ПРИНЦИП ПРЕДЕЛЬНЫХ ОБОБЩЕНИЙ: методология, задачи ...

213
Выход: Модель знаний {S} υ Min.
KB_MaxWeight ({S} Full )
begin
{S} υ Min := ∅;
{S} Full := ∪ j∈Z j ;
for j ∈ Z do begin
{α} := ∅;
for S({τ/T}, j) ∈ j ↓ do
if Ω j\{α} ≠ ∅ then begin
{β} := ∅;
for α ∈ Ω j\{α} do
if {τ/T} = {τ/T} α then {β} := {β} ∪ α;
{α} := {α} ∪ {β};
if {β} ≠ ∅ then {S} υ Min = {S} υ Min ∪ S({τ/T}, j) end
end;
return ({S} υ Min)
end.
Следует отметить, что алгоритм 5.7 не гарантирует решение следующей
целевой задачи:
Σ S∈{S} υ S → max {S} , где {S} ∈ {{S} Min |{S} Min ∈ {S} Full }.
Вместе с тем, данный алгоритм дает вполне удовлетворительные для
практики решения, которые совпадают с оптимальным решением или
близки к нему.
Рассмотрим вопрос о том, сколько тестов и какого уровня общности
минимально достаточно, чтобы установить заключение z/Z для прецедентов
из Ω.
Пусть {τ/T} * Min – полный набор тестов с указанием доменов, которые
фигурируют в какой-либо абсолютно минимальной, предельной модели
знаний {S * } * Min. Может оказаться так, что один и тот же тест присутствует в
наборе {τ/T} * Min несколько раз, но с разными доменами.
Для модели знаний {S} = ({S * } * Min) 2 получим:
{τ/T} {S} = {τ 1 /T2; τ 1 /T3; τ 2 /В3}.
Для модели знаний {S} = ({S * } * Min) 3 получим:
{τ/T} {S} = {τ 1 /T2; τ 2 /В2; τ 2 /В3}.
Если на моделей знаний {S * } * Min несколько, то присвоим им
произвольным образом индексы: ({S * } * Min) 1 , …, ({S * } * Min) q , где q = K * .
Соответственно, получим q наборов тестов: ({τ/T} * Min) 1 , …, ({τ/T} * Min) q или