1. ИСТОРИЯ НА AI
Произходът на изкуствения интелект може да бъде локализиран с определението за формалния неврон, даден от McCulloch и Pitts, като бинарно устройство с няколко входа и изхода.
Още през 1956 г. темата за изкуствения интелект (AI) беше повдигната отново в Масачузетския технологичен институт от Джон Маккарти, където се проведе конференцията в Дартмут в Хановер (САЩ). В този конкурс Маккарти, Марвин Мински, Натаниел Рочестър и Клод Е. Шанън установяват основите на изкуствения интелект като независимо поле в рамките на изчислителната техника.
Преди това през 1950 г. Алън М. Тюринг публикува статия в списание Mind, озаглавена „Компютърни машини и интелигентност“, в която разсъждава върху концепцията за изкуствен интелект и установява онова, което по-късно ще се знае като тестът на Тюринг, тест, който определя дали компютърът се държи според това, което се разбира като изкуствено интелигентно или не.
Изкуственият интелект през шейсетте години нямаше много успехи, тъй като изискваше твърде много инвестиции за онова време и повечето технологии бяха характерни за големите изследователски центрове. През 70-те до 80-те години се забелязват някои значителни постижения в един от нейните клонове, наречен Expert Systems, с въвеждането на PROLOG LISP.
Основно това, което изкуственият интелект възнамерява е да създаде програмирана последователна машина, която да повтаря за неопределено време набор от инструкции, генерирани от човек.
В момента все още се провеждат много изследвания в големите образователни и частни технологични лаборатории; без да пренебрегваме забележителния напредък в системите за компютърно зрение (прилага се например за класификацията на бъркани артикули - винтове или парчета, маркирани с цветни кодове, за да се назове един случай-), автономно роботизирано управление (Sony, със своите роботи способни да се движат по почти човешки начин и да реагират на натиск точно както човек прави, когато ходи), размити логически приложения (прилагане на автоматично проследяване в нашите видеокасети, за да назовем едно приложение) и т.н. Изкуственият интелект обаче до голяма степен остава ограничен от своето технологично доминиране и малко успя да достигне до крайния потребителски пазар или индустрия.
2. ОПРЕДЕЛЕНИЯ НА AI
Що се отнася до настоящите определения на изкуствения интелект, има автори като Рич и Найт и Стюарт, които обикновено определят AI като способността на машините да изпълняват задачи, които в момента се изпълняват от хора; Небенда и Делгадо го определят като поле на изследване, което се фокусира върху обяснението и емулацията на интелигентното поведение, основано на изчислителни процеси, базирани на опит и непрекъснато познаване на околната среда.
Фарид Флейфел Тапия описва AI като: „браншът на компютърните науки, който изучава разрешаването на неалгоритмични проблеми чрез използване на всяка налична изчислителна техника, независимо от формата на разсъждения, които са в основата на използваните методи. се прилага за постигане на тази резолюция. За да завършим това определение, някои не толкова официални определения, издадени от различни изследователи на ИИ, като се имат предвид други гледни точки, са:
- AI е изкуството да се създават машини с възможност за изпълнение на функции, изпълнявани от хората, изискващи интелигентност. (Kurzweil, 1990) AI е проучването как да накараме компютрите да изпълняват задачи, които за момента хората се справят по-добре. (Rich, Knight, 1991) AI е отрасълът на компютърните науки, който се занимава с автоматизацията на интелигентното поведение. (Lugar and Stubblefied, 1993) AI е областта на изследване, която се фокусира върху обяснението и емулацията на интелигентното поведение, основано на изчислителни процеси. (Schalkoff, 1990).
При AI могат да се наблюдават два различни подхода:
- AI замислен като опит за разработване на технология, способна да предостави на компютъра възможности за разсъждения, подобни на тези на човешкия разум. AI в своята концепция като изследвания, свързани с механизмите на човешкия интелект, които се използват при валидирането на симулация на теории.
Първият подход се фокусира върху полезността, а не върху метода, както видяхме по-рано с алгоритмите, ключовите проблеми на този подход са представителството и управлението на знанието, най-представителните му автори са Маккарти и Мински.
Джон макарти
Във втория подход установяваме, че това е ориентирано към създаването на изкуствена система, способна да осъществява познавателни процеси в човека, като полезността като метод вече не е важна, основните аспекти на този подход се отнасят до ученето и адаптивността, а авторите му са Нюел и Симон от университета Карнеги Мелън.
AI, който се опитва да изгради машини, които очевидно се държат като човешки същества, породи два противоположни блока: символичният или подходът отгоре-надолу, известен като класически AI и субсимболичният подход, понякога наричан контакционист.
Символиката директно симулира интелигентните характеристики, които са предназначени да бъдат постигнати или имитирани, а най-доброто, което също е под ръка, е човекът; За създателите на експертни системи представителството на човешкото знание е основополагащо, където благодарение на този напредък са открити два вида знания: знания за конкретния проблем и знания за това как да получим повече знания от това, което вече имаме. Най-представителният пример за това е проектът Cyc от Дъглас Б. Ленат върху система, която има в паметта си милиони взаимосвързани факти.
В рамките на другия поток: субсимболичното; Усилията са насочени към симулиране на елементи от най-ниско ниво в рамките на интелигентните процеси с надеждата, че те, когато се комбинират, ще позволят на интелигентното поведение да възникне спонтанно. Най-ясните примери, които работят с този тип ориентация са невронни мрежи и генетични алгоритми, при които тези системи работят при самостоятелност, учене и адаптиране, силно свързани понятия.
3. РАЗДЕЛИ на AI
AI е разделен на две школи на мисълта:
- На изкуствен интелект Конвенционални изчислителен интелект.
Конвенционален изкуствен интелект
Въз основа на официалния и статистически анализ на човешкото поведение при различни проблеми:
- Обосновка, основана на конкретния случай: Помага за вземане на решения при решаване на определени конкретни проблеми Експертни системи: Предлагайте решение чрез предварително познаване на контекста, в който се прилага и за някои правила или взаимоотношения Bayesian Networks: Предлагайте решения чрез статистически изводи Intelligence Изкуствен на базата на поведения: сложни системи, които имат самостоятелност и могат да се саморегулират и контролират, за да се подобрят.
Изчислителен изкуствен интелект
Най- изчислителен интелект (известен също като subsymbolic изкуствен интелект) включва разработка или интерактивно обучение (например интерактивна промяна на параметрите в connectionist системи). Знанието се постига въз основа на емпирични факти. Някои методи в този бранш включват:
- Векторна машинна поддръжка: Системи, които позволяват разпознаване на родови модели с висока мощност Невронни мрежи: Системи с големи възможности за разпознаване на модели Скрити модели на Марков: Учене въз основа на временната зависимост на вероятностните събития Размити системи: Техники за постигане на разсъждения под несигурност. Той е широко използван в съвременната промишленост и в потребителски продукти, като перални машини.Еволюционно изчисляване: прилага концепции, вдъхновени от биологията, като популация, мутация и оцеляване на най-добрите, за да генерира последователно по-добри решения на даден проблем. Тези методи от своя страна са разделени на еволюционни алгоритми (напр. Генетични алгоритми) и колективни разузнавания (напр. Алгоритми на мравки)
4. ЕЗИКОВЕ НА ПРОГРАМИРАНЕ, ИЗПОЛЗВАНИ В AI
Марвин Мински, даде класификация на програмните езици, използвани в тази дисциплина:
- Направете сега: Когато програмистът предоставя инструкции на машината, за да изпълни определена задача, където всичко е посочено, с изключение може би броят на повторенията Винаги правете това: Тук можете да напишете програма, която ще помогне на компютъра да реши тези проблеми че програмистът не знае как да реши, но знае какви решения могат да бъдат изпробвани. Ограничение: Пишат се програми, които определят структурите и заявяват, че се обуславят и ограничават взаимно.
Мински обаче признава, че все още ще е необходимо да се разработят още два типа езици, за да се получи AI, съпоставим с човешкия разум; и това могат да бъдат:
- Направете нещо, което има смисъл: Там, където на програмата е позволено да се учи от миналото и в нова ситуация да прилага своите учения Подобрете себе си: Там можете да си позволите да пишете програми, които отсега нататък имат възможност да пишат програми по-добре от себе си.
Друг момент, свързан с проблема, с който се занимаваме тук, разбира се е концепцията за това какво е творчество, което на пръв поглед е нещо, което не можем да обясним задоволително, защото е резултат от специален дар, но проучвания за AI Те започнаха да правят възможно: казват ни, че доколкото са написани програми, които проявяват собственост, творчеството ще започне да се обяснява в същата степен.
Друго свойство, което се очаква да бъде свързано с AI е самоосъзнаването; че според резултатите от психологическите изследвания те говорят от една страна, че както е известно, човешката мисъл изпълнява голям брой функции, които не могат да бъдат класифицирани като съзнателни и поради това самосъзнанието допринася в известен смисъл за предотвратяване ефективен умствен процес; но от друга страна е от голямо значение да можем да имаме знания за собствените си възможности и ограничения, като това е от голяма полза за функционирането на интелигентността както на машината, така и на човека.
Но би било невъзможно да се опита да се обмисли темата на AI, без да се обръщаме към въпроса за сложността; където интелигентното поведение е резултат от взаимодействието на много елементи и което със сигурност е един от най-ценните приноси, когато се опитва да симулира човешки интелектуални явления в машината.
AI е разработен като дисциплина от концепцията за интелигентност, която се осъществява в рамките на психологията и от която са разработени различни категории.
5. ТЕХНИКИ, ИЗПОЛЗВАНИ В AI
Изкуственият интелект класифицира техниките, които могат да се използват като инструменти за решаване на проблеми в следните категории:
1. Основни техники: Така се нарича, защото е в основата на различни приложения на AI:
- Евристично търсене на решения, представяне на знания, автоматично приспадане, символно програмиране (LISP) и невронни мрежи.
Тези техники са в основата на приложенията. В по-голямата си част това не е необходимо да се знае от крайния потребител, а от професионалистите, които са посветени на неговото приложение и генерирането на търговски приложения.
2. Технологии (или комбинации от няколко основни техники), насочени към решаване на семейства от проблеми. Технологиите са по-специализирани от основните техники и са по-близо до крайните приложения. Те могат да бъдат споменати:
- Роботика, визия, естествен език и експертни системи.
6. ПРИЛОЖЕНИЯ И ОБЛАСТИ НА ПРИЛАГАНЕ НА AI
AI има следните класове или видове приложения:
- Диагностика, прогнозиране (системи за самоконтрол на атомните реактори), последователност на операциите („планиране“), дизайн и интерпретация на данни.
Всички те са семейства от типови проблеми. Например диагнозата се отнася до намирането на причините за неуспех, независимо дали става дума за неуспех в производствена линия или заболяване при човек.
Областите на приложение на AI са: инженерство, медицина, производствени системи, администрация, поддръжка на решения за управление и др. Всички те попадат в областите на компютърните системи, но се считат за клиенти на AI.
7. ПРИЛАГАНЕ НА AI В ПРОДУКТИВНИ СИСТЕМИ
За да може интелигентната система да се счита за завършена, тя трябва да включва различни функции, които включват:
- Интелигентност: Има много дефиниции на "интелигентност". За практическо използване използваме това: Интелигентността е нивото на системата за постигане на целите й. Систематизация: Системата е част от Вселената с ограничена степен в пространството и времето. Части от системата имат повече или по-силни корелации с други части на същата система; отколкото с части извън системата.Обектив: Целта е определена ситуация, която интелигентната система иска да постигне. Обикновено има много нива на цели, може да има основна цел и много подцели. Сензорен капацитет: Смисълът е частта от системата, която може да получава комуникации от околната среда. Сетивата са необходими, за да може интелигентната система да познава обкръжението си и да действа интерактивно. Концептуализация: Концепцията е основният елемент на мисълта.Това е физическото съхранение, информационен материал (в неврони или електрони). Всички концепции за памет са взаимосвързани в мрежа. Способността за концептуализация предполага развитието на нива на абстракция. Ситуация: Ситуацията е интегрирана с поредица от концепции, които интелигентната система използва, за да представи информацията, която нейните сетива са получили от околната среда. Правила за действие: Правилото за действие е резултатът на преживяване или резултат от интерпретирането на нечия памет. Свържете ситуацията и последиците от действието Памет: Паметта е физическо съхранение на понятия и правила на действие. Това включва опита на системата Учене: Ученето е може би най-важната способност на интелигентната система.Системата научава понятия от информацията, получена от сетивата. Научете правилата на основата на техния опит. Изпълнението, което понякога се извършва на случаен принцип, се съхранява с неговата стойност. Правилото за отговор се увеличава в стойността, ако позволи постигането на дадена цел. Ученето включва фиксиране на абстрактни понятия, основани на конкретни примери и създаване на сложни понятия, които съдържат понятията за части от даден обект. Ученето е също способността за откриване на връзки (модели) между частта „ситуация“ и частта „бъдеща ситуация“ от правилото за отговор.Ученето включва фиксиране на абстрактни понятия, основани на конкретни примери и създаване на сложни понятия, които съдържат понятията за части от даден обект. Ученето е също способността за откриване на връзки (модели) между частта „ситуация“ и частта „бъдеща ситуация“ от правилото за отговор.Ученето включва фиксиране на абстрактни понятия, основани на конкретни примери и създаване на сложни понятия, които съдържат понятията за части от даден обект. Ученето е също способността за откриване на връзки (модели) между частта „ситуация“ и частта „бъдеща ситуация“ от правилото за отговор.
Включването на интелигентни агенти за вземане на решения, невронни мрежи, експертни системи, генетични алгоритми и програмируеми автомати за оптимизиране на производствените системи е активна тенденция в индустриалната среда на страни с високо технологично развитие и с големи инвестиции в НИРД. Споменатите компоненти на изкуствения интелект имат основна функция за независим контрол и в координация с други агенти, индустриални компоненти, като например производствени или сглобяващи клетки и операции по поддръжка.
Нараства тенденцията към внедряване на по-автономни и интелигентни системи за производство / монтаж, поради изискванията на пазара за получаване на продукти с много високо ниво на качество; което с ръчни операции се усложнява и прави неразвитите страни като нашата не достигат конкурентни нива в световен мащаб. При проектирането на компютърно интегрирана производствена система трябва да се отдава значение на надзора, планирането, последователността, сътрудничеството и изпълнението на оперативните задачи в работни центрове, добавени към контрола на нивата на запасите и характеристиките на качеството и надеждността на системата. Посочените фактори определят структурата на системата и нейната координация представлява една от най-важните функции в управлението и контрола на производството.
Много често причината за изграждането на симулационен модел е да се намерят отговори на въпроси като: Какви са оптималните параметри за увеличаване или минимизиране на определена цел? През последните години има голям напредък в областта на оптимизацията на производствените системи. Напредъкът в разработването на инструменти за анализ на резултатите от симулационния модел е много бавен. Има голям брой традиционни техники за оптимизация, че само хора с големи познания в статистическите и симулационните концепции са допринесли значително в областта.
Поради нарастването на метаевристичните алгоритми за търсене се отвори ново поле в областта на оптимизация с симулация. На пазара излязоха нови софтуерни пакети като OPTQuest (Optimal Technologies), SIMRUNNER (Promodel Corporation) и Evolver (Palisade Software), предлагащи приятелски решения за оптимизиране на системи, които не изискват вътрешен контрол върху изградения модел, а над резултатите. че споменатият модел хвърля при различни условия. В допълнение, новите техники за изкуствен интелект, приложени за проблеми със стохастичната оптимизация, демонстрираха тяхната ефективност и изчислителна и апроксимационна способност.
Укрепването на обучението е набор от техники, предназначени за решаване на проблеми, базирани на процесите на решение на Марков. Това са стохастични процеси на вземане на решения, които се основават на концепцията, че действието, което трябва да се предприеме в дадено състояние, в даден момент зависи само от състоянието на системата в момента на вземане на решението.
Една от областите, която може да окаже най-пряко влияние върху производствените процеси в индустрията в световен мащаб, е проектирането на системи за поддръжка за вземане на решения въз основа на оптимизирането на работните параметри на системата. За тази цел използването на интелигентни параметрични и непараметрични техники за анализ на данни представлява голям интерес. Въпреки това, според мнението на авторите, повечето архитектури, предложени досега за компютърно интегрирано производство, нямат основен фактор за интеграция. Комуникацията между различните йерархични нива на производствен завод е много малка, тъй като всеки отдел се ограничава да изпълнява своята функция, без да търси интеграция на целия производствен завод, с изключение на компании като ABB със своя софтуер Baan и др.
8. ПРИЛОЖЕНИЯ НА AI В РЕШЕНИЕТО НА СПЕЦИФИЧНИ ПРОИЗВОДСТВЕНИ ПРОБЛЕМИ
I) Автоматичен контрол на качеството с помощта на компютърна система за зрение.
(Ройман Лопес Белтран, Едгар Сотер Солано и Едуардо Зурек Варела. Лаборатория по роботика и автоматична продукция. Универсидад дел Норте).
Всеки индустриален процес се оценява за качеството на крайния му продукт, това превръща етапа на контрол на качеството в решаваща фаза на процеса. Механизмите, използвани за установяване на качеството на даден продукт, варират в зависимост от параметрите, които са от значение за него. Когато съответният параметър е геометрията или формата на произведения обект, той обикновено се оставя с оглед на оператора, който извършва както проверка, така и функция за проверка за контрол на качеството, но може да има грешки в геометрията на обект, който избягайте от погледа на оператор и след това предотвратете правилното функциониране на споменатия обект. В случай като този се очертава добра алтернатива да се използва система за изкуствено зрение, способна да открие онези грешки, които операторът може да пренебрегне.Системата за изкуствено виждане Robot Vision PRO е способна на напълно автоматични задачи за идентификация на обекти и контрол на качеството.
Системата Robot Vision PRO е софтуерен пакет за визия, който дава възможност за придобиване на изображения, предварителна обработка и сегментиране. Освен това извършва обработка на данни на високо ниво, която осигурява филтриране на изображения, групиране и моделиране и идентификация на обекти. Тази система разполага с видеокамера и монитор, отговарящ за идентифицирането на всяка от важните части на процеса и извършване на сравнение с части със 100% качество, за да се определи по-късно дали опаковката може да излезе на пазара или трябва да бъде изхвърлена.
По-долу са представени няколко изображения, предоставени от системата Robot Vision PRO за изпълнение на операцията за контрол на качеството. Пакетите бяха подредени по такъв начин, че геометриите бяха напълно съдържани в програмата, а контролът на качеството за всеки от пакетите впоследствие беше извършен поотделно.
Авторите смятат, че използването на тази технология е много подходящо за компании, където повърхностното покритие на дадена част е много взискателно или където има строги допуски, като резервни части за автомобили, промишлени инструменти и др.
II) Проекти в процес на разработка по линията на изследване и развитие на изкуствен интелект.
(Изследователска група на университета в Манизалес).
да се. JAT (Интелигентна система за изпращане и контрол за обществен транспорт):
Основната му идея е да подобри услугата за градски транспорт на град Манизалес чрез изпращане и интелигентен контрол, което позволява да се подобри качеството на услугата и да се намалят оперативните разходи. Интелигентната част отговаря за планирането на изпращане на маршрутите, като гарантира, че всички автобуси ги покриват еднакво.
б. Интелигентна система за дистанционно наблюдение и наблюдение:
Целта е да се внедрят телевизионни системи със затворен кръг, които включват капацитета за дистанционно наблюдение през компютър и телефонна линия от всяка точка на света и чрез Интернет.
° С. Разпознаване на среди в мобилната роботика чрез невронни мрежи
Това изследване е фокусирано върху глобалната идентификация на средите, извършена от мобилен робот, въз основа на обучението на невронна мрежа, която получава информацията, уловена от околната среда от сензорната система (ултразвук) на робота. Счита се, че роботът, чрез невронната мрежа, има единствената задача да максимизира знанията за средата, която му е представена. По този начин тя моделира и изследва околната среда ефективно, докато изпълнява алгоритми за избягване на препятствия.
Резултатът от това проучване е от голямо значение в областта на мобилната роботика, тъй като: роботът придобива по-голяма автономия на движение, използването на ултразвук като детектор на препятствия е оптимизирано и е важен инструмент за развитието на планиращите траектория и интелигентни контролери.
Един от примерите, с които мрежата е била обучена (за повече подробности се консултирайте с изследванията на Rivera и Gauthier Universidad de los Andes) е, използвайки параметрите на обучение: константа на учене от 0,2 и моментна константа от 0,9, роботът да открие три препятствия.
Роботът е разположен на осем различни позиции и във всяка от тях е направен преглед и по този начин са оформени осем файла, с които мрежата е обучена и това, разпознавайки средата, няма да се срине с никаква пречка.
В невронната мрежа, с увеличаване на вътрешните слоеве, тя ще има повече капацитет и скорост за усвояване на различни среди.
Авторите определят, че използването на мобилна роботика е много важно в производствените процеси, при които човек не може да издържи на висока или ниска температура за дълги интервали от време, като MEALS, където може да се обучава персонализиран робот. че обучението му е усъвършенствано го подготви по-късно като превозвач на товари.
д. Генетични алгоритми, приложени към проблема с разпределението на квадратично съоръжение, QAP.
(Катедра по изследвания на операциите, Училище по индустриално инженерство, Университет в Карабобо, Валенсия, Венецуела, 2001 г.).
QAP е комбиниращ проблем, считан от някои автори за NP-завършен. Целта на QAP е да намери разпределение на съоръженията към сайтовете, за да се сведе до минимум функция, която изразява разходи или разстояния. Разположението и разпределението на съоръженията е една от най-важните теми в обучението на професионалисти в областта на индустриалното инженерство и на всички онези специалисти, които отговарят за планирането, организацията и систематичния растеж на градовете. В ежедневния и професионален живот на всеки индивид възникват голямо разнообразие от проблеми с местоположението на съоръженията.
Проблемите с местоположението и разпределението на съоръженията са стратегически за успеха на всяка производствена операция. Основната причина е, че разходите за обработка на материалите са между 30 и 75% от общите производствени разходи. Доброто решение на проблема с разпределението на съоръженията би допринесло за общата ефективност на операциите, лошото разпределение може да доведе до натрупване на инвентаризация на продуктите в процес, претоварване на системите за обработка на материали, неефективни настройки и дълги опашки. В рамките на този широк клас проблеми, които могат да бъдат класифицирани като QAP, е обобщеният проблем на потока на линията, който е поточна линия, в която операциите протичат напред и не се обработват непременно на всички машини в линията.Работа по такъв тип линия може да започне да обработва и завършва процеса си на всяка машина, като винаги се движи надолу по веригата чрез последователни операции в съответствие с последователността на процеса на работа. Когато последователността от операции за дадена задача не посочва машина, позиционирана пред текущото й местоположение, тя трябва да пътува в обратна посока (нагоре), за да завърши необходимата операция. Това „обратно пътуване“ на операциите се нарича отстъпване и се отклонява от идеалната линия на потока за конкретна работа, което води до по-малко ефективна структура на работа, както е показано на следващата фигура.винаги се движи напред (надолу по течението) чрез последователни операции в съответствие с последователността на процеса на работа. Когато последователността от операции за дадена задача не посочва машина, позиционирана пред текущото й местоположение, тя трябва да пътува в обратна посока (нагоре), за да завърши необходимата операция. Това „обратно пътуване“ на операциите се нарича отстъпване и се отклонява от идеалната линия на потока за конкретна работа, което води до по-малко ефективна структура на работа, както е показано на следващата фигура.винаги се движи напред (надолу по течението) чрез последователни операции в съответствие с последователността на процеса на работа. Когато последователността от операции за дадена задача не посочва машина, позиционирана пред текущото й местоположение, тя трябва да пътува в обратна посока (нагоре), за да завърши необходимата операция. Това „обратно пътуване“ на операциите се нарича отстъпване и се отклонява от идеалната линия на потока за конкретна работа, което води до по-малко ефективна структура на работа, както е показано на следващата фигура.Това „обратно пътуване“ на операциите се нарича отстъпване и се отклонява от идеалната линия на потока за конкретна работа, което води до по-малко ефективна структура на работа, както е показано на следващата фигура.Това „обратно пътуване“ на операциите се нарича отстъпване и се отклонява от идеалната линия на потока за конкретна работа, което води до по-малко ефективна структура на работа, както е показано на следващата фигура.
- Големият напредък на AI, прилаган към производствените системи, накара индустрията в непрекъснатото си търсене на подобряване на своята конкурентоспособност да постига целите си с по-голяма скорост и качество всеки ден; Това обаче в много случаи измества голямо количество работна сила, което води до социално влошаване, което се отразява в глобалните показатели за безработица и нива на бедност. Настоятелно призоваваме специалистите, отговорни за използването на AI, да уважават живота и допринасят с новите си открития за устойчивото развитие на него, като по този начин възстановяват здравето на нашата планета.
ЛИТЕРАТУРА
Илейн Рич и Найт Кевин. Изкуствен интелект. Второ издание. McGraw Hill: Мексико, 1994.
Стюарт Ръсел и Норвинг Метър. Изкуствен интелект: модерен подход. Prentice Hall: Мексико, 1996.
Списание La Ventana Informática. Издание N0 9. Университет на Манисалес. Страници 56 - 57. май 2003 г.
Делгадо, Алберто. Изкуствен интелект и мини роботи. Второ издание. Еко издания. Юли 1998 г.
Делгадо Алберто. Изкуствен интелект и мини роботи. VII Национален конгрес на студентите по индустриално, административно и производствено инженерство. Централен щаб на университета. Конгрес за спомени. 4 - 10 октомври 1998 г.
Информационна и компютърна енциклопедия. Софтуерно инженерство и изкуствен интелект. Юли 1992 г.
Небенда Дитер. Експертни системи. Инженеринг и комуникация Маркомбо издателство. Барселона 1988.
Marr DC Изкуствен интелект: Личен изглед, Изкуствен интелект. САЩ 1977г.
Ролстън У. Дейвид. Принципи на изкуствения интелект и експертните системи. McGraw Hill. Мексико 1992.
Момпин П. Хосе. Изкуствен интелект: концепции, техники и приложения. Marcomobo, SA издания. Испания 1987.
Ибероамериканско списание за изкуствен интелект. Приложение на изкуствения интелект в автоматизирани производствени системи. Llata, JR, Sarabia, EG, Fernández, D., Arce J., Oria, JP Number 10, страници 100-110. Достъпен в.
www.monographies.com
www.wikipedia.com
