intelligence) se definie na razliite naine. U literaturi su
najee slijedee tri definicije:
1. Vjetaka inteligencija je nauna oblast u kojoj se izuavaju hardversko softverska
rjeenja koja treba da omogue sposobnosti i ponaanja slina ljudskom (percepcija,
reagovanje, ponaanje, rezonovanje, zakljuivanje i injenje).
2. Vjetaka inteligecija je nauna oblast u kojoj se izuavaju izraunavanja da bi se
izraunavanjem omoguila percepcija, rezonovanje i injenje.
3. Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari
koji bi uspjeno radili stvari koje u ovom momentu bolje rade ljudi.
Termin vjetaka inteligencija - VI (artificial inteligence - AI) potie od Johna McCartyja i
oznaava pojavu inteligencije koja je ostvarena na vjetaki nain, tj. putem programiranja
raunara. Meutim, mnogi autori i strunjaci iz ove oblasti se ne slau s tim da termin vjetaka
inteligencija u potpunosti i najbolje opisuje ovu oblast nauke jer mnoge oblasti informatike u
osnovi imaju inteligentno ponaanje, ali ne spadaju u oblast vjetake inteligencije tj. ne
pripadaju toj oblasti u uem smislu.
Raunarska simulacija je proces rjeavanja problema koji se tie predvianja i odreivanja
buduih stanja realnog sistema na osnovu prouavanja raunarskog modela tog sistema (Widman
i Loparo, 1989). Drugim Rijeima, raunarska simulacija se zasniva na ideji eksperimentiranja sa
modelom realnog sistema na raunaru, tokom vremena. Simulacioni eksperimenti najee se
izvode sa ciljem da se prikupe odreene informacije, ije bi dobijanje putem eksperimenta nad
samim realnim sistemom bilo nepraktino ili suvie skupo. Te informacije kasnije se
transformiu u odluke znaajne za upravljanje realnim sistemom koji je predmet simulacionog
modeliranja. Cilj simulacije jeste taj da prouimo ponaanje sistema koji simuliramo, ali i da
ustanovimo kako bi se isti sistem ponaao kada bi na njega djelovao neki drugi skup
promjenjivih okolnosti (ulaznih veliina i parametara). Za razliku od analitikih modela koji
sveukupno ponaanje sistema tretiraju direktno, simulacioni modeli prikupljaju podatke o
promjenama stanja sistema i izlaza, fokusirajui se na ponaanje individualnih komponenti
sistema (Schmidt, 1984).1

III - HISTORIJSKI RAZVOJ VJETAKE INTELIGENCIJE

1

http://bs.wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija

Pojam vjetaka inteligencija (VI), nastaje ljeta 1956. godine u Dartmudu, Hanover (SAD), na
skupu istraivaa zainteresovanih za teme inteligencije, neuronskih mrea i teorije automata.
Skup je organizovao Don Mekarti, ujedno sa C. anonom, M. Minskijem i N. Roesterom. Na
skupu su takoe uestvovali T. More (Prinston), A. Samuel (IBM), R. Solomonof i O. Selfrid
(MIT), kao i A. Nevil, H. Simon (Carnegie Tech, danas Carnegie Mellon University). Na skupu
su stvorene osnove koncepta i trasiran je put za dalji razvoj vjetake inteligencije.
Ranije, 1950. godine, Alan Tjuring je objavio jedan lanak u reviji Majnd (Mind), pod naslovom
Raunari i inteligencija, u kojem govori o konceptu vjetake inteligencije i postavlja osnove
jedne vrste probe, preko koje bi se utvrivalo, da li se odreeni komputacioni sistem (raunarski
sistem), ponaa u skladu sa onim to se podrazumjeva pod vjetakom inteligencijom, ili ne.
Kasnije e ta vrsta probe dobiti ime, Tjuringov test.
Skup je posljedica prvih radova u oblasti. Nevil i Simon su na njemu predstavili svoj program za
automatsko rezonovanje, Logic Theorist (koji je napravio senzaciju). Danas se smatra, da su
koncept vjetake inteligencije postavili V. Mekulok i M. Pits, 1943. godine, djelom u kojem se
predstavlja model vjetakih neurona na bazi tri izvora: spoznaja o fiziologiji i funkcionisanju
modanih neurona, iskazna logika Rasela i Vajteheda, i Tjuringova komputaciona teorija.
Nekoliko godina kasnije stvoren je prvi neuralni raunar SNARC. Zasluni za poduhvat su
studenti Prinstona, M. Minski i D. Edmons, 1951. godine. Negdje iz iste epohe su i prvi programi
za ah, iji su autori anon i Tjuring.
Iako se ova istraivanja smatraju kao zaetak vjetake inteligencije, postoje mnoga druga koji
su bitno uticala na razvoj ove oblasti. Neka potiu iz oblasti kao to su filozofija (prvi pokuaji
formalizacije rezonovanja su silogizmi grkog filozofa Aristotela), matematika (teorija
odluivanja i teorija probabiliteta se primjenjuju u mnogim dananjim sistemima), ili psihologija
(koja je zajedno sa vjetakom inteligencijom formirala oblast kognitivne nauke).
U godinama koje slijede skup u Dartmudu, postiu se znaajni napreci. Konstruiu se programi
koji rijeavaju razliite probleme. Na primjer, studenti Minskog e krajem ezdesetih godina
implementirati program Analogy, koji je rijeavao geometrijske probleme, sline onima koji se
javljaju u testovima inteligencije, i program Student, koji rijeava algebarske probleme napisane
na engleskom jeziku. Nevil i Simon e razviti General Problem Solver (GPS), koji pokuava
imitirati ljudsko rezonovanje. Samuel je napisao programe za igru slinu dami (checkers), koji su
bili osposobljeni za uenje te igre. Mekarti, koji je u meuvremenu otiao na MIT, implementira
programski jezik Lisp, 1958. godine. Iste godine je napisao lanak, Programs with Common
Sense, gdje opisuje jedan hipotetiki program koji se smatra prvim kompletnim sistemom
vjetake inteligencije.2
Ova serija uspjeha se lomi sredinom ezdesetih godina i previe optimistika predvianja, ranijih
godina, se frustriraju. Do tada implemetirani sistemi su funkcionisali u ogranienim domenima,
poznatim kao mikrosvijetovi (microworlds). Transformacija koja bi omoguila njihovu primjenu
u stvarnim okruenjima nije bila tako lako izvodljiva, uprkos oekivanjima mnogih istraivaa.
Po Raselu i Norivig-u, postoje tri fundamentalna faktora koji su to onemoguili:
2

http://bs.wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija

1. Mnogi dizajnirani sistemi nisu posjedovali saznanje o okruenju primjene, ili je

implementirano saznanje bilo vrlo niskog nivoa i sastojalo se od nekih jednostavnih
sintaktikih manipulacija.
2. Mnogi problemi koje su pokuavali rijeiti su bili u sutini nerjeivi, bolje reeneo, dok je
koliina saznanja bila mala i ograniena rjeenje je bilo mogue, ali kada bi dolo do
porasta obima saznanja, problemi postaju nerjeivi.
3. Neke od osnovnih struktura koje su se koristile za stvaranje odreenog inteligentnog
ponaanja su bile veoma ograniene.
Do tog momenta rjeavanje problema je bilo bazirano na jednom mehanizmu opte pretrage
preko kojeg se pokuavaju povezati, korak po korak, elementarne osnove razmiljanja da bi se
dolo do konanog rjeenja. Naravno takav pristup podrazumjeva i velike izdatke, te da bi se
smanjili, razvijaju se prvi algoritmi za potrebe kontrolosinja trokova istraivanja. Na primjer,
Edsher Dajkstra 1959. godine dizajnira jedan metod za stabilizaciju izdataka, Nevil i Ernst, 1965.
godine razvijaju koncept heuristike pretrage i Hart, Nilson i Rafael, algoritam A. U isto vrijeme,
u vezi programa za igre, definie se pretraga alfa-beta. Tvorac ideje je inae bio Mekarti, 1956.
godine, a kasnije ju je koristio Nevil, 1958. godine.
Vanost shvatanja saznanja u kontekstu domena i primjene, kao i grae strukture, kojoj bi bilo
lako pristupati, dovela je do detaljnijih studija metoda predstavljanja saznanja. Izmeu ostalih,
definisale su se semantike mree (definisane poetkom ezdesetih godina, od strane Kilijana) i
okruenja (koje je definisao Minski 1975. godine). U istom periodu poinju da se koriste
odreene vrste logike za predstavljanje saznanja.
Paralelno s tim, tokom istih godina, nastavljaju se istraivanja za stvaranje sistema za igru
checkers, za koji je zasluan Samuel, orijentisan na implementaciju neke vrste metode uenja.
E.B. Hunt, J. Martin i P.T. Stone, 1969. godine konstruiu hijerarhijsku strukturu odluka (radi
klasifikacije), koju je ve idejno postavio anon, 1949. godine. Kilijan, 1979., predstavlja metod
ID3 koji treba da poslui kao osnova za konstrukciju takve strukture. S druge strane, P. Vinston,
1979. godine, razvija vlastiti program za uenje deskripcija sloenih objekata, i T. Miel, 1977.,
razvija tzv., prostor verzija. Kasnije, sredinom osamdesetih, ponovna primjena metode uenja na
neuralne mree tzv., backpropagation, dovodi do ponovnog oivljavanja ove oblasti.
Konstrukcija aplikacija za stvarna okruenja, dovela je do potrebe razmatranja aspekata kao to
su neizvjesnost, ili nepreciznost (koji se takoe javljaju prilikom rjeavanja problema u igrama).
Primjenjivali su se probabilistike metode (teorija probabiliteta, ili probabilistike mree) i
razvijali drugi formalizmi kao difuzni skupovi (definisani od L. Zadeha 1965. godine), ili
Dempster-aferova teorija (tvorac teorije je A. Dempster, 1968., sa znaajnim doprinosom G.
afera 1976. godine).
Na osnovu ovih istraivanja, poev od osamdesetih godina, konstruiu se prvi komercijalni
sistemi vjetake inteligencije, uglavnom tzv., ekspertni sistemi.

Slika 1. Hondin
inteligentni
humanoidni robot
Danas,
osnovni
problemi
koji
se
javljaju
u
istraivanjima
vjetake inteligencije,
vezani su za nastojanja
konstruisanja kooperativnih sistema na bazi agenata, ukljuujui sisteme za upravljanje
podacima, utvrivanje redosljeda procesovanja podataka i pokuaja imitacije ljudskog jezika,
izmeu ostalih.

IV- EKSPERTNI SISTEMI

4.1 Inteligentne maine
Odavno postoji elja (,,sveti gral") da se napravi maina koja bi bila sposobna da obavlja posao
koji zahteva intelektualne sposobnosti vjeka, npr. da igra ah (Charles Babbage, 1834.
konstruie mehaniku ,,analitiku mainu" koja rauna i tampa neke matematike proraune,
imao je nameru da napravi i mainu za igranje aha). Tek napretkom informatike tehnologije od
sredine 20. vijeka taj san postaje ostvariv. Nekoliko istraivaa na Dartmut koledu 1956. g.
(Dartmouth College, USA) uestvuje u konferenciji koji organizuje McCarthy na temu VI (koji
je prvi predloio upravo taj naziv

za tu oblast, a poznat je i kao otac LISP-a). Pored pregleda postojeih dostignua u oblasti
automatskih dokazivaa teorema i programskih jezika, raspravlja se i o mogunosti razvoja
raunara koji bi bio u stanju da simulira ljudsko razmiljanje. Ovo okupljanje istraivaa
oznaava roenje vjestake inteligencije kao oblasti raunarstva.
4.2 Ekspertni sistemi - pojam
Sistemi bazirani na znanju (knowledge-based systems) ili ekspertni sistemi stavljaju naglasak na
znanje (bazu znanja) pre nego na nain pretraivanja i zakljuivanja. Uoptene metode
zakljuivanja i sistemi ija oblast nije dovoljno specifirana se pokazuju nedovoljno sposobnim za
mnoge realne probleme (i njihovo speavanje u realnom vremenu). Ekspert je osoba koja
izuzetno dobro poznaje neku oblast ljudskog znanja kao i naine reavanja problema vezanih za
tu oblast.
Dvije stvari se prije svega modeliraju u ekspertnom sistemu (ES): znanje eksperta i njegovo
zakljuivanje. Zato se ES sastoji iz baze znanja i maine za-kljuivanja (inference engine).
Znanje koje nam ekspert prua moe se pred-stavljati injenicama, pravilima, konceptima ili
relacijama. Nain i problem njegovog predstavljanja jeste reprezentovanje znanja, dok nain i
problem zakljuivanja na osnovu baze znanja i zadatih upita je pitanje tehnika zakljuivanja.
Ekspert je esto veoma neophodna osoba u mnogim organizacijama, i postavlja se onda pitanje
zato ga zamenjivati mainom ? Prije svega, donekle slino zamjeni nekih ljudi i njihovih
poslova mainom tokom industrijske revolucije, ekspertni sistem moe biti koristan kao pomo
kada ovjek nije raspoloiv ili prosto kao alat koji olakava posao i omoguava automatizaciju
nekih postu- paka, radi sa veim stepenom formalizma koji iskljuuje mogunost greke ili
slabosti zbog ljudskog faktora i sl. Postoji i jedna dodatna prednost znanjem kao optim
dobrom ili kapitalom neke organizacije se lake upravlja, lake se prenosi i primenjuje jer ne
zavisi u toj meri od pojedinca-eksperta ako se koristi ekspertni sistem. Gotovo da nema oblasti
ljudskih delatnosti gde nije napravljen neki ES i uspeno primenjivan i njihov broj geometrijski
raste.

EKSPERT / EKSPERTNI SISTEM

4.3 Struktura i osobine

Osnovni sastavni dijelovi svakog ES , bez obzira na veliinu , sloenost , nain koritenja i
podruje primjene su : baza znanja (knowledge base), mehanizam zakljuivanja (inference
engine) i radna memorija (working memory) (Hayes-Roth, Waterman and Lenat, 1983). U veini
sluajeva , ES imaju i interfejs prema korisniku (user interface). Kod ES konzultativnog tipa , on
je obavezan sastavni dio , kao i prethodna tri . Ovako definirana struktura ES prikazana je na Sl.
2

Dugotrajno pamenje / Baza

podataka
Znanje o oblasti (domenu ) ekspertize

Zakljuivanje / Maina
(mehanizam ) zakljuivanje

Savjet / Korisnik
injenice o problemu i
zakljuci

Kratkotrajno pamenje / Radna

memorija
Problem, privremeno izvedeni zakljuci,
injenice i pitanja

Slika 2. Na dijagramu iznad je prikazan odnos i poreenje modela rada jednog ljudskog eksperta i strukture ekspertnog sistema
Osnovna struktura ekspertnog sistema se tako sastoji iz osnovnih komponenti: baze znanja, radne
memorije (koja se menja tokom sesije u radu sa ES dobijenim novim injenicama i zakljucima)
i maine zakljuivanja (procesor koji povezuje injenice iz baze znanja sa dobijenim zakljucima
i injenicama iz radne memorije i izvlai nove zakljuke o problemu). Pored ovih osnovnih
komponenti postoje do-datno i neke osnovne osobine ekspertnih sistema:
-objanjenja (kako, zato) - u svakom trenutku u toku sesije sa ES moe se dobiti objanjenje
kako je doao do nekog zakljuka ili pitanja (ugraeno u sve komponente)
- interfejs (prema korisniku) - esto se trai komunikacija prirodnim jezikom kroz interaktivni
dijalog s korisnikom (mada mogu biti zastupljeni i multimedijalni i drugi sadraji i vidovi
komunikacije to zavisi od prirode same oblasti i namjene ES) -razdvojeno znanje od kontrole veoma vana karakteristika ES nasuprot klasinim proceduralnim programima gde se
upravljaka kontrola u programu mijea sa raspoloivim znanjem (kontrola tj. Zakljuivanje kod
ES se moe mijenjati nezavisno od baze znanja)
- poseduje ekspertsku bazu - baza znanja koja potie prije svega od ljudksih eksperata, gde se
pod ekspertizom podrazumeva sposobnost efikasnog rejeavanja problema u nekoj oblasti.
-naglasak na ekspertizi - svako irenje oblasti znanja obavezno nosi rizik da ES postane
neefikasan i nepotrebno sloen (bilo je pokuaja ogranienog uspjeha, PS ili Ham 1984.) - uvek
je lahko se rjeavati prob-lem kroz potprobleme odnosno probleme u podoblastima
- koristi simbole (injenice, koncepte, pravila) predstavljanje znanja u razliitim strukturama
(od deklarativnih oblika kao to je prirodni jezik do potpuno proceduralnih) ini ES
obraivaima znanja. Nasuprot konvencionalnim proceduralnim programima kao procesorima
podataka

-zakljuianje heuristikama - da bi mogao da efikasno zakljuuje mora da vodi rauna o najboljem

nainu rjeavanju problema ne samo kroz algoritme pretraivanja s heuristikama, nekakvim
poznatim preicam
- esto se koristi neegzaktno zakljuivanje - zakljuivanje sa verovatnoom, mogunostima ili
uvjerenjima
-ogranienje na probleme koji su rjeivi ekspertnim sistemom -ne treba oekivati nemogue ...
-borba sa kompleksnou - rjeavanje veoma jednostavninh problema ES se jo i moe opravdati,
ali ako je problem previe kompleksan nemoe se opravdati predugako vrieme potrebno za
njegovo reavanje
-moe napraviti greku - kao i pravi (ljudski) ekspert
4.4 Programiranje naspram inenjerstva znanja
Konvencionalno programiranje ima dobro poznate i prouene metode razvoja i odvija se
sekvencijalno (iterativno), grubo reeno u tri faze redom (ivotni ciklus): projektovanje,
kodiranje i provera / otklanjanje gresaka (de-bug). Konvencionalni program je zavren tek
nakon prolaska kroz sve tri faze do poslednje. Inenjerstvo znanja u odnosu na konvencionalno
programi-ranje nema jo uvijek tako dobro ustanovljene metodologije razvoja. Ovde nije
naglasak na obradi podataka (algoritmom, programom) ve na oblikovanju (baze) znanja deklarativno-proceduralna kontroverza: kontrolna struktura ES kod kojih je naglasak na
deklarativnom znanju je potpuno odvojena od podataka za razliku od proceduralnih programa,
paradigma deklarativnih jezika naspram proceduralnih, i sl.. Grubo reeno, faze razvoja su:
Faza procene: Tokom ove faze se identifkuju vani problemi, izvodivost njihovog rejenja u
odnosu na ciljeve, i drugi vani inioci projekta kao to su ciljevi, oblast i potrebni resursi podaci i ljudi (eksperti). Tako se formiraju osnovni zahtevi projekta. Faza prikupljanja znanja:
Znanje se obino preuzima od eksperta, organizuje i prouava kako radi boljeg uvida u problem,
tako i zbog potreba daljeg razvoja. Moe biti usko grlo projekta i zato se smatra vanom fazom.
Faza projektovanja: Defniu se ukupna struktura i organizacija znanja sistema, metodi obrade
znanja - bira se (npr.) alat kojim se znanje predstavlja i obrauje (nain zakljuivanja u
upravljanja znanjem) tako da bude to sliniji ljudskom ekspertu.
Faza testiranja: Ova faza se esto odvija zapravo tokom svih prethodnih faza, i nakon nje se po
potrebi iterativno vraa na neku od prethodnih.
Faza dokumentacije: Specinost u odnosu na konvencionalnu dokumentaciju je rienik znanja daje inenjeru uvid u organizovano predstavljeno znanje i procedure rjeavanja sistema.
Faza odravanja: ES je po pravilu sistem koji ivi jer se baza znanja mijenja vremenom.
4.5 Ljudi ukljueni u ES razvoj
Projekat ES obavezno ukljuuje:
-Domenskog eksperta (Domain Expert)
- poseduje ekspertsko znanje, ima sposobnosti za ekasno resavanje
problema
-moe da prenese (objasni) znanje, komunikacione sposobnosti
- raspoloivost - ima vremena koje moe da posveti razvoju ES
-nije neprijateljski raspoloen (prema razvoju ES)
- Inenjera znanja

10

-poznaje inenjerstvo znanja

-ima dobre komunikacione sposobnosti
-moe da problem pretvori u softver
- ima programerske sposobnosti za ES
- krajnjeg korisnika
-u stanju je da pomogne u specificiranju korisnikog interfejsa
- moe da pomogne u sakupljanju znanja
- moe da pomogne u razvoju sistema
Ekspert u odnosu na ne-eksperta poseduje znanje (to je njegova ,,apsolutna
vrijednost"). Svaki od ovih uesnika poseduje odreene praktine osobine i
znanja potrebne da se projekat uspjeno zavri.
3

V - OSNOVNI KONCEPTI VETAKE INTELIGENCIJE

U dosadanjem razvoju ove discipline , pojam vjetaka inteligencija izazivao je mnoge rasprave
meu naunicima , istraivaima, raunarskim strunjacima ali i meu futuristima koji su se
bavili njenim prouavanjem. Neki posmatrai tvrdili su ak da stvar kao to je vjetaka
intelegencija i ne postoji . Ukoliko je neto vjetako , govorili bi, tada nije inteligentno. Drugi
su osporavali ovakva stanovita i pokuavali su da daju blia odreenja pojma vjetaka
intelegencija . U Artificial Intelligence and Expert Systems Sourcebook (Hunt, 1986) vjetaka
intelegencija se tretira kao "oblast koja se bavi iznalaenjem raunarskih programa koji treba da
uine raunare pametnijim ". Stoga se "istraivanje u vjetakoj inteligenciji fokusira na razvoj
raunarskih pristupa inteligentnom ponaanju ", pri emu su naglaena dva cilja : "da se maine
uine korisnijim i da se shvati inteligencija." Ovakva polemika razmiljanja dovela su do
situacije da je precizno razgraniavanje ovog pojma veoma teko . ak ni poznati trotomni
prirunik iz vjetaka intelegencija (Barr, Feigenbaum and Cohen, 1981, 1982) ne izdvaja i ne
obrauje posebno ovaj pojam . Stoga , moramo se zadovoljiti empirijskim definisanjem, odnosno

John Durkin: Expert Systems - Design and Development ,

http://users.hemo.net/shoom/es.pdf
3

11

pronalaenjem zajednikog u sistemima (programima ) koji spadaju u domen vjetaka

intelegencija (Widman i Loparo, 1989):
1. Simboliko umjesto numerikog izraunavanja .
Osnovna karakteristika po kojoj se pravi razlika izmeu metoda vjetaka intelegencija i
numerikih metoda jeste da je bazina jedinica izraunavanja u vjetaka intelegencija simbol, a
ne broj. Naravno, sama ova injenica nije dovoljna da bi se razlikovali programi vjetaka
intelegencija. Druge klase programa kao to su prevodioci ili sistemi za pretraivanja baza
podataka, takoer obrauju simbole , ali se tretiraju kao vjetaka intelegencija programi. S
druge strane, neuronske mree, za koje se najee smatra da su dio vjetaka intelegencija,
zavise od striktnih numerikih izraunavanja pri prikupljanju i koritenju znanja .
2. Nealgoritamski pristup rjeavanju problema .
Druga karakteristika vjetaka intelegencija programa je ta da se struktura programa ne izraava
eksplicitno algoritmom - sekvencom koraka koje program izvrava pri rjeavanju odreenog
problema . Klasini. programi uobiajeno slede dobro definirane algoritme koji tano
specificiraju kako se na osnovu ulaznih varijabli mogu dobiti izlazne veliine (proceduralno
programiranje). Kod programa vjetaka intelegencija , niz koraka koje program prati i izvrava
zavisi od konkretnog problema koji se rjeava ; program odreuje kako odabrati sekvencu koraka
koji vode ka reenju problema (deklarativno programiranje ). Na najniem nivou posmatranja ,
naravno , i vjetaka intelegencija programi se mogu tretirati kao proceduralni poto se
bezuslovno prevode i izvravaju kao binarni kod . Iz ove perspektive , moe se polemisati o tome
da deklarativna priroda programa iz oblasti vjetaka intelegencija lei u nivou koji korisnik
odabere za posmatranje prilikom implementacije programa. Meutim, ovdje emo smatrati da su
VI programi oni koji se implementiraju koritenjem tehnika za rjeavanje problema , za koje se
generalno smatra da su deklarativne .

3. Zakljuivanje zasnovano na znanju

Trea karakteristika vjetaka intelegencija programa je ta da oni ukljuuju injenice i relacije o
dijelu realnog sveta ili "domena znanja " u kome funkcioniu . Za razliku od klasinih programa
za posebne namjene, kao to je na primjer program za knjigovodstvo, vjetaka intelegencija
programi mogu da prave razliku izmeu rezonovanja (mehanizma zakljuivanja ) i postojeeg
znanja (baza znanja). Kako je baza znanja eksplicitna i izdvojena od mehanizma zakljuivanja,
program moe da "razmilja " o svom sopstvenom znanju kao o ulaznim podacima .
4. Primjenljivost kod loe strukturiranih problema i podataka .
etvrta karakteristika vjetaka intelegencija programa odnosi se na njihovu efikasnost u radu sa
loe strukturiranim problemima. Kod takvih problema, klasini programi su uglavnom
neprimjenljivi Problem se tretira kao loe strukturiran ukoliko se algoritam za njegovo
rjeavanje ne moe izraziti eksplicitno ili ukoliko su neophodni podaci nekompletni, odnosno
neprecizno specificirani . U Tab. 1. sumirane su osnovne razlike izmeu pristupa vjetake
inteligencije i konvencionalnog 1986).
Tabela1. Razlike vjetake intelegencije i konvencionalnog programiranja
Vjetaka inteligencija
Konvencionalno programiranje
Preteno simbolika obrada
Preteno numerika obrada
12

Heuristiko pretraivanje
Upravljake strukture najee izdvojene od
znanja
Jednostavno modificiranje auriranje i
proirivanje
Toleriu se pogreni odgovori

Algoritmi
Informacije i upravljanje integrirani zajedno
Teko modificiranje
Neophodni su tani odgovori

est fundamentalnih zadataka vjetake inteligencije je (unutranji krug):

-Predstavljanje tj. prikazivanje znanja,
-Strategija istraivanja,
-Heuristika tj. pronalaenje metoda i postupaka,
-Dedukcija,
-Strategija rezonovanja i
-Planiranje.
-Predstavljanje tj. prikazivanje znanja (Knowledge Representation) je jedan
od osnovnih zadataka u okviru VI.
Najpopularnije tehnike u predstavljanju znanja su:
(1) strukture/sklopovi (frames),
(2) mrea znaenja (semantic networks) i
(3) produkciona pravila (production rules).
(1) Koncept struktura/sklopova (frames) polazi od pokuaja da se organizuju osobine
posmatranih objekata ili dogadjaja. Koriste se elementi koji su uobiajeno predstavljeni u opisu
objekta ili dogadjaja. Ovi elementi se dalje grupiu zajedno, tako da im pristup i potvrda budu
jedinstveni. Predstavljanje znanja strukturom/sklopovima koristi mreu vorita povezanih
odnosima i organizacijom u okviru hijerarhije. Zakon vorita automatski utie na osobine vieg
nivoa vorita.
(2) Mrea znaenja se bazira na pojmu 'asocoativnog pamenje'. Osnovne
funkcionalne jedinice mree znaenja su dve take vorita povezane stelicom.
Svako vorite predstavlja neki koncept a strelica odnos izmedju vorita.
(3) Produkciona pravila su najpopularniji nain predstavljanja znanja. U
osnovi imaju jednostavnu tvrdnju oblika:
AKO /IF uslon ONDA /THEN akcija
Ekspertni sistem

Predstavljanje
znanja

13

Rjeavanje
proglema

Rezonovanje

Heuristiko
pretraivanje

Planiranje Kompjuterski senzori

Dedukcija

Prirodni jezici

Slika3. Shematski prikaz Vetake inteligencije (VI) Model

peata/krugova
1.Dio akcije u ovom pravilu moe npr. biti postavljanje pitanja korisniku,ukljuivanje neke
standardne programske procedure, ili jednostavno interakcija sa nekim fizikim/ stvarnim
uredjajem koji se npr. ukljuuje ili iskljuuje.
2.Strategija istraivanja. (Search Strategy) Kad se postavi problem, mora se donijeti odluka kako
stii do konanog reenja. Svaki put kada se donese odluka, problemska situacije se mijenja,
otvarajui nove mogunosti za sledea odluivanja. Popularna metode predstavljanja naina tj.
puta ili marute rjeavanja problema u VI je postupak grananja. Startujui sa inicijalnim /
poetnim stanjem, nova odluka e uzrokovati grananje do sledeeg nivoa na drvetu, a ovo e se
grananje nastavljati do konanog cilja tj. rjeenje problema.
3.Heuristika (Heuristic), tj. pronalaenje metoda i postupaka, je tehnika koja nije formalno
znanje; ona pomae u pronalaenju rjeenje naeg problema. Heuristika moe biti strategija,
pravilo brzog prelistavanja, uproenje ili bilo koja vrsta odluke koja drastino limitira
istraivanja, tj. suava iroke oblasti problema. Kod AI heuristika se esto poklapa sa strategijom
istraivanja.
4.Dedukcija (Deduction) je najpoznatiji nain zakljuivanja. Karakterizacija dedukcije se moe
uiniti na standardni nain (npr. koristei sistem zvan predicate callculus)
5. Strategija rezonovanja (Reasoning Strategy) je sledei osnovni element vjetake inteligencije.
U sistemu predstavljanja znanja, na primer, kada se koristi produkciono pravilo, strategija
rezonovanja je zaduena za odabir onog pravila koje e usloviti tj. izvesti sledee pravilo. Ovoj
oblasti pripada i logika; vrlo snaan metod rezonovanja i dedukcije.
6.Planiranje (Planning) je uskladjivanje akcija u prostoru i vremenu, akoje ine dostizanje cilja
moguim.

14

5.1 Podruja vjetake inteligencije

Spoljanji krug vjetake inteligencije obuhvata:
(I) Reavanje problema,
(II) Procesiranje (prirodnog) jezika,
(III) Kompjutersko opaanje
(IV)Ekspertni sistemi.

Slika 4. Podruja vjetake inteligencije

(I) Sutina reavanje problema (Problem Solving) je formiranje sistema koji iz sveoptih
alternativa i mogunosti bira reenje koje je valjano i selektivno.Valjano reenje zavisi od
pravovremenog korienja znanja da identifikuje potencijalne odluke koje su obeavajue tj. da
odbaci one koje ne obeavaju. U konkretnom sluaju, reavanje problema se istovremeno koristi
u planiranje, kao i u istraivanje/ispitivanje oblasti privremenih situacija.
(II) Procesiranje (prirodnog) jezika. (Natural Language Processing) Kod pokuaja ugradnje
znanja od strane experta u AI, pojavljuje se nekoliko tekoa koje se moraju prevazii. Naime,
postoji razlika izmedju organizacije znanja kojom manipulie expert, i naina organozovanja
znanja u okviru nekog softvera. Da bi se ovaj problem prevaziao najlake je 'narediti' expertu da
komunicira sa softverom putem prirodnog jezika. Da bi se reio problem razumevanja prirodnog
jezika potrebna su izvesna znanja. Prvo, kompjuterski algoritmi i struktura podataka kojima se
konstrujiu automatski sistemi procesiranja jezika, moraju biti razumljivi. Drugo, korisnik
jezikog procesiranja mora da ima znanja u oblasti govora, koji je predstavljen u sistemu i da je
sposoban da ga podrava. Tree, korisnik mora da ima i lingistika znanja; da poznaje
morfologiju rei, sintaksu reenica i tome slino.
(III) Kompjutersko opaanje (Computer Sensing) se odnosi na one aktivnosti kada se kompjuter
koristi za merenje razliitih termofizikih fenomenika iz realnog sveta. Kompjutersko opaanje
moe da se ostvari na vie naina od kojih su dva za na sluaj bitna: vizija (vision) i akistika

15

(acoustics). Kompjuterska vizija pokuava da konkurie ljudskoj viziji. Ona je izuzetno

interdisciplinarna, na primer ukljuuje znanja iz oblasti psihologije, neuropsihologije i filozofije.
Aspekti vizije za oblast informacionog procesiranja je od izuzetnog znaaja.
Istaiva u ovoj oblasti se simultano bavi strukturom (semantikom, simbolinom) i odnosima
(geometrijskim, prostornim).
(IV) Ekspertni sistemi (Expert System) predstavljaju softvere koji sadre veliku koliinu/masu
znanja u nekoj oblasti, a koje su bile preporuene od jednog ili vie eksperata iz te oblasti. Kroz
ovu koliinu/masu znanja sistem je sposoban da reava zadate probleme na isti nain kao i
ovek-ekspert. Konstrukcija jednog ekspertskog sistema podrazumeva dve vrste ekspertize. Prva
je ovekova ekspertiza, a druga je inenjersko-ekspertsko znanje da ovekovu ekspertizu
kodifikuje i prilagodi u deskrtetne kompjuterske instukcije. Vremenom su se ova dva domena
nezavisno razvijala, tako da imamo sa jedne strane postupke prikazivanje znanja, a sa druge
logike mehanizme procesiranja i interpretacije znanja. Ovo dalje omoguanva da se znanje
jednostavno modifikuje.
Ekspertni sistemi se koriste u brojnim situacijama: predvidjanja, interpretacije, planiranja,
monitoringa, popravljanja, davanja instrukcija itd. U medicini, simptomi i bolesti nisu uvek u
jednostavnom i direktnom odnosu. Slino je i sa ekspertskim sistemima. Naime dok je ovek
osposobljen da iznosi zakljuke na osnovu nepotpunih podataka, ekspertski sitem mora da
prevazidje ovu nesigurnost na konkretan nain. U tom smislu najee se pominje Bayers-ovo
pravilo koje za osnovu ima statistiku uestalosti 'simptoma' koji uzrokuju 'bolest'. Napominje se,
da postoji vie interpretacija Bayers-ovo pravila.
Ekspertski sistemi u principu prate hibridnu arhitekturu kroz etiri modula:
(1) implantacija expertize u bazu znanja,
(2) povratak ekspertize iz baze znanja ka korisniku,
(3) odravanje tj. podravanje integriteta i konsistencije baze znanja i
(4) testiranje i provera sistema.
5.2 Simulacija
Simulacija je kvantitativna metoda, kojom se najee rjeavaju problemi s dogaajima ije
pojavljivanje je stohastiko.
Predstavlja pristup rjeavanju operativnih problema, kod kojeg parametre stvarne problemske
situacije nekog sustava unosimo u matematiki model.
Matematiki model na temelju uneenih vrijednosti odreuje mogua stanja koje sustav moe
poprimiti.
Simulacija ne daje konkretno rjeenje, ve informacije koje slue kao potpora odluivanju.
5.3 Simulacioni proces
Simulacioni proces je struktura rjeavanja stvarnih problema pomou simulacionog modeliranja.
On se moe prikazati u obliku niza koraka koji opisuju pojedine faze rjeavanja problema ovom
metodom (ivotni ciklus simulacije). Struktura simulacionog procesa nije strogo sekvencijalna,
ve je mogu i povratak na prethodne korake procesa, zavisno od rezultata dobivenih u
pojedinim fazama procesa. Broj faza i redoslijed njihovog obavljanja zavisi od svake konkretne
situacije, ali je ipak mogue navesti jedan opti, ureen skup procedura . Osnovni koraci
simulacionog procesa su sljedei :

16

Slika 5. Dijagram toka simulacionog proces

1. Definicija cilja simulacione studije
Definicija eljenog cilja i svrhe studije: problem koji treba rjeiti (oblikovanje sistema, analiza
sistema i sl.), granice sistem/okolina, nivo detaljnosti.
2. Identifikacija sistema
Opis komponenti sistema, interakcija komponenti, nain rada, veze s okolinom, formalni prikaz
sistema.
3. Prikupljanje podataka o sistemu i njihova analiza
Prikupljanje i mjerenje relevantnih podataka o sistemu, analiza tih podataka (izbor raspodjela
nezavisnih sluajnih promjenjivih, ocjena vrijednosti parametara raspodjela).

17

4. Izgradnja simulacionog modela

Stvaranje konceptualnog modela koji adekvatno opisuje sistem i omoguava rjeavanje zadanog
problema.
5. Izgradnja simulacionog programa
Izbor programskog jezika ili paketa i stvaranje simulacionog programa bilo pisanjem programa,
bilo automatskim generiranjem programa na osnovu konceptualnog modela.
6. Verifikacija simulacionog programa
Testiranje simulacionog programa prema postavkama simulacionog modela (pojedinane
procedure, generiranje sluajnih promjenjivih, povezivanje procedura). Ukoliko verifikacija
programa nije dala zadovoljavajue rezultate, potreban je povratak na korak
7. Vrednovanje (validacija) simulacionog modela
Ispitivanje da li simulacioni model adekvatno predstavlja stvarni sistem (ispitivanjem
podudarnosti izlaza modela i realnog sistema, analizom rezultata od strane eksperata, analizom
osjetljivosti). Ukoliko vrednovanje modela nije uspjeno, potrebno je vratiti se na taku 4
(izmjene u simulacionom modelu).
8. Planiranje simulacionih eksperimenata i njihovo izvoenje
Planiranje simulacionih eksperimenata koji omoguuju ispunjenje cilja studije (plan promjene
parametara modela, ponavljanje eksperimenta zbog analize uticaja sluajnih promjenjivih, i dr.).
Izvoenje simulacionih eksperimenata prema usvojenom planu.
9. Analiza rezultata eksperimenata
Statistika analiza rezultata simulacionih eksperimenata. Tokom analize rezultata moe se
pokazati potreba za dopunom koraka 8 (izvoenje dodatnih eksperimenata).
10. Zakljuci i preporuke
Prezentacija relevantnih rezultata na osnovu kojih se mogu donijeti odgovarajue odluke (izbor
konfiguracije sistema, izmjene u sistemu, i dr.).
5.4 Vrste simulacionih modela
Prikazane podjele simulacionih modela dovele su do formuliranja etiri osnovne vrste
simulacionih modela, koji se razlikuju, s jedne strane, po pristupu modeliranju i klasi problema
koji se rjeava, i s druge strane, po tehnikama modeliranja i simulacije koje su za njih razvijene.
To su:
- Monte Karlo (Monte Carlo) simulacija
- Kontinualna simulacija
- Simulacija diskretnih dogaaja
- Mjeovita, kontinualno-diskretna simulacija.
Osim Monte Karlo simulacije, koja je statika, sve ostale nabrojane vrste su dinamike. Monte
Karlo simulacija spomenuta je Ovdje iz razloga to su u njoj tretman sluajnih dogaaja i

18

generiranje sluajnih vrijednosti bliski onom iz simulacije diskretnih dogaaja. U nastavku su

ukratko opisane sve nabrojane vrste simulacionih modela, dok su modeli kontinualne simulacije i
modeli sa diskretnim dogaajima, detaljnije razmatrani u posebnim poglavljima.
5.5 Monte Karlo simulacija
Monte Karlo simulacija (statistika simulacija), kao to joj i ime kae, povezana je sa sluajnim
fenomenima. Ova metoda je razvijena u SAD tokom Drugog svjetskog rata, ali i danas jo uvijek
nema potpune saglasnosti o koritenu tog termina. Neki autori Monte Karlo simulacijama
nazivaju bilo koju vrstu programa koji se koriste sluajnim brojevima. S druge strane, u veini
literature o simulacionom modeliranju, ovaj termin se upotrebljava samo za statike tipove
simulacije kod kojih se u rjeavanju problema koristi stvaranje uzoraka iz raspodjela sluajnih
promjenjivih. Pri tome, problemi mogu biti bilo deterministikog, bilo stohastikog karaktera.
Razlikujemo sljedee tipove primjene Monte Karlo simulacije.
5.6 Deterministiki problemi koje je teko ili skupo rjeavati
Tipian primjer ovoga tipa je raunanje vrijednosti odreenih integrala koji se ne mogu rjeiti
analitiki, tj. ija je podintegralna funkcija takva da se ne moe nai rjeenje u obliku analitikog
izraza. Monte Karlo simulacija pristupa proraunu integrala tako to se generie niz sluajnih
taaka (xj,yj) sa jednakim vjerovatnoama unutar odreenog pravougaonika i potom ispituje
koliko je generisanih taaka unutar povrine koja odgovara integralu. Ovakav pristup, koji se
zasniva na generisanju sluajnih brojeva, analogan je onom koji se koristi kod simulacije sistema
sa diskretnim dogaajima.
5.7 Sloeni fenomeni koji nisu dovoljno poznati
Ovo je druga klasa problema koji se rjeavaju Monte Karlo simulacijom. Za njih je
karakteristino da nije poznat nain uzajamnog djelovanja izmeu elemenata ve su poznate
samo vjerovatnoe njegovog ishoda, koje se koriste za izvoenje niza eksperimenata koji daju
uzorke moguih stanja zavisnih promjenjivih. Statistikom analizom takvih uzoraka dobija se
raspodjela vjerovatnoa zavisnih promjenjivih koje su od interesa. Ovakav pristup se najee
primjenjuje kod analiziranja drutvenih ili ekonomskih fenomena.
5.8 Statistiki problemi koji nemaju analitika rjeenja
Statistiki problemi bez analitikog rjeenja (npr. procjene kritinih vrijednosti ili testiranje
novih hipoteza) su jedna specifina klasa problema koji se rjeavaju Monte Karlo simulacijom.
Prilikom rjeavanja takvih problema takoer se koristi generiranje sluajnih brojeva i
promjenjivih.
5.9 Kontinualna simulacija
Kontinualna simulacija se koristi za dinamike probleme kod kojih se promjenjive stanja
mijenjaju kontinualno u vremenu. Postoje dvije osnovne klase problema koji se rjeavaju ovom
metodom. U prvoj klasi su relativno jednostavni problemi koji su opisani detaljno i kod kojih su
promjene "glatke" i prirodno se opisuju diferencijalnim jednainama. To su tipino problemi iz
fizike, biologije i inenjerstva. U drugoj klasi su problemi koji nastaju opisom veoma sloenih

19

sistema u agregiranom obliku, u kojem se niz elemenata sistema redukuje na manji broj
komponenti i u kojima se promjene u sistemu aproksimiraju konstantnim brzinama promjene. To
su najee problemi iz podruja ekonomije i drutvenih nauka. Razlikujemo tri osnovna tipa
kontinualnih simulacionih modela .
zavisna
varijabla

vrijeme

Slika 6. Kontinualna simulacija

5.10 Modeli koji se opisuju obinim diferencijalnim jednainama (sistemi obinih
diferencijalnih jednaina)
Problemi u vezi sa raznim procesima kao to su, na primjer, razni oblici kretanja i mnogi fiziki,
hemijski, bioloki i drugi procesi gdje se radi o jednoj nepoznatoj funkciji y=y(t) jedne nezavisno
promjenjive (t), izraavaju se matematiki jednainama u kojima se, pored nezavisno
promjenjive i nepoznate funkcije, javljaju (obavezno) i izvodi te funkcije (dy/dt). Tim
jednainama se u svakom konkretnom sluaju uspostavlja veza izmeu nepoznate funkcije (y),
njene realne promjenjive (t) i njenih izvoda (y ,) i takve se jednaine nazivaju obine
diferencijalne jednaine. Modeli koji se opisuju obinim diferencijalnim jednainama ili
njihovim sistemima mogu se u odreenim sluajevima rijeiti analitiki, ali je to dosta rijetko
kod stvarnih problema (uobiajeno je da ove jednaine uzimaju oblik sloenih nelinearnih
diferencijalnih jednaina koje se po pravilu ne mogu rijeiti analitiki). Zbog toga se za takve
jednaine moraju koristiti numerike metode. Numerike metode mogu se primijeniti i na
analitiki rjeive jednaine, ali se to u praksi izbjegava, jer je u veini sluajeva za takve
jednaine jednostavnije analitiko rjeenje. Numerike metode koje slue za rjeavanje
diferencijalnih jednaina kod kojih se kao nezavisna promjenjiva javlja vrijeme, uobiajeno se
nazivaju metode kontinualne simulacije.
5.11 Modeli koji se opisuju sistemima parcijalnih diferencijalnih jednaina
Parcijalne diferencijalne jednaine sadre vie od jedne nezavisne promjenjive (x j) po kojima se
trae izvodi zavisne promjenjive. Tipini primjeri problema koji se mogu opisati parcijalnim
diferencijalnim jednainama su problemi aerodinamike, hidrodinamike i meteorologije.

5.12 Modeli dinamike sistema (System Dinamics)

Dinamika sistema je metodologija istraivanja, modeliranja i simulacije sloenih dinamikih
sistema. Sistemi sa povratnom vezom su osnovni tip sistema koji se modeliraju dinamikom

20

sistema. Povratna veza moe biti pozitivna ili negativna. Modeli sa povratnom vezom koriste se
najee za modeliranje inenjerskih, biolokih, drutvenih i ekonomskih sistema. Dinamika
sistema prikazuje sisteme kao povezane upravljake petlje. Pri tome su pojedinani dogaaji jako
agregirani, a posljedica toga je da se mogu opisivati kao kontinualni tokovi opisani
diferencijalnim jednainama
(tj. konanim razlikama, a ne beskonano malim veliinama). Novo stanje sistema u narednom
trenutku vremena rauna se na osnovu stanja u prethodnom trenutku vremena i razlike ulaznih i
izlaznih tokova za to stanje u prethodnom intervalu vremena. Da bi proraun mogao poeti,
neophodno je da budu zadate poetne vrijednosti veliina kao i vrijednosti svih konstanti i
parametara koje model sadri.
5.13 Simulacija diskretnih dogaaja
Simulacija diskretnih dogaaja je specifina metodologija simulacije koja se bavi modeliranjem
sistema koji se mogu predstaviti skupom dogaaja. Pod dogaajem Ovdje se podrazumijeva
diskretna promjena stanja entiteta sistema. Dogaaj nastupa u odreenom trenutku vremena,
odnosno promjene stanja entiteta se deavaju diskontinualno u vremenu, tj. samo u nekim
vremenskim trenucima (kada nastupi dogaaj). Simulacija opisuje svaki diskretni dogaaj,
kreui se od jednog dogaaja do drugog pri emu nastaje pomak (prirast) vremena simulacije.
Izmeu dva uzastopna dogaaja, stanje sistema se ne mijenja. Sistemi koji se modeliraju na ovaj
nain su dinamiki i gotovo redovno stohastiki.
zavisna
varijabla

dogaaj

vrijeme

Slika 7. Simulacija diskretnih dogaaja

5.14 Mjeovita simulacija
Kod pojedinih vrsta sistema, kontinualna simulacija kao i simulacija diskretnih dogaaja, ne
mogu u potpunosti da opiu nain rada sistema. To su oni sistemi koji sadre procese koji teku
kontinualno i dogaaje koji dovode do diskontinuiteta u ponaanju sistema. Da bi se takvi
sistemi modelirali i simulirali, razvijena je Mjeovita simulacija koja omoguava integriranje
kontinualnih i diskretnih elemenata sistema. Veza izmeu diskretnog i kontinualnog pristupa
postie se uvoenjem dva tipa dogaaja. Vremenski dogaaji su dogaaji koje generie
mehanizam upravljanja dogaajima,
zavisna kakav postoji u simulaciji diskretnih dogaaja. Oni mogu da
izazovu trenutnu promjenuvarijabla
stanja kontinualne promjenjive. S druge strane, dogaaji stanja su oni
dogaaji koje aktivira mehanizam pomaka vremena sa konstantnim prirastom, iji je vremenski
interval mali, a koji je karakteristian za kontinualnu simulaciju. Ovi dogaaji mogu da
aktiviraju dogaaje diskretnog dijela modela. Poznatiji simulacioni jezici za mjeovitu simulaciju
su GASP i SLAM.

vrijeme
dogaaj

21

Slika 7. Mjeovita simulacija

VI - ZAKLJUAK
Svakodnevno smo svedoci brojnih primera upotrebe vjetake inteligencije u oblasti hemijske
industrije.Za oekivati je da e u budunosti upotreba vjetake inteligencije biti sve
zastupljenija ak i u svakodnevnom radnom okruenju. Vjetaka inteligencija pokuava
simulirati ljudski nain razmiljanja sluei se deklarativno znakovnim programiranjem uz

22

razvijanje vizuelnih senzora i prirodnih jezika. U budunosti je za oekivati da e putem

vjetake inteligencije biti zamijenjeni mnogu eksperti i strunjaci.
Velike baze znanja e omoguiti nake rjeavanje problema.

VII - LITERATURA
[1] http://bs.wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija
[2] http://users.hemo.net/shoom/es.pdf
[3] http://bs.wikipedia.org/wiki/Vje%C5%A1ta%C4%8Dka_inteligencija

23

[4]http://www.scribd.com/doc/14870988/Integrated-Design-and-Simulation-of-ChemicalProcesses
[5] R. D. Sriram, Intellegent Systems for Engineering: A KnowledgeBased Approach, Springer Verlag, 1997
[6] S. A. Argyropoulos: Artificial Intelligence in Materials Processing
Operations: A Review and Future Directions, ISIJ Int, 30(1990) 83-89.
[7] D. A. Waterman: A Guide to Expert Systems, Addison-Wesley Publ. Co.,
Reading, MA, (1986)

24