1. ИСТОРИЯ ИИ
Истоки искусственного интеллекта можно найти с помощью определения формального нейрона, данного Маккалоком и Питтсом, как двоичного устройства с несколькими входами и выходами.
Уже в 1956 году тема искусственного интеллекта (ИИ) была затронута в Массачусетском технологическом институте Джоном Маккарти, где проходила Дартмутская конференция в Ганновере (США). В этом конкурсе Маккарти, Марвин Мински, Натаниэль Рочестер и Клод Э. Шеннон заложили основы искусственного интеллекта как независимой области вычислительной техники.
Ранее, в 1950 году, Алан М. Тьюринг опубликовал в журнале Mind статью под названием «Вычислительные машины и интеллект», в которой он размышлял о концепции искусственного интеллекта и устанавливал то, что позже станет известно например, тест Тьюринга, тест, который определяет, ведет себя компьютер в соответствии с тем, что понимается под искусственным интеллектом, или нет.
Искусственный интеллект 60-х годов как таковой не имел большого успеха, поскольку требовал слишком больших инвестиций для того времени, а большинство технологий были типичными для крупных исследовательских центров. В 70-80-е годы в одной из его ветвей, названной Экспертные системы, были достигнуты некоторые значительные успехи с введением PROLOG LISP.
По сути, искусственный интеллект предназначен для создания запрограммированной последовательной машины, которая бесконечно повторяет набор инструкций, сгенерированных человеком.
В настоящее время большое количество исследований все еще проводится в крупных учебных и частных технологических лабораториях; без учета заметных достижений в системах компьютерного зрения (применяемых, например, для классификации скремблированных элементов - винты или части, отмеченные цветовыми кодами, чтобы назвать один случай-), автономное управление роботами (Sony, с ее роботами способные двигаться почти как человек и реагировать на давление так же, как человек при ходьбе), приложения нечеткой логики (приложение автоматического отслеживания в наших видеокассетах, чтобы назвать одно приложение) и т. д. Тем не менее, искусственный интеллект остается в значительной степени ограниченным из-за своего технологического превосходства, и лишь немногим удалось достичь конечного потребительского рынка или отрасли.
2. ОПРЕДЕЛЕНИЯ ИИ
Что касается нынешних определений искусственного интеллекта, есть такие авторы, как Рич, Найт и Стюарт, которые обычно определяют ИИ как способность машин выполнять задачи, которые в настоящее время выполняются людьми; Небенда и Дельгадо определяют его как область исследований, которая фокусируется на объяснении и имитации интеллектуального поведения на основе вычислительных процессов, основанных на опыте и постоянном знании окружающей среды.
Фарид Флейфель Тапиа описывает ИИ как «отрасль компьютерных наук, изучающую решение неалгоритмических проблем с использованием любых доступных вычислительных методов, независимо от формы рассуждений, лежащих в основе используемых методов. применить для достижения этого разрешения. Чтобы завершить это определение, некоторые не столь формальные определения, выпущенные различными исследователями ИИ с учетом других точек зрения:
- ИИ - это искусство создания машин, способных выполнять функции, выполняемые людьми, требующими интеллекта. (Курцвейл, 1990) ИИ - это исследование того, как заставить компьютеры выполнять задачи, которые на данный момент люди делают лучше. (Rich, Knight, 1991) ИИ - это отрасль компьютерных наук, которая занимается автоматизацией интеллектуального поведения. (Lugar and Stubblefied, 1993) ИИ - это область исследований, которая фокусируется на объяснении и имитации интеллектуального поведения на основе вычислительных процессов. (Шалков, 1990).
В AI можно наблюдать два разных подхода:
- Искусственный интеллект задуман как попытка разработать технологию, способную предоставить компьютеру способности к рассуждению, аналогичные возможностям человеческого интеллекта. ИИ в своей концепции представляет собой исследование, связанное с механизмами человеческого интеллекта, которые используются при моделировании проверки достоверности теории.
Первый подход фокусируется на полезности, а не на методе, как мы видели ранее с алгоритмами. Ключевыми вопросами этого подхода являются представление и управление знаниями, его наиболее представительными авторами являются Маккарти и Мински.
Джон МакКарти
Во втором подходе мы обнаруживаем, что он ориентирован на создание искусственной системы, способной выполнять когнитивные процессы человека, делая полезность как метода более не важной, фундаментальные аспекты этого подхода относятся к обучению и адаптируемости, и его авторами являются Ньюэлл и Саймона из Университета Карнеги-Меллона.
ИИ, пытающиеся создать машины, которые, по-видимому, ведут себя как люди, породили два противоположных блока: символический или нисходящий подход, известный как классический ИИ, и подсимвольный подход, который иногда называют коннекционистом.
Символика напрямую моделирует интеллектуальные характеристики, которые должны быть достигнуты или имитированы, и лучшее, что также есть под рукой, - это человек; Для разработчиков экспертных систем представление человеческих знаний является фундаментальным, и благодаря этим достижениям были обнаружены два типа знаний: знания о конкретной проблеме и знания о том, как получить больше знаний из того, что у нас уже есть. Наиболее характерным примером этого течения является Cyc Project Дугласа Б. Лената, посвященный системе, которая хранит в памяти миллионы взаимосвязанных фактов.
Внутри другого потока: субсимволический; Усилия направлены на моделирование элементов самого нижнего уровня в интеллектуальных процессах в надежде, что они, в сочетании, позволят спонтанно возникать интеллектуальному поведению. Самыми яркими примерами, которые работают с этим типом ориентации, являются нейронные сети и генетические алгоритмы, где эти системы работают в условиях автономии, обучения и адаптации, тесно связанных концепций.
3. ОТДЕЛЕНИЯ AI
ИИ делится на две школы мысли:
- Искусственный интеллект Обычные Вычислительный интеллект.
Обычный искусственный интеллект
На основе формального и статистического анализа поведения человека перед лицом различных проблем:
- Обсуждение на основе случаев: помогает принимать решения при решении определенных конкретных проблем. Экспертные системы: вывести решение на основе предварительного знания контекста, в котором оно применяется, и определенных правил или взаимосвязей. Байесовские сети: предложить решения посредством статистического вывода. Искусственные, основанные на поведении: сложные системы, которые обладают автономией и могут саморегулироваться и контролировать себя для улучшения.
Вычислительный искусственный интеллект
Вычислительный интеллект (также известный как subsymbolic искусственного интеллекта) предполагает развитие или интерактивного обучения (например, интерактивное изменение параметров в коннекционистских системах). Знания основаны на эмпирических фактах. Некоторые методы в этой ветке включают:
- Поддержка векторных машин: системы, обеспечивающие мощное распознавание общих образов. Нейронные сети: системы с широкими возможностями распознавания образов. Скрытые марковские модели: обучение, основанное на временной зависимости вероятностных событий. Нечеткие системы: методы достижения логического обоснования. в условиях неопределенности. Он широко используется в современной промышленности и в товарах массового потребления, таких как стиральные машины.Эволюционные вычисления: применяются концепции, вдохновленные биологией, такие как популяция, мутация и выживание наиболее приспособленных, для создания последовательно более эффективных решений проблемы. Эти методы, в свою очередь, делятся на эволюционные алгоритмы (например, генетические алгоритмы) и коллективный разум (например, алгоритмы муравьев).
4. ЯЗЫКИ ПРОГРАММИРОВАНИЯ, ИСПОЛЬЗУЕМЫЕ В AI
Марвин Мински дал классификацию языков программирования, используемых в этой дисциплине:
- Сделать сейчас: где программист предоставляет машине инструкции для выполнения определенной задачи, где все указано, кроме, возможно, количества повторений. Всегда делайте это: здесь вы можете написать программу, которая поможет компьютеру решить эти проблемы. что программист не знает, как решать, но знает, какие решения можно попробовать.. Ограничение: написаны программы, которые определяют структуры и состояния, которые обусловливают и ограничивают друг друга.
Но Мински признает, что все еще необходимо будет разработать еще два типа языков, чтобы получить ИИ, сопоставимый с человеческим интеллектом; и это могут быть:
- Сделайте что-нибудь разумное: там, где программе позволено учиться на прошлом и в новой ситуации применять ее учения. Совершенствуйте себя: там вы можете позволить себе писать программы, которые отныне будут иметь возможность писать программы лучше, чем они сами.
Другой момент, конечно, имеет отношение к проблеме, с которой мы здесь имеем дело, - это, конечно, концепция творчества, которую на первый взгляд мы не можем объяснить удовлетворительно, потому что это результат особого дара, но исследования ИИ Они начали делать это возможным: они говорят нам, что по мере написания программ, которые демонстрируют право собственности, творчество будет объяснено в той же степени.
Еще одно свойство, которое, как ожидается, будет связано с ИИ, - это самосознание; что согласно результатам психологических исследований они говорят, с одной стороны, что, как хорошо известно, человеческое мышление выполняет большое количество функций, которые не могут быть классифицированы как сознательные, и что поэтому самосознание в определенном смысле способствует предотвращению эффективный мыслительный процесс; но, с другой стороны, очень важно иметь возможность знать о наших собственных возможностях и ограничениях, что очень помогает функционированию интеллекта как машины, так и человека.
Но было бы невозможно попытаться рассмотреть тему ИИ, не обращаясь к вопросу о сложности; где разумное поведение является результатом взаимодействия многих элементов и, несомненно, является одним из самых ценных вкладов при попытке моделирования интеллектуальных явлений человека в машине.
ИИ был разработан как дисциплина из концепции интеллекта, которая была реализована в психологии и на основе которой были разработаны различные категории.
5. ТЕХНИКИ, ИСПОЛЬЗУЕМЫЕ В ИИ
Искусственный интеллект классифицирует методы, которые можно использовать в качестве инструментов для решения проблем, по следующим категориям:
1. Базовые методы: так называются, потому что они лежат в основе различных приложений ИИ:
- Эвристический поиск решений, представление знаний, автоматический вывод, символическое программирование (LISP) и нейронные сети.
Эти методы являются основой приложений. По большей части, он должен быть известен не конечному пользователю, а профессионалам, которые занимаются его применением и созданием коммерческих приложений.
2. Технологии (или комбинации нескольких базовых приемов), направленные на решение семейств проблем. Технологии более специализированы, чем базовые методы, и ближе к конечным приложениям. Их можно упомянуть:
- Робототехника, зрение, естественный язык и экспертные системы.
6. ПРИМЕНЕНИЕ И ОБЛАСТИ ПРИМЕНЕНИЯ AI.
AI имеет следующие классы или типы приложений:
- Диагностика, прогнозирование (системы самоконтроля атомных реакторов), последовательность операций («Планирование»), проектирование и интерпретация данных.
Все они - семейства типовых задач. Например, диагностика относится к поиску причин сбоев, будь то сбои на производственной линии или болезнь человека.
Сферы применения ИИ: инженерия, медицина, производственные системы, администрирование, поддержка принятия управленческих решений и т. Д. Все они относятся к компьютерным системам, но считаются клиентами ИИ.
7. ПРИМЕНЕНИЕ ИИ В ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ
Чтобы интеллектуальная система считалась законченной, она должна включать в себя различные функции, которые включают:
- Интеллект: Есть много определений «интеллекта». Для практического использования мы используем следующее: Интеллект - это уровень системы в достижении ее целей. Систематизация: Система является частью вселенной с ограниченными размерами в пространстве и времени. Части системы имеют более или более сильные корреляции с другими частями той же системы; чем с частями вне системы. Цель: цель - это определенная ситуация, которую интеллектуальная система хочет достичь. Обычно существует много уровней целей, может быть основная цель и много подцелей. Сенсорная способность: Чувство - это часть системы, которая может получать сообщения из окружающей среды. Чувства необходимы для того, чтобы интеллектуальная система могла знать свое окружение и действовать в интерактивном режиме Концептуализация: концепция является основным элементом мысли.Это физическое хранилище, информационный материал (в нейронах или электронах). Все концепции памяти взаимосвязаны в сети. Способность концептуализировать подразумевает развитие уровней абстракции. Ситуация: Ситуация объединяется с рядом концепций, которые интеллектуальная система использует для представления информации, которую ее органы чувств получают из окружающей среды. Правила действия: правило действия является результатом опыта или результата интерпретации своей памяти. Соотнесите ситуацию и последствия действий Память: Память - это физическое хранилище концепций и правил действий. Это включает в себя опыт работы с системой Обучение: обучение, вероятно, является наиболее важной способностью интеллектуальной системы.Система изучает концепции на основе информации, полученной от органов чувств. Изучите практические правила, основанные на их опыте. Производительность, иногда выполняемая произвольно, сохраняется вместе со своим значением. Правило ответа возрастает в цене, если оно позволяет достичь цели. Обучение включает фиксацию абстрактных понятий на основе конкретных примеров и создание составных понятий, которые содержат понятия частей объекта. Обучение - это также способность обнаруживать отношения (закономерности) между частью «ситуации» и частью «будущей ситуации» правила ответа.Обучение включает фиксацию абстрактных понятий на основе конкретных примеров и создание составных понятий, которые содержат понятия частей объекта. Обучение - это также способность обнаруживать отношения (закономерности) между частью «ситуации» и частью «будущей ситуации» правила ответа.Обучение включает фиксацию абстрактных понятий на основе конкретных примеров и создание составных понятий, которые содержат понятия частей объекта. Обучение - это также способность обнаруживать отношения (закономерности) между частью «ситуации» и частью «будущей ситуации» правила ответа.
Включение интеллектуальных агентов принятия решений, нейронных сетей, экспертных систем, генетических алгоритмов и программируемых автоматов для оптимизации производственных систем - активная тенденция в промышленной среде стран с высоким технологическим развитием и большими инвестициями в исследования и разработки. Указанные компоненты искусственного интеллекта в качестве основной функции выполняют независимое управление и в координации с другими агентами промышленные компоненты, такие как производственные или сборочные ячейки, а также операции по техническому обслуживанию, среди прочего.
Наблюдается растущая тенденция к внедрению более автономных и интеллектуальных систем производства / сборки из-за рыночных требований к продукции с очень высоким уровнем качества; что с ручными операциями усложняется и делает слаборазвитые страны, такие как наша, не конкурентоспособными во всем мире. При проектировании компьютерной интегрированной производственной системы следует уделять внимание контролю, планированию, установлению последовательности, взаимодействию и выполнению рабочих задач в рабочих центрах, а также контролю уровня запасов и характеристик качества и надежности системы. Вышеупомянутые факторы определяют структуру системы, и ее координация представляет собой одну из важнейших функций в управлении и контроле производства.
Очень часто причиной построения имитационной модели является поиск ответов на такие вопросы, как «Каковы оптимальные параметры для максимизации или минимизации определенной целевой функции?» В последние годы были достигнуты большие успехи в области оптимизации производственных систем. Однако прогресс в разработке инструментов анализа результатов имитационной модели был очень медленным. Существует большое количество традиционных методов оптимизации, значительный вклад в которые внесли только люди с большими знаниями в области статистики и моделирования.
В связи с появлением метаэвристических алгоритмов поиска открылась новая область в области оптимизации с помощью моделирования. Новые программные пакеты, такие как OPTQuest (Optimal Technologies), SIMRUNNER (Promodel Corporation) и Evolver (Palisade Software), вышли на рынок, предлагая удобные решения для оптимизации систем, которые не требуют внутреннего контроля над созданной моделью, а над результатами. что указанная модель бросает в разных условиях. Кроме того, новые методы искусственного интеллекта, применяемые к задачам стохастической оптимизации, продемонстрировали свою эффективность, вычислительную и аппроксимирующую способность.
Усиленное обучение - это набор методов, предназначенных для решения проблем, основанных на марковских процессах принятия решений. Это стохастические процессы принятия решений, основанные на концепции, согласно которой действие, которое должно быть предпринято в данном состоянии, в данный момент времени, зависит только от состояния системы в момент принятия решения.
Одна из областей, которая может иметь самое непосредственное влияние на производственные процессы в отрасли во всем мире, - это разработка систем поддержки для принятия решений, основанных на оптимизации рабочих параметров системы. С этой целью большой интерес представляет использование интеллектуальных параметрических и непараметрических методов анализа данных. Однако, по мнению авторов, в большинстве архитектур, предложенных до сих пор для компьютерного интегрированного производства, отсутствует фундаментальный фактор интеграции. Связь между различными иерархическими уровнями производственного предприятия очень слабая, поскольку каждый отдел ограничивается выполнением своей функции, не стремясь к интеграции всего производственного предприятия, за исключением таких компаний, как ABB с ее программным обеспечением Baan и т. Д.
8. ПРИМЕНЕНИЕ ИИ В РЕШЕНИИ КОНКРЕТНЫХ ПРОБЛЕМ ПРОИЗВОДСТВА.
I) Операция автоматического контроля качества с использованием системы компьютерного зрения.
(Ройман Лопес Бельтран, Эдгар Соттер Солано и Эдуардо Зурек Варела. Лаборатория робототехники и автоматики. Universidad del Norte).
Каждый производственный процесс оценивается на предмет качества конечного продукта, что делает этап контроля качества решающим этапом процесса. Механизмы, используемые для определения качества продукта, различаются в зависимости от параметров, которые к нему относятся. Когда релевантным параметром является геометрия или форма изготовленного объекта, он обычно остается в поле зрения оператора, который выполняет функции проверки и проверки для контроля качества, однако могут быть ошибки в геометрии объекта, которые ускользнуть из поля зрения оператора, а затем помешать правильному функционированию указанного объекта. В подобном случае появляется хорошая альтернатива - использовать систему искусственного зрения, способную обнаруживать те ошибки, которые оператор может не заметить.Система искусственного зрения Robot Vision PRO способна полностью автоматизировать задачи идентификации объектов и контроля качества.
Система Robot Vision PRO - это пакет программного обеспечения для машинного зрения, который обеспечивает получение, предварительную обработку и сегментацию изображений. Он также выполняет высокоуровневую обработку данных, которая обеспечивает фильтрацию изображений, кластеризацию и формирование паттернов, а также идентификацию объектов. Эта система оснащена видеокамерой и монитором, отвечающим за идентификацию каждой из основных частей процесса и сравнение с деталями 100% качества, чтобы в дальнейшем определить, можно ли выставить упаковку на рынок или от нее следует отказаться.
Ниже приведены некоторые изображения, предоставленные системой Robot Vision PRO для выполнения операции контроля качества. Пакеты были скомпонованы таким образом, чтобы геометрические формы полностью вписывались в программу, а контроль качества для каждой упаковки впоследствии проводился индивидуально.
Авторы считают, что использование этой технологии очень уместно в компаниях, где обработка поверхности детали очень требовательна или где есть жесткие допуски, такие как автомобильные детали, промышленные приборы и т. Д.
II) Проекты в разработке по направлению исследований и разработок искусственного интеллекта.
(Исследовательская группа Университета Манисалеса).
к. JAT (Интеллектуальная система диспетчеризации и контроля общественного транспорта):
Его основная идея - улучшить обслуживание городского транспорта города Манисалес за счет диспетчеризации и интеллектуального управления, что позволяет повысить качество обслуживания и снизить эксплуатационные расходы. Интеллектуальная часть отвечает за составление расписания маршрутов, гарантируя, что все автобусы проходят их одинаково.
б. Интеллектуальная система удаленного мониторинга и наблюдения:
Цель состоит в том, чтобы внедрить системы замкнутого телевидения, которые включают возможность удаленного мониторинга через компьютер и телефонную линию из любой точки мира и через Интернет.
с. Распознавание сред в мобильной робототехнике через нейронные сети
Это исследование сфокусировано на глобальной идентификации среды, выполняемой мобильным роботом на основе обучения нейронной сети, которая получает информацию, полученную из окружающей среды сенсорной системой робота (ультразвук). Считается, что робот через нейронную сеть имеет единственную задачу - максимизировать знание окружающей среды, которая ему представлена. Таким образом, он моделирует и эффективно исследует окружающую среду, выполняя алгоритмы предотвращения препятствий.
Результат этого исследования имеет большое значение в области мобильной робототехники в связи с тем, что: робот приобретает большую автономность движения, оптимизировано использование ультразвука в качестве детектора препятствий, и это важный инструмент для развития планировщиков дорог. траектории и интеллектуальные контроллеры.
Один из примеров, с помощью которого была обучена сеть (для получения более подробной информации см. Исследование Риверы и Готье Universidad de los Andes), с использованием параметров обучения: константа обучения 0,2 и постоянная момента 0,9, робот для обнаружения три препятствия.
Робот расположен в восьми различных положениях, и в каждом из них было проведено сканирование, и таким образом было сформировано восемь файлов, с которыми была обучена сеть, и это, распознавая среду, не будет разбиваться с каким-либо препятствием.
В нейронной сети по мере увеличения внутренних слоев у нее будет больше возможностей и скорости для изучения различных сред.
Авторы определяют, что использование мобильной робототехники очень важно в производственных процессах, где человек не может выдерживать высокие или низкие температуры окружающей среды в течение длительных интервалов времени, например, при ПИТАНИИ, где можно обучить индивидуального робота. что его подготовка доведена до совершенства, подготовьте его позже как грузового перевозчика.
д. Генетические алгоритмы, применяемые к квадратичной проблеме распределения средств, QAP.
(Департамент операционных исследований, Школа промышленной инженерии, Университет Карабобо, Валенсия, Венесуэла, 2001 г.).
QAP - это комбинаторная задача, которую некоторые авторы считают NP-полной. Задача QAP - найти распределение помещений по площадкам, чтобы минимизировать функцию, которая выражает затраты или расстояния. Расположение и распределение объектов - одна из наиболее важных тем в обучении профессионалов в области промышленного строительства и всех тех специалистов, которые отвечают за планирование, организацию и систематический рост городов. В повседневной и профессиональной жизни каждого человека возникает множество проблем с размещением объектов.
Проблемы размещения и распределения производственных мощностей имеют стратегическое значение для успеха любой производственной операции. Основная причина заключается в том, что затраты на погрузочно-разгрузочные работы составляют от 30 до 75% общих производственных затрат. Хорошее решение проблемы распределения помещений способствовало бы общей эффективности операций, плохое распределение может привести к накоплению запасов продукции в процессе, перегрузке систем обработки материалов, неэффективным установкам и длинным очередям. В рамках этого широкого класса проблем, которые можно классифицировать как QAP, находится обобщенная проблема потока в линии, которая представляет собой линию потока, в которой операции идут вперед и не обязательно обрабатываются на всех машинах в линии.Работа на такой линии может начать обработку и завершить свой процесс на любой машине, всегда перемещаясь вниз по потоку последовательными операциями в соответствии с последовательностью работы процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Это «обратное отключение» операций называется обратным отслеживанием, и оно отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.всегда продвигаться вперед (вниз по потоку) последовательными операциями в соответствии с рабочей последовательностью процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Это «обратное отключение» операций называется обратным отслеживанием, и оно отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.всегда продвигаться вперед (вниз по потоку) последовательными операциями в соответствии с рабочей последовательностью процесса. Когда последовательность операций для задания не указывает, что машина находится впереди своего текущего местоположения, задание должно двигаться в противоположном направлении (вверх по потоку), чтобы завершить требуемую операцию. Это «обратное отключение» операций называется обратным отслеживанием, и оно отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.Это «обратное отключение» операций называется обратным отслеживанием, и оно отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.Это «обратное отключение» операций называется обратным отслеживанием, и оно отклоняется от идеальной линии потока для конкретной работы, что приводит к менее эффективной структуре работы, как показано на следующем рисунке.
- Значительные достижения в области искусственного интеллекта, применяемого в производственных системах, заставили отрасль в ее постоянном стремлении к повышению своей конкурентоспособности ежедневно добиваться поставленных целей с большей скоростью и качеством; Однако во многих случаях это приводит к перемещению большого количества рабочей силы, что приводит к ухудшению социальной ситуации, что отражается в глобальных показателях безработицы и бедности. Мы настоятельно призываем специалистов, ответственных за использование ИИ, уважать жизнь и своими новыми открытиями вносить свой вклад в ее устойчивое развитие, тем самым восстанавливая здоровье нашей планеты.
БИБЛИОГРАФИЯ
Элейн Рич и рыцарь Кевин. Искуственный интеллект. Второе издание. Макгроу Хилл: Мексика, 1994.
Стюарт Рассел и Норвинг Метр. Искусственный интеллект: современный подход. Прентис Холл: Мексика, 1996 год.
Журнал La Ventana Informática. Выпуск N0 9. Университет Манисалеса. Страницы 56 - 57. Май 2003.
Дельгадо, Альберто. Искусственный интеллект и мини-роботы. Второе издание. Эко-издания. Июль 1998 г.
Дельгадо Альберто. Искусственный интеллект и мини-роботы. VII Национальный конгресс студентов промышленных, административных и производственных специальностей. Штаб-квартира Национального университета Манисалес. Воспоминания Конгресса. 4-10 октября 1998 г.
Энциклопедия информатики и вычислительной техники. Программная инженерия и искусственный интеллект. Июль 1992 г.
Небенда Дитер. Экспертные системы. Инженерия и связь. Издательство Marcombo. Барселона 1988 г.
Марр Д.К. Искусственный интеллект: личный взгляд, искусственный интеллект. США 1977 г.
Ролстон В. Дэвид. Принципы искусственного интеллекта и экспертных систем. Макгроу Хилл. Мексика 1992.
Момпин П. Хосе. Искусственный интеллект: концепции, методы и приложения. Marcomobo, SA Editions. Испания 1987.
Ибероамериканский журнал искусственного интеллекта. Применение искусственного интеллекта в автоматизированных производственных системах. Ллата, Дж. Р., Сарабия, Е. Г., Фернандес, Д., Арсе Дж., Ория, JP № 10, страницы 100–110. Доступно в.
www.monographies.com
www.wikipedia.com
