18 примеров миварных экспертных систем

ПРИМЕРОВ 
МИВАРНЫХ 
ЭКСПЕРТНЫХ СИСТЕМ

О.О. ВАРЛАМОВ

Москва
ИНФРА-М
2021

УЧЕБНОЕ ПОСОБИЕ

УДК [004.8+007.5](075.8)
ББК 32.813я73
 
В18

Варламов О.О.
В18  
18 примеров миварных экспертных систем : учебное пособие / О.О. Варламов. — Москва : ИНФРА-М, 2021. — 630 с. — 
DOI 10.12737/1248446.

ISBN 978-5-16-016869-2 (print)
ISBN 978-5-16-109438-9 (online)
Многолетние исследования миварных технологий логического искусственного интеллекта позволили создать новый мощный, универсальный и быстрый инструмент, который 
назван «многомерная открытая гносеологическая активная сеть» — «multidimensional open 
gnoseological active net: MOGAN». Этот инструмент позволяет быстро и просто конструировать алгоритмы и работать с логическими рассуждениями формата «Если…, То…», и его 
можно использовать для моделирования причинно-следственных зависимостей в разных 
предметных областях и создания баз знаний прикладных систем искусственного интеллекта 
нового поколения и миварных экспертных систем реального времени с «Большими знаниями». Читатель, изучив данное учебное пособие, сможет самостоятельно создавать миварные 
экспертные системы с помощью КЭСМИ Wi!Mi. 
Предназначено для студентов, бакалавров, магистрантов, аспирантов, изучающих методы 
искусственного интеллекта, а также для пользователей, экспертов и специалистов, создающих системы обработки информации и управления, миварные модели, экспертные системы, 
автоматизированные системы управления, системы поддержки принятия решений  и рекомендательные системы. 
Ключевые слова: кибернетика, искусственный интеллект, мивар, миварные сети, экспертная система, интеллектуальные системы, многомерная открытая гносеологическая активная 
сеть, MOGAN, MIPRA, КЭСМИ, Wi!Mi, Разуматор, базы знаний, графы знаний, сети знаний, 
Большие знания, продукции, логический вывод, системы поддержки принятия решений, системы принятия решений, автономные роботы, рекомендательные системы, универсальные 
инструменты знаний, конструкторы экспертных систем, логический искусственный интеллект.
Long-term research of mivar technologies of logical artifi cial intelligence has allowed to create 
a new powerful, versatile and fast tool, which is called: Multidimensional Open Gnoseological 
Active Net (MOGAN). This tool allows you quickly and easily to design algorithms and work with 
logical reasoning in the “If…, Then…” format, and it can be used for mathematical modeling of causeand-eff ect dependencies in diff erent subject areas and creating knowledge bases of applied artifi cial 
intelligence systems of a new generation. Practical examples of creating 18 mivar expert systems 
in 2020 are given, which confi rmed the universal capabilities of mivar nets for logical modeling 
in Wi!Mi Razumator for completely diff erent areas.
Keywords: mivar, mivar nets, artifi cial intelligence, expert system, Multidimensional Open 
Gnoseological Active Net, MOGAN, MIPRA, DSS, KESMI, Wi!Mi, Razumator, mivar scientifi c 
school, universal knowledge tools.
УДК [004.8+007.5](075.8)
ББК 32.813я73

Н а у ч н ы е  р е ц е н з е н т ы:
Балдин А.В., доктор технических наук, профессор; 
Остроух А.В., доктор технических наук, профессор;
Теслинов А.Г., доктор технических наук, профессор

А в т о р:
Варламов О.О., доктор технических наук, доцент, профессор кафедры ИУ-5 
Московского государственного технического университета имени Н.Э. Баумана (НИУ), президент, председатель научно-технического совета НИИ МИВАР 
(e-mail: ovar@narod.ru; ovarlamov@gmail.com; info@mivar.ru)

ISBN 978-5-16-016869-2 (print)
ISBN 978-5-16-109438-9 (online)
© Варламов О.О., 2021

Данная книга доступна в цветном исполнении 
в электронно-библиотечной системе Znanium.com

Содержание 

ВВЕДЕНИЕ 
5 

1. 
ОБЗОР СОВРЕМЕННЫХ НАУЧНЫХ ПОДХОДОВ СОЗДАНИЯ СИСТЕМ 

ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННЫХ НА ПРАВИЛАХ,  

– RULE-BASED SYSTEMS 
12 

2. 
МИВАРНЫЙ МЕТОД ЛОГИКО-ВЫЧИСЛИТЕЛЬНОЙ ОБРАБОТКИ 

ДАННЫХ ДЛЯ СОЗДАНИЯ ЭКСПЕРТНЫХ СИСТЕМ 
36 

3. 
КРАТКИЙ ОБЗОР 18 ПРИМЕРОВ МИВАРНЫХ ЭКСПЕРТНЫХ  

СИСТЕМ, СОЗДАННЫХ В 2020 ГОДУ 
90 

4. 
СОЗДАНИЕ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ  

ПРЕДМЕТНОЙ ОБЛАСТИ «ПРАВИЛА ДОРОЖНОГО ДВИЖЕНИЯ» 
99 

5. 
СОЗДАНИЕ ЛОГИЧЕСКОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ 

ОБЕСПЕЧЕНИЯ УХОДА ЗА РАСТЕНИЯМИ НА ОСНОВЕ МИВАРНЫХ 

ЭКСПЕРТНЫХ СИСТЕМ 
125 

6. 
МИВАРНАЯ ЭКСПЕРТНАЯ СИСТЕМА ПОДБОРА ОПТИМАЛЬНОЙ 

СИСТЕМЫ КОНТРОЛЯ И УПРАВЛЕНИЯ ДОСТУПОМ (СКУД) ДЛЯ 

ПРЕДПРИЯТИЙ 
136 

7. 
РАЗРАБОТКА БАЗЫ ЗНАНИЙ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ  

ДЛЯ  СОЗДАНИЯ САЙТОВ ДЛЯ ЛЮДЕЙ С НЕДОСТАТКАМИ  

ПО ЗРЕНИЮ 
178 

8. 
СОЗДАНИЕ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ КОНТРОЛЯ  

И МОНИТОРИНГА В РЕАЛЬНОМ ВРЕМЕНИ ФУНКЦИОНИРОВАНИЯ 

КОМПЬЮТЕРНЫХ СЕТЕЙ 
205 

9. 
СОЗДАНИЕ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ  

ОПРЕДЕЛЕНИЯ СИЛЫ КАРТОЧНОЙ КОМБИНАЦИИ В ЦЕЛЯХ 

УСКОРЕНИЯ СИМУЛЯЦИИ ИГРЫ В ПОКЕР 
217 

10. 
РАЗРАБОТКА МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ 

ТРАНСПОРТНОЙ ЛОГИСТИКИ 
233 

11. 
СОЗДАНИЕ БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ  ДИАГНОСТИКИ САХАРНОГО ДИАБЕТА 
250 

12. 
ИСПОЛЬЗОВАНИЕ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ  

ОЦЕНКИ ОБЪЕМА БОЛЬШОГО ГРАФА В ЗАВИСИМОСТИ ОТ ЕГО 

ПРЕДСТАВЛЕНИЯ 
265 

13. 
ПРИМЕНЕНИЕ МИВАРНЫХ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ 

ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА (ТОИР)  

НАЗЕМНЫХ КОМПЛЕКСОВ УПРАВЛЕНИЯ ДАЛЬНЕГО КОСМОСА 
353 

14. 
РАЗРАБОТКА БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ В ЦЕЛЯХ ОБЕСПЕЧЕНИЯ РАБОТЫ СОТРУДНИКОВ 

КРИМИНАЛИСТИЧЕСКИХ ЛАБОРАТОРИЙ 
379 

15. 
СОЗДАНИЕ МИВАРНЫХ ЭКСПЕРТНЫХ СИСТЕМ В СФЕРЕ 

АВТОМАТИЗИРОВАННОЙ ПОКУПКИ РЕКЛАМЫ НА АУКЦИОНЕ ПО 

ПРОТОКОЛУ OPENRTB НА ОСНОВАНИИ ПОИСКА ПЕРЕСЕЧЕНИЯ  

ДВУХ ДИНАМИЧЕСКИХ ДИСКРЕТНЫХ МНОЖЕСТВ ЗА 150 МС 
404 

16. 
РАЗРАБОТКА БАЗЫ ЗНАНИЙ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ ДЛЯ ОЦЕНКИ СЛОЖНОСТИ ТЕКСТОВ 
427 

17. 
СОЗДАНИЕ БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ ПОИСКА КНИГ 
453 

18. 
СОЗДАНИЕ МИВАРНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ  

СКОРИНГА В АВТОСТРАХОВАНИИ 
463 

19. 
СОЗДАНИЕ БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ ПОДБОРА АНАЛОГОВ АВТОМОБИЛЬНЫХ ЗАПЧАСТЕЙ 
493 

20. 
СОЗДАНИЕ БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ ПОДБОРА АНАЛОГОВ КОМПЬЮТЕРНЫХ  

КОМПОНЕНТОВ И ЗАПАСНЫХ ЧАСТЕЙ 
513 

21. 
СОЗДАНИЕ БАЗЫ ЗНАНИЙ ДЛЯ МИВАРНОЙ ЭКСПЕРТНОЙ  

СИСТЕМЫ ПОДБОРА АНАЛОГОВ СТРОИТЕЛЬНЫХ МАТЕРИАЛОВ 
517 

22. 
АВТОМАТИЧЕСКОЕ ПОСТРОЕНИЕ БАЗ ЗНАНИЙ НА ОСНОВЕ 

МНОГОМЕРНЫХ ОТКРЫТЫХ ГНОСЕОЛОГИЧЕСКИХ АКТИВНЫХ  

СЕТЕЙ – MOGAN 
522 

23. 
ИНСТРУКЦИЯ ПО РАБОТЕ С КЭСМИ WI!MI «РАЗУМАТОР»  

ВЕРСИИ 2.1 
530 

ЗАКЛЮЧЕНИЕ 
563 

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 
575 

СПИСОК СОКРАЩЕНИЙ 
629 

 

 
 

ВВЕДЕНИЕ  

 

Данное учебное пособие посвящено применению миварных технологий 

логического искусственного интеллекта (ИИ) для создания логических 

рассуждающих экспертных систем (ЭС), систем поддержки принятия решений 

(СППР) и рекомендательных систем логического искусственного интеллекта. 

Все эти программные системы относятся к научному направлению «создания 

систем принятия решений, основанных на правилах» – Rule-Based Systems. В 

настоящее время под этими терминами понимают различные «прикладные 

системы» и даже математические аппараты, поэтому необходимо уточнить 

наше применение этих терминов при создании миварных экспертных систем 

(МЭС).  

Логические рассуждающие МЭС предназначены для нахождения 

логического вывода и/или автоматического построения алгоритма принятия 

решения на основе созданных заранее баз знаний, которые состоят из объектов 

и правил. Подчеркнем, что такие логические системы предназначены для 

поиска одного решения – алгоритма действий или последовательности 

логического вывода. Поэтому они принципиально относятся к «белым 

ящикам», когда можно полностью объяснить полученное решение. Однако, 

такие 
экспертные 
системы 
изначально 
не 
применяют 
для 
решения 

оптимизационных задач, когда надо сравнивать несколько найденных решений. 

Нам важно получить хотя бы одно решение – алгоритм действий. В конце 20 

века это научное направление в области искусственного интеллекта 

«заморозилось» 
из-за 
«проклятия 
размерности» 
полно-переборного 

логического вывода. В 2002 году был создан новый формализм для 

представления знаний – «миварные сети», представляющие собой двудольные 

ориентированные графы. Миварные сети объединили идеи продукционных 

правил «Если…, То…» с сетями Петри и, фактически, позволили создавать 

«сети знаний» или «графы знаний» в новом формализме. Самое главное 

достижение миварных сетей – это возможность выполнения логического 

вывода с линейной вычислительной сложностью (снижение с N!) на основе 

продукционных правил, что позволило убрать ограничение «проклятия 

размерности». Снятие этого ограничения позволило с 2015 года создавать 

огромные базы знаний в формате миварных сетей и выполнять построение 

алгоритма принятия решений со скоростью более 5 млн правил/с на обычных 

компьютерах. Миварные экспертные системы дали возможность ученым и 

инженерам по знаниям – «когнитологам» создавать «Большие знания» в 

формате причинно-следственных (каузальных) правил и работать с ними в 

реальном масштабе времени. Это революционный переход от «игрушечных» 

баз знаний к созданию полноценного логического искусственного интеллекта 

(ЛИИ), который теперь обучают разным областям. 

Миварные 
технологии 
логического 
искусственного 
интеллекта 

продолжают активно развиваться в различных направлениях. В 2020 году 

благодаря активной работе коллектива «НИИ МИВАР», ведущего научные 

разработки в направлении «гибридные интеллектуальные информационные 

системы» (ГИИС) на кафедре ИУ-5 «Системы обработки информации и 

управления» МГТУ им. Н.Э. Баумана, созданы макеты и прототипы миварных 

баз знаний и экспертных систем для различных предметных областей. В 

данном учебном пособии приведены примеры создания 18 миварных 

экспертных систем в 2020 году [35-37, 38-41, 76-78, 88-92, 323-325, 327-330, 

369-371, 377-381, 404-407, 457-461, 481-483, 496-499, 510-515, 552-554, 555-557, 

565-567, 658-660, 661-663], которые подтвердили универсальные возможности 

миварных сетей по логическому моделированию в КЭСМИ Wi!Mi Разуматор 

для совершенно разных областей. Эти примеры помогут нашим читателям 

изучить возможности миварных экспертных систем и создать для своих 

предметных областей конкретные ЭС реального времени со скоростью 

обработки более 5 млн продукций в секунду.  

Важно отметить, что миварные базы знаний являются эволюционными и 

позволяют в любое время добавлять, удалять или изменять как объекты, так и 

правила обработки в формате причинно-следственных зависимостей «Если…, 

То…». Кроме того, все приведенные примеры МЭС создавались коллективами 

от 2 до 6 человек за 3—5 месяцев работы (при неполной загрузке). Таким 

образом, создавать МЭС достаточно просто и быстро!   

Как 
известно, 
причинно-следственные 
(каузальные) 
рассуждения 

являются основой научного познания человечества и принятия самых сложных 

решений с их обоснованием (принцип «белого ящика»). В самой простой форме 

это выражается в построении «цепочек рассуждений» в формате правил: «Если 

(условие), То (действие)» (или «Что будет, если»). Именно такие каузальные 

рассуждения и призваны автоматизировать «системы принятия решений, 

основанные на правилах» или просто «системы, основанные на правилах» 

(Rule-Based Systems) в области искусственного интеллекта.  

Необходимо отметить, что статистические методы в виде нейросетей и 

машинного обучения (ML) и логические системы, основанные на правилах 

(СОП) (Rule-Based Systems – RB), не противопоставляются друг другу, а 

взаимно дополняют, как рефлексы и логическое мышление человека. Эти 

подходы относятся к разным уровням исследований в области ИИ, но и 

возникли они практически одновременно, и развиваются параллельно, и надо 

использовать их в одном комплексе для достижения наилучших результатов. 

Такой 
подход 
сейчас 
называют: 
«гибридные 
информационные 

интеллектуальные системы» (ГИИС). Создавать и использовать надо и ML, и 

RB одновременно! 

Многолетние 
исследования 
миварных 
технологий 
логического 

искусственного интеллекта позволили создать новый мощный, универсальный 

и 
быстрый 
инструмент, 
который 
назван 
«многомерная 
открытая 

гносеологическая активная сеть» – «multidimensional open gnoseological active 

net (MOGAN)». Этот инструмент позволяет быстро и просто конструировать 

алгоритмы и работать с логическими рассуждениями формата «Если…, То…», 

и его можно использовать для моделирования причинно-следственных 

зависимостей в разных предметных областях и создания баз знаний 

прикладных систем искусственного интеллекта нового поколения.  

MOGAN. Созданная «многомерная открытая гносеологическая активная 

сеть» – «multidimensional open gnoseological active net» – основана на 

объединении эволюционного миварного информационного пространства 

«Вещь – Свойство – Отношение» и миварных двудольных сетей с линейной 

вычислительной сложностью логического вывода. MOGAN объединяет 

достоинства этих двух математических аппаратов и позволяет создать 

универсальный инструмент ИИ для одновременного накопления и быстрой 

обработки информации. На основе MOGAN создан программный комплекс 

КЭСМИ Wi!Mi Разуматор по конструированию экспертных систем нового 

поколения, который на тестах на одном обычном компьютере позволяет 

строить алгоритмы решения со скоростью более 5 миллионов продукционных 

правил в секунду формата «Если…, То…».  

Основные свойства MOGAN. Инструмент MOGAN создан на основе 

миварных технологий и наследует все их основные достоинства: 

Эволюционное накопление любых сведений в многомерной базе данных с 

изменяемой структурой на основе гносеологической модели «Вещь – Свойство 

– Отношение». 

Открытость к изменениям – в любой момент можно добавить как 

данные, так и правила, а после выполнения необходимых контрольных 

процедур можно автоматически продолжить решение задач. 

Быстрота – кардинальное снижение вычислительной сложности 

построения алгоритмов позволяет обрабатывать более 5 млн правил/с.  

Активность – на основе базы знаний (БЗ) и выполняющегося 

логического вывода можно автоматически определять, какие исходные данные 

необходимы для решения задачи. 

«Легкость» – низкие требования к вычислительному оборудованию для 

функционирования системы, вплоть до решения сложных задач на смартфонах. 

Экономия энергии – «легкость» MOGAN сильно сокращает затраты на 

электричество. 

Встраивание в малые устройства – низкие требования к оборудованию 

позволяют 
использовать 
продукт 
для 
«интернета 
вещей» 
и 
других 

киберфизических  систем. 

Междисциплинарность – эволюционное накопление знаний позволяет 

объединить в одном продукте разные базы знаний для разных областей.  

Простота обучения – работе с нашими продуктами быстро обучаются 

разные специалисты и отлично справляются даже школьники.  

Легкость обучения БЗ – фактически БЗ обучаются по типу воспитания 

детей, когда подробно и мелкими шагами закладывают все основные 

логические зависимости и знания. 

Семантическая интероперабельность и возможность объединения баз 

знаний 
различных 
предметных 
областей 
в 
единое 
информационно
управляющее пространство и создание активной энциклопедии, которая будет 

выдавать алгоритм решения, а не ссылки.  

Для многоагентных систем можно создавать сверхумных компактных 

агентов, возможности каждого из которых превышают человеческие и др.  

В целом, наш инструмент MOGAN совместим со многими уже 

разработанными продуктами, включая нейросетевые технологии и другие, что 

позволяет реализовать в любой системе рассуждения на уровне выше «здравого 

смысла» человека. Уже созданы, проверены и сданы в эксплуатацию 

программные комплексы в области экспертных систем, понимания смысла 

текстов на естественном языке и принятия решений для автономных роботов, 

киберфизических систем и интернета вещей. MOGAN достаточно универсален 

и может стать фундаментом для создания сильного общего искусственного 

интеллекта (AGI). 

Благодарности. Всего по миварным технологиям и их различным 

применениям написано более 650 научных трудов [1-49, 51-84, 87-320, 323-325, 

327-330, 336-339, 343-354, 357-359, 362-363, 365-371, 373-381, 383-388, 393-397, 

399-401, 404-426, 428-436, 438-447, 449, 452-455, 457-471, 478-483, 486-491, 

496-549, 552-557, 559-567, 576-582, 586-587, 589-655, 658-663, 666, 669-673, 

675-686, 690-730]. Благодарю всех авторов и соавторов этих работ, которые 

перечислены ниже. В этом учебном пособии использованы материалы проектов 

по созданию 18 миварных экспертных систем следующих авторов: Адамова 

Л.Е., Аксенов А.Н., Аксенова М.В., Аладин Д.В., Аладина Е.В., Барашкова Е.С., 

Белоногов И.Б., Березин И.С., Булатова И.Г., Бушуев Р.А., Виноградова М.В., 

Гапанюк Ю.Е., Гаранов К.В., Голубев И.И., Григорьев Е.А., Девяткин А.В., 

Зыков Д.А., Извин А.В., Кайнов П.И., Ким Х., Лещев А.О., Лужевский Д.В., 

Лузин Д.С., Лясковский М.А., Майорский А.А., Максаков А.А., Мельников 

К.И., Ореликов М.Г., Повираева М.Л., Попков В.Е., Пьянзин С.А., Ромичева 

Е.В., Савельева М.А., Самохвалов А.Э., Семенов А.А., Силантьева Е.Ю., 

Сурикова О.В., Сурин С.А., Углянский Д.В., Федосеев Д.А., Харлашкин А.И., 

Хустнетдинов Д.Р., Чекулина М.Ю., Чертилин А.А., Чувиков Д.А., Шоскальне 

В.М., Щеглов Д. С., Щукин А. С., Яковлева Г.Л. Также авторами и соавторами 

других трудов по развитию миварных технологий логического искусственного 

интеллекта являются: Абрамов П.С., Алексахин С.В., Амарян М.Р., Антонов 

П.Д., Арешев Т.А., Атакищев О.И., Афанасьев Г.И., Бадалов А.Ю., Балдин 

А.В., Баскаков В.А., Бекбусинова Б.Б., Белоусова А.И., Блохина С.В., Болнокин 

В.Е., Васюгова С.А., Викторова Н.Б., Владимиров А.Н., Волков В.А., Голубкова 

В.Б., Горин А.Ю., Давыдова Т.Л., Данилкин И.А., Джха П., Дорофеев В.П., 

Елисеев Д.В., Жанказиев С.В., Жапаров М.К., Жданович Е.А., Жилина Т.Н., 

Журавлева Э.М., Збавитель П.Ю., Зорин В.А., Зуев И.В., Иванов А.М., 

Ивахненко А.М., Ивонин М.В., Игнатов А.И., Казакова Н.А., Кашинцева И.Ю., 

Коботаев Н.С., Коваленко А.А., Кокутина Н.С., Колесниченко О.Ю., 

Колесниченко Ю.Ю., Колупаева Е.Г., Косенко Е.А., Котов К.Ю., Краснянский 

М.Н., Кузин А.А., Кузьменко Г.Н., Лазарев В.М., Локотков А.А., Лысаковский 

В.А., Мазелис Л.С., Майборода Ю.И., Майоров Е.А., Максимова А.Ю., 

Маркарян Р.Р., Мартынов А.В., Марченко А.В., Медведев В.Е., Межуев Н.В., 

Минушкина Л.О., Миядин А.А., Монахов Д.В., Москалёв А.Г., Муравьева Е.А., 

Назаров К.В., Никитин М.М., Носов А.В., Оверчук М.Л., Огородников О.И., 

Озерин А.Ю., Осипов В.Г., Остроух А.В., Павлова Д.А., Пегасов М.А., 

Петерсон А.О., Подкосова Я.Г., Полежаев М.А., Помазанов А.В., Постникова 

М.А., Потапова Т.С., Протопопова Д.А., Пулит В.В., Репина О.А., Решетников 

Р.Б., Санду Р.А., Сараев Д.В., Сергушин Г.С., Серегина О.Н., Синцов М.Ю., 

Сиражова З.Г., Скакунова Е.А., Скворцова А.Ю., Смелкова Е.А., Смородин 

Г.Н., Соболева Е.Д., Соломатин А.В., Соломатина О.А., Сотник А.Ю., 

Сторожев В.И., Строганов Д.В., Суркова Н.Е., Теплов Е.В., Тожа К.Э., Тоноян 

С.А., Феоктистов В.П., Феофанова Ю.А., Хадиев А.М., Харченко С.И., Чванин 

О.Н., Черненький В.М., Чибирова М.О., Чудинов С.М., Шадрин С.С., Шакиров 

В.В., Шатраков А.Ю., Шейнин В.А., Шошев И.А., Юрчик П.Ф., Юрьева Б.В., 

Юфимычев К.А.  

Выражаю благодарность за поддержку своей семье, всему дружному 

коллективу кафедры ИУ-5 МГТУ им. Н.Э. Баумана и НИИ МИВАР, а также 

отдельно тем, кто поддерживает развитие миварных технологий логического 

искусственного интеллекта: Балдин А.В., Болнокин В.Е., Варивода В.Б., Волгин 

Е.В., Городецкий В.И., Заяц В.Т., Кононенко А.А., Курейчик В.В., Курейчик 

В.М., Лазарев В.М., Никитин М.М., Отвиновский В.В., Ростовцев Ю.Г., 

Солнцев С.В., Терехов В.И., Теслинов А.Г., Черненький В.М., Шумский С.А.   

 

 

 
 

1. ОБЗОР СОВРЕМЕННЫХ НАУЧНЫХ ПОДХОДОВ СОЗДАНИЯ 

СИСТЕМ ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННЫХ НА 

ПРАВИЛАХ, – RULE-BASED SYSTEMS 

 

Причинно-следственные (каузальные) рассуждения являются основой 

научного познания человечества и принятия самых сложных решений с их 

обоснованием (принцип «белого ящика»). В самой простой форме это 

выражается в построении «цепочек рассуждений» в формате правил: «Если 

(условие), То (действие)» (или «Что будет, если»). Именно такие каузальные 

рассуждения и призваны автоматизировать «системы принятия решений, 

основанные на правилах» или просто «системы, основанные на правилах» 

(Rule-Based Systems) в области искусственного интеллекта (ИИ).  

Необходимо сразу определить: машинное обучение (ML) и системы, 

основанные 
на 
правилах 
(СОП) 
(Rule-Based 
Systems 
– 
RB), 

не противопоставляются друг другу, а взаимно дополняют, как рефлексы и 

логическое мышление человека. Эти подходы относятся к разным уровням 

исследований в области ИИ, но и возникли они практически одновременно, и 

развиваются параллельно, и надо использовать их в одном комплексе для 

достижения 
наилучших 
результатов. 
Такой 
подход 
сейчас 
называют: 

«гибридные информационные интеллектуальные системы» (ГИИС). Создавать 

и использовать надо и ML, и RB одновременно!  

 

Системная модель искусственного интеллекта 

В области искусственного интеллекта (ИИ) выделяют различные уровни 

и направления исследований по созданию систем ИИ, которые можно 

отобразить 
в 
трехмерном 
представлении 
– 
пространстве 
«Уровни 
– 

Направления – Системы» (рис. 1.1). В области ИИ предложено выделять 3 

уровня научных исследований: рефлексный, логический и социальный [140, 

179].