Обзор методов и моделей представления знаний в САПР

А.В. Толок,
зав. каф. ИГ, д.т.н., проф., a.tolok@stankin.ru
МГТУ «Станкин», ИПУ РАН, г. Москва,

М.В. Давидовский,
н. с.,m.davidovsky@gmail.com
ЗНУ, г. Запорожье, Украина

Стремительное развитие семантических технологий привело к существенно более широкому применению решений на основе знаний в промышленности. Не являются исключением и современные системы автоматизированного проектирования (САПР). Сегодня процесс проектирования основывается на большом объёме знаний. Таким образом, представление этих знаний с использованием специальных формальных моделей позволяет автоматизировать и значительно упростить процесс проектирования. В докладе рассмотрена специфика представления знаний в САПР, а также математический аппарат и основные виды применяемых математических методов и моделей.

The rapid development of semantic technologies in the last decade has led to a much wider application of knowledge-enabled solutions in industry. State-of-the-art computer-aided design (CAD) systems are not an exception. Modern design process is based on a large volume of knowledge. Thus, the representation of this knowledge using special formal models can automate and substantially simplify the design process. This report discusses the specifics of knowledge representation in CAD, as well as mathematical formalisms and basic mathematical models used for knowledge representation in CAD.

Введение

Использование современных автоматизированных систем проектирования (САПР) является одним из ключевых факторов конкурентоспособности промышленных предприятий ([1], [2], [3]). В то же время, развитие компьютерных наук и информационных технологий способствует появлению более сложных промышленных систем, в том числе, с использованием сложных имитационных моделей и холистического моделирования процесса производства ([4], [5]). Это, в свою очередь, ставит перед разработчиками САПР новые задачи и даёт новые возможности для развития существующих систем. Так, развитие семантических технологий позволяет снабдить существующие системы проектирования новыми средствами представления знаний, что позволяет улучшить согласованность системы, её управляемость и интегрируемость с другими системами (такими, как системы планирования ресурсов, управления производством, и т. д.), а также накапливать и рафинировать знания с целью оптимизации процесса производства. Так как процесс проектирования, как правило, основывается на большом объёме знаний, то применение специальных моделей и методов на основе знаний позволяет также автоматизировать и значительно облегчить сам процесс проектирования. В современной информационной среде проектировщик сталкивается с огромным объёмом исходных данных, и корректное эффективное представление знаний является критическим для обработки, структуризации и понимания их смысла. Стремление к повышению конкурентоспособности и оптимизации затрат влечёт за собой сокращение времени разработки путём организации одновременных и совместных проектных процессов, которые зависят от эффективной передачи знаний между командами проектировщиков. Осознание того, что решения, принятые в начале процесса проектирования имеют существенное влияние (в терминах затрат ресурсов, стоимости и устойчивости) на дальнейший процесс, привело к смещению эксплуатации знаний, используемых на более поздних стадиях проектирования, к более ранним стадиям [6]. Исследования в области системного проектирования, оптимизации систем и инжиниринга онтологий позволяют фиксировать знания о требованиях заказчика, отчётах обратной связи и ранее принятых решениях. Системы имитационного, холистического, междисциплинарного моделирования на основе знаний позволяют моделировать сценарии в производстве, монтаже и эксплуатации изделий. Это помогает фиксировать знания на всем жизненном цикле продукта и в дальнейшем использовать их при разработке и испытании моделей.

Задачи проектирования различаются по сложности и принадлежности к разным дисциплинам. В [7] проектирование определяется как «процесс, который строит описание артефакта, процесса или документа, удовлетворяющего (возможно неформальной) функциональной спецификации, соответствует определённым критериям производительности и ресурсных ограничений, является реализуемым и удовлетворяет критериям простоты, тестируемости, технологичности (или пригодности для массового производства) и возможности повторного использования». Авторы отмечают, что инженерное проектирование включает в себя отображение заданной функции (описания) реализуемой физической структуры – проектируемого изделия (артефакта). Это отображение часто является сложным. Более того, прямая корреляция зачастую не может быть определена из заданной функции для поведения соответствующей структуры. Поэтому задача проектирования решается путём многоступенчатого, итеративного и совместного процесса с обширным взаимодействием и координацией между группами экспертов в различных дисциплинах [8]. В [9] проектная деятельность разделяется на следующие категории: (1) концептуализация, (2) воплощение, (3) детализация и (4) вычисление, включающее создание чертежей, спецификаций и сбор информации. В то время как первые три категории разделены во времени (а это означает, что они происходят на определённых этапах в процессе проектирования), четвертая категория деятельности фактически распределена по всему процессу проектирования. К концу процесса проектирования накапливается существенная информация, что может быть полезным для будущего проектирования, если эта информация будет предоставлена проектировщику на более ранних стадиях проектирования. Очевидно, что эти знания должны быть определённым образом формализованы для дальнейшего повторного и совместного использования, а также автоматизации этого процесса в целом. Таким образом, процесс преобразования данных в информацию, а затем в знания, а также представление, хранение и дальнейшее использование этих знаний имеет ключевое значение в современных САПР. Следует отметить, что, несмотря на важную роль знаний в САПР, развитие этих систем идёт по нескольким направлениям в зависимости от задач и области применения конкретных систем. В данном обзоре мы рассматриваем системы проектирования, основанные на знаниях, оставляя за рамками альтернативные парадигмы (такие как вычислительная геометрия, компьютерная графика, нейронные сети, эволюционные вычисления, и др.).

1. Классификация знаний в области проектирования

С общенаучной точки зрения знания могут определяться как объекты, понятия и отношения, существующие в некоторой предметной области. По сути, знания представляют собой закономерности (принципы, связи, законы) предметной области, полученные в результате практической деятельности и профессионального опыта экспертов, позволяющие ставить и решать задачи в этой области ([10], [11], [12]). В проектировании определения и понимание знаний различаются в зависимости от контекстов. Рассмотрим наиболее общепринятые определения. В [13] знания рассматриваются в контексте интеллектуальных инженерных систем как «то, чем разумное существо обладает и использует для решения задач». В [14] знания определяются как «опыт, концепции, ценности, убеждения и методы работы, которые могут использоваться совместно и передаваться друг другу». В [15] термин «знание» используется как понимание данной информации – её содержание, происхождение и применимость. Утверждается, что «знания должны включать в себя не только правила, которых проектировщик должен придерживаться, но и базовые знания, которые позволяют понимать и пересматривать эти правила». С телеологической точки зрения основная функция конструкторских знаний заключается в содействии достижению целей и задач человека [16]. С этой целью дисциплина конструкторского проектирования должна обеспечить надлежащий объем знаний. Эта цель упорядочивает и регулирует отношения знаний инженерного проектирования. Конструкторские знания, полученные эмпирическим путём и/или путём рационального осознания и понимания, следует преобразовать в соответствии с прагматическими целями для практического применения. Иными словами, знания технического проектирования движутся от базового теоретического научного знания к практической разработке и реализации конкретных технических решений.

В соответствии с вышесказанным, мы можем классифицировать знания, используемые в САПР следующим образом:

- в зависимости от источника: эмпирические, теоретические;

- в соответствии со способом получения (извлечения или приобретения): доменные, эвристические, полученные путём вывода (на основе существующих знаний), обобщённые (полученные путём обобщения существующих знаний – восходящая методология), детализированные (полученные путём детализации, конкретизации или уточнения существующих знаний – нисходящая методология);

- в зависимости от типа: декларативные, процедурные, командные;

- в зависимости от уровня абстракции: общие (общепринятые, повседневные), предметно-ориентированные, ориентированные на конкретные задачи;

- в зависимости от степени формализации: формальные, неявные.

В контексте систем проектирования также можно выделить специфические категории знаний:

- скомпилированные и динамические.

Здесь скомпилированные знания являются, по сути, знаниями, полученными из опыта, которые могут быть представлены в виде правил, планов или сценариев, формального описания ранее решённых задач и т. д. В скомпилированном знании решения представлены в явном виде. Динамические знания могут быть использованы для создания дополнительных структур, не охваченных скомпилированными знаниями. В динамическом знании решения представлены в неявном виде.

В [16] предложен теоретический аппарат для исследования и классификации знаний на основе телеологии исследований в области технического проектирования. Как упоминалось выше, авторы утверждают, что одной из основных целей проектирования является преобразование знаний различных областей в форму, пригодную для практического применения. Исходя из этого, знания технического проектирования могут быть в целом разделены на категории источников, категории каналов и категории потребителей. Категории источников включают формы знания, обеспечивающие основные механизмы рассуждения для инженерного проектирования. Категории каналов предоставляют знания помогающие соединять теоретические знания с практическими (эвристическими) знаниями. Категории потребителей, в свою очередь, необходимы для реализации и применения знаний инженерного проектирования.

В начале развития систем моделирования, основанных на знаниях, в САПР преобладали командные, декларативные, стратегические и процедурные типы знаний ([17], [18]). В [17] знания в САПР определяются как декларативные и процедурные. Авторы утверждают, что декларативное знание состоит из фактов о ситуации и включает в себя знания об объекте разработки и знания о конкретных командах, которые могут быть использованы в определённой САПР. Также отмечается, что пользователи должны иметь доступ к фактам относительно объектов проектирования, таким как механические свойства объекта, инженерные принципы, которые могут быть применены к объекту, и знаниям о других проектах для подобных видов объектов, которые могут быть использованы в качестве образца или эталона для проектируемого объекта. Кроме того, пользователи должны иметь декларативные знания о конкретной системе, такие как синтаксис команд и конкретные команды, которые могут быть использованы в процессе проектирования. В [18] смысл декларативных знаний в САПР определяется по существу как знание о программном обеспечении и его возможностях – знание о командах и алгоритмах, которые доступны в САПР. Процедурные знания, как отмечено в [17], похожи на подпрограмму, которая всегда обрабатывает информацию определённым образом в зависимости от ситуации. Стоит отметить, что стратегии или процедуры, используемые для задач проектирования должны быть независимыми от платформы САПР и доступны практически на любой вычислительной машине. Процедурное, командное и декларативное знания являются базовыми типами знаний в задачах моделирования. Эти типы знаний, по сути, концентрируются только на представлении знаний системы моделирования, основанной на эксплуатации одной платформы САПР, и могут быть эффективно использованы на ней как опыт пользователей, развивающийся и накапливаемый в течение долгого времени. Тем не менее, на практике это происходит весьма редко [6]. Разработчики модели должны осознавать необходимость понимания общих черт и задач разработки модели, так как деятельность, связанная с процессом разработки моделей, влияет на другие процессы (такие как проектирование, планирование, подготовка и производство). Кроме того, в современных условиях разработанная для одной системы модель может использоваться другими. Таким образом, можно констатировать, что ранние системы автоматизированного проектирования были больше связаны с компьютером, чем с проектированием как таковым, тем самым вынуждая проектировщика больше концентрироваться на инструментарии, чем непосредственно на процессе проектирования. Очевидно, это не соответствует творческому подходу к проектированию и влечёт за собой снижение продуктивности работы проектировщика и, в конечном итоге, снижение качества проекта. Современные системы автоматизированного проектирования должны быть более ориентированы на сам процесс проектирования, а не на используемые аппаратные и программные платформы [19]. При представлении знаний и управлении ими, важно учесть точки зрения различных пользователей на одни и те же знания, избыточность или пробелы в знаниях, влияние на них корпоративных процессов [20].

Обобщая сказанное, приведём четыре характеристики компьютерных САПР следующего поколения [21]:

- Акцент на концептуальное проектирование (в особенности изобретательский аспект),

- Акцент на творческое проектирование, в том числе конструирование по аналогии (e.g. бионика, биомеханика),

- Поддержка совместного проектирования,

- Обоснование когнитивного процесса проектирования.

Очевидно, что для реализации приведённых выше четырёх принципов САПР нового поколения необходимы более продвинутые методы и модели представления специфических для проектирования знаний. С нашей точки зрения, наиболее соответствующими этим целям являются подходы к представлению знаний, используемые в области искусственного интеллекта, такие как продукционная модель [12], фреймы [12], описательные логики [22] и онтологии [23]. Наиболее интересным и перспективным, мы считаем онтологический подход к представлению знаний в САПР.

2. Продукционная модель представления знаний

Правила продукций (называемые также правилами «IF-THEN») являются простым, но популярным методом представления знаний. Продукционная модель (модель, основанная на правилах) позволяет представить знания в виде предложений типа «Если (условие), то (действие)» (возможны также варианты «Если (посылка), то (вывод)» или «Если (утверждение ) и (утверждение ) верны, то (утверждение ) верно»). Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» (консеквентом) – действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия и терминальными или целевыми, завершающими работу системы). Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для её подтверждения – к данным). Данные – это исходные факты, хранящиеся в базе фактов, на основании которых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы.

Формально продукционная модель может быть представлена в следующем виде [10]:

(1)

где – описание класса ситуаций, – условие, при котором продукция активизируется, – ядро продукции, – постусловие продукционного правила.

В контексте проектирования продукционная модель традиционно используется для представления знаний в экспертных системах и системах поддержки принятия решений в области проектирования и планирования ресурсов. Она привлекает разработчиков своей наглядностью, высокой модульностью, лёгкостью внесения дополнений и изменений, простотой механизма логического вывода [24]. Хорошим примером применения продукционной модели может служить также подход, представленный в [25]. Здесь продукционная модель используется для интеграции САПР и АСТПП (автоматизированная система технологической подготовки производства) на основе специального автоматического модуля планирования процессов. Кроме решения задачи интеграции систем и повышения согласованности и управляемости процессов проектирования, планирования и производства, эта модель позволяет пополнять базу знаний путём логического вывода на знаниях, решать задачи поддержки принятия решений и оптимизации.

3. Семантические сети

Семантическая (также пропозициональная или ассоциативная) сеть – это ориентированный граф, вершинами которого являются понятия, а дугами – отношения между ними ([10], [11]). В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: «это» («АКО – A-Kind Of», «is»), «имеет частью» («has part»), «принадлежит», и т.д. Характерной особенностью семантических сетей является обязательное наличие трёх типов отношений: 1) класс – элемент класса (подкласс); 2) свойство – значение; 3) пример элемента класса.

Основное достоинство данной модели – соответствие современным представлениям об организации долговременной памяти у человека [26]. В то же время вычислительная сложность поиска и вывода на этой модели существенно растёт с увеличением размера сети [27]. Таким образом, эту модель целесообразно использовать в системах поддержки начальных этапов проектирования для первичного анализа предметной области и создания простых, понятных человеку схем разрабатываемого проекта, в организации человеко-машинных диалогов и интерфейсов. Кроме того, независимое от предметной области представление знаний в виде семантической сети используется для поддержки декомпозиции проблемы проектирования при моделировании связей между подзадачами, множественных представлений проектируемого объекта на различных уровнях абстракции, анализа проекта. Представление разделяет знания об экземпляре проектирования, предметной области и различных уровнях абстракции.

4. Фреймовая модель представления знаний

Фрейм [28], как модель представления знаний, содержит декларативную и процедурную информацию связанную предопределёнными внутренними отношениями [29]. С когнитологической точки зрения фрейм – это абстрактный образ для представления некоего стереотипа восприятия [10]. Эта модель достаточно универсальна, что позволяет отображать практически любые знания, используя различные типы фреймов: структуры, роли, сценарии и ситуации.

Фреймовая модель позволяет хорошо систематизировать иерархию объектов реального мира, справляясь даже с задачами численной таксономии за счёт введения абстрактных классов [24]. Кроме того, фрейм, как модель представления знаний, отражает концептуальную основу организации памяти человека [30] и, следовательно, является естественным способом представления пространственных знаний (т.к. концепция фрейма была изначально предложена именно для обозначения структуры знаний для восприятия пространственных сцен). Очевидно, что данная модель является потенциально полезной для внедрения в САПР, разрабатываемый в рамках других парадигм с акцентом на представление пространственных и визуальных знаний (таких как вычислительная геометрия, компьютерная графика, и т.д.). К недостаткам модели следует отнести затруднения, возникающие при обмене большими объёмами данных между двумя объектами (фрейм в классическом виде, описанный автором этой модели М. Мински, не предполагает обмена данными). Таким образом, эту модель не целесообразно использовать для задач обеспечения интероперабельности систем и повторного использования знаний.

5. Онтологии и логика дескрипций

В области компьютерных наук и информатики, онтология формально представляет знания в виде иерархии понятий предметной области, используя общий словарь для обозначения типов, свойств и взаимосвязей этих понятий [31]. Том Грубер в [32] дал ставшее классическим и широко принятым определение онтологии как «явной спецификации концептуализации» (где концептуализацию можно определить как «набор экстенсиональных отношений, описывающих определённое положение дел» [33]). Формально, онтология может быть определена как кортеж [34]:

(2)

где – множество концепций (или классов); – множество отношений (объектных свойств и свойств типов данных); – множество индивидов (или экземпляров); – множество типов данных; – множество значений; – рефлексивное, асимметрическое и транзитивное отношение
над , называемое специализацией
(категоризацией), которое формирует частичное упорядочение и , называемое иерархиями концепций и свойств соответственно; – иррефлексивное и симметрическое отношение
над , называемое исключением; – отношение над , называемое инстанциацией (также конкретизацией или реализацией); – отношение над , называемое назначением (или присваиванием); (множества попарно не пересекающиеся).

С точки зрения логики дескрипций [22] онтология может быть определена следующим образом:

(3)

где– множество утверждений уровня схемы онтологии , а – множество индивидуальных утверждений. Схема онтологии является терминологической составляющей онтологии (также обозначаемой как TBox). Она содержит утверждения относительно концепций онтологии , свойств этих концепций и аксиом относительно составляющих схемы (например, таких как эквивалентность, непересекаемость, и т.д.). Множество индивидов, также называемое ассерторическим компонентом (ABox), является множеством базовых утверждений об индивидах и их атрибуции (отнесения) к схеме. Таким образом, принимая во внимание (2) можно записать:

(4)

В контексте САПР, использование онтологий позволяет интегрировать и использовать ценную неструктурированную информацию и знания, а также обеспечить более богатую концептуализацию сложной предметной области. Сбор проектных знаний и их моделирование являются важнейшими вопросами для систем поддержки проектирования и управления проектными знаниями. Важно, чтобы модели знаний были систематическими, согласованными, подлежащими повторному использованию и способными к взаимодействию. Многие авторы (например, [35], [36], и [37]) утверждают, что онтологии являются наиболее передовой технологией для решения проблем интероперабельности и взаимодействия между различными приложениями, функционирующими в рамках общей среды. Действительно, онтологии концептуализируют семантику различных предметных областей в рамках дискурса общего для взаимодействующих систем. Следовательно, онтологии служат мостом для "понимания" между системами или их частями. Кроме того, являясь, по сути, логическими описательными теориями, онтологии позволяют формализовывать сложные предметные области, осуществлять сложный логический вывод, позволяющий автоматически получать новые знания и контролировать их согласованность. Таким образом, можно констатировать, что онтологии представляют собой естественные и надёжные средства для обеспечения согласованности, повторного использования и совместимости моделей представления знаний в САПР.

Заключение

Стремительное развитие семантических технологий привело к существенно более широкому применению решений на основе знаний в промышленности. В контексте САПР методы, основанные на знаниях, используются для представления артефактов процесса проектирования, а также самого процесса и всего жизненного цикла продукта или изделия. Основными преимуществами использования представления знаний для моделирования промышленных инженерных задач и артефактов являются [38]: 1) автоматизация процесса проектирования и поддержка принятия решений экспертами; 2) повышение согласованности системы, её управляемости и качества поддержки; 3) повторное использование созданных моделей артефактов; 4) повышение интегрируемости системы. В докладе рассмотрена специфика применения методов и моделей представления знаний в САПР, а также следующие виды применяемых математических моделей: 1) продукционная модель; 2) семантические сети; 3) фреймы; 4) логика дескрипций; 5) онтологии. В данном обзоре мы ставили цель не охватить все существующие на сегодняшний день модели представления знаний, но обратить внимание исследователей и разработчиков в области САПР на применимость методов представления знаний, зарекомендовавших себя в области искусственного интеллекта для решения новых задач стоящих перед создателями САПР нового поколения. С точки зрения авторов, наиболее обещающим является подход к представлению знаний на основе описательных логик и онтологий.

Литература

1. Richter, A.: Economic Advantages by CAD/CAM Use in Compound with Production Data Organization. In NEW PROLAMAT 53-60, 2013.

2. Kondoh, T. Suzuki, T. Using 3D-CAD Systems for Mechanical Design Innovation. Proc. of IEEE International Engineering Management Conference (IEMC), Vol.3, 954 – 957, 18-21 Oct., Singapore, 2004.

3. Narayan, K. Lalit. Computer Aided Design and Manufacturing. New Delhi: Prentice Hall of India, 2008.

4. Enterprise and Organizational Modeling and Simulation (Eds.), Barjis, J., Gupta, A., Meshkat, A. Proc. of the 9th Int Workshop, EOMAS 2013, Held at CAiSE 2013, Valencia, Spain, June 17, 2013, LNBIP Vol. 153, Springer, 2013.

5. Holonic and Multi-Agent Systems for Manufacturing (Eds.), Mařík, V., Strasser, T., Zoitl, A. Proc. of the 4th Int. Conference on Industrial Applications of Holonic and Multi-Agent Systems, HoloMAS 2009, LNCS Vol. 5696, Springer, 2009.

6. Adnan, M. F., Daud, M. F., Saud, M. S. Contextual Knowledge in 3D CAD Modeling: A Literature Review and Conceptual Framework. In Proc. of the 2014 International Conference on Teaching and Learning in Computing and Engineering (LATICE '14). IEEE Computer Society, Washington, DC, USA, 176-181, 2014.

7. Tong C, Sriram R. Artificial intelligence in engineering design, vol.1. Academic Press, 1992.

8. Chandrasegaran, S.K., Ramani, K., Sriram, R.D., Horváth, I., Bernard, A., Harik, R.F., Gao, W. The evolution, challenges, and future of knowledge representation in product design systems. Computer-Aided Design, 204-228, 2013.

9. Pahl G, Beitz W. Engineering design: a systematic approach. Springer, 1996.

10. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник. — СПб.: Питер, 2000.

11. Джарратано Дж., Райли Г. Экспертные системы: принципы разработки и программирование. 4-тое изд. М.: Вильямс, 2007. — 1152 с.

12. Рассел С., Норвиг П. Искусственный интеллект: современный подход. М.: Вильямс, 2006.

13. Sriram R. Intelligent systems for engineering: a knowledge-based approach. Springer Verlag, 1997.

14. Sainter P, Oldham K, Larkin A, Murton A, Brimble R. Product knowledge management within knowledge-based engineering systems. In Proc. of the ASME 2000 design engineering technical conference and computers and information in engineering conference, 2000.

15. Sunnersjö, S. A taxonomy of engineering knowledge for design automation. In Proc. of TMCE 2010 symposium, 2010.

16. Horváth I. A treatise on order in engineering design research. Research in Engineering Design 15:155–81, 2004.

17. Lang, G. T., Eberts, R. E., Gabel, M. G. and Barash, M. M. Extracting and Using Procedural Knowledge in a CAD Task. IEEE. Transaction on Engineering Management, 38(3), 257-268, 1991.

18. Bhavnani, S. K. Design conducive to the use of efficient strategies. The 3rd conference on Designing interactive systems: processes, practices, methods, and techniques, August 17-19, New York City, New York, 2000.

19. Ullman D. Towards the ideal mechanical engineering design support tool. Research in Engineering Design,13(2):55–64, 2002.

20. Labrousse M., Bernard A. FBS-PPRE, an enterprise knowledge lifecycle model. In Bernard A, Tichkiewitch S, editors. Methods and tools for effective knowledge life-cycle-management. Springer. p. 285–305, 2008.

21. Goel AK, Vattam S, Wiltgen B, Helms M. Cognitive, collaborative, conceptual and creative—four characteristics of the next generation of knowledge-based cad systems: a study in biologically inspired design. Computer-Aided Design, 44(10):879–900, 2012.

22. Baader F. The Description Logic Handbook. New York: Cambridge University Press, 2003.

23. Kalibatiene, D., Vasilecas O. Survey on Ontology Languages. LNBIP, Vol. 90, pp 124-141, Springer, 2011.

24. Смолин Д.В. Введение в искусственный интеллект, Физматлит, 2011.

25. Kamat, V. V., Integration of CAD/CAM using Intelligent Process Planning. ERTAI-10: Emerging Research Trends in Artificial Intelligence, Scheduled on 17th April, 2010, Mumbai, India and Organized by C-DAC, Mumbai, 2010.

26. Скрегг Г. Семантические сети как модели памяти. Новое в зарубежной лингвистике, 12. М.: Радуга, 228-271, 1983.

27. John F. Sowa. Semantic Networks. In Stuart C Shapiro. Encyclopedia of Artificial Intelligence, 1987.

28. Minsky, M. A Framework for Representing Knowledge. In Patrick Henry Winston (ed.), The Psychology of Computer Vision. McGraw-Hill, New York (U.S.A.), 1975.

29. Feigenbaum, E., Avron Barr. The Handbook of Artificial Intelligence, Volume III. Addison-Wesley. pp. 216–222, 1986.

30. Шенк Р., Хантер Л. Познать механизмы мышления. Реальность и прогнозы искусственного интеллекта. М.: Мир, 1987.

31. Gruber, T. R. (June 1993). A translation approach to portable ontology specifications. Knowledge Acquisition 5 (2): 199–220. doi:10.1006/knac.1993.1008, 1993.

32. Gruber, T.R. Toward principles for the design of ontologies used for knowledge sharing. In N. Guarino and R. Poli (Eds), International Workshop on Formal Ontology in Conceptual Analysis and Knowledge Representation, Padova, Italy. Kluwer Academic Publishers, 1993.

33. Genesereth, M.R., Nilsson, L. Logical Foundations of Artificial Intelligence. Morgan Kaufmann, California, 1987.

34. Euzenat, J., Shvaiko, P. Ontology Matching. – Berlin Heidelberg (DE): Springer-Verlag, 2007.

35. Bittner, T., Donnelly, M., Winter, S. Ontology and Semantic Interoperability. In Prosperi, D., Zlatanova, S. (eds.) Large-scale 3D Data Integration: Problems and Challenges. CRCPress, London, 2005.

36. Yang, Q.Z., Zhang, Y. Semantic Interoperability in Building Design: Methods and tools. CAD 38, 1099–1112, 2006.

37. Obrst, L. Ontologies for Semantically Interoperable Systems. In Proc. of the Twelfth International Conference on Information and Knowledge Management, CIKM 2003, New Orleans, LA, USA, November 3-8, 2003.

38. Kendal, S.L., Creen, M. An introduction to knowledge engineering. London: Springer, 2007.