4 Systemy hybrydowe
5. Pełna integracja (full integration); poszczególne techniki (moduły), mogą działać oddzielnie, natomiast korzystają z ze wspólnych struktur danych i reprezentacji wiedzy
Systemy typu transformacyjnego mogą działać w dwu trybach: (a) zachowującym uprawnienia
modułu nadzorującego w którym rozpoczyna się działanie (tzn. rozwiązywanie problemów) aktywując daną technikę (moduł), wykorzystując ją przez jakiś czas, do chwili dezaktywacji,
następnie po spełnieniu określonego warunku dezaktywują ją i aktywują inną technikę (moduł) oraz (b) przekazującym uprawnienia do aktywnego modułu. W drugim przypadku jest to co najmniej
dwuetapowy, kaskadowy system w którym rozwiązywanie problemów rozpoczyna się od przesłania danych wejściowych i aktywacji techniki (modułu) etapu początkowego a kończy po wykonaniu
obliczeń przewidzianych do wykonywania przez moduł początkowy przekazaniem danych
wynikowych z modułu początkowego do techniki (modułu) etapu finalnego. Przykładem działania w trybie z zachowaniem uprawnień (a) są systemy w których należy dobrać technikę poszukiwania
rozwiązania do charakteru danych wejściowych (np. systemy wczesnego ostrzegania / inteligentni agenci, których reakcja na symptomy niebezpieczeństwa polega na uruchomieniu procedur alarmowo-ratunkowych, natomiast w zwykłych warunkach zajmują się prowadzeniem zwykłej działalności, np. obsługą transakcji w przedsiębiorstwie). Przykładem działania w trybie z przekazywaniem
uprawnień (b) są systemy w których etap początkowy polega na usuwaniu zakłóceń.
Charakterystycznymi cechami struktur luźno związanych są (a) wyposażenie poszczególnych
4-18
translację do i z wewnętrznych formatów danych, (c) brak zagnieżdżeń wywołań (jeśli technika (moduł) A wywołała technikę B, to do zakończenia obliczeń przez technikę B technika A nie może być wywołana przez technikę B). Inicjacja odczytu plików danych ma miejsce dopiero wtedy gdy
moduł wymaga informacji pochodzących z pozostałych modułów (w przypadku jej nieobecności
moduł zawiesza działanie – oczekuje na udostępnienie danych). Wermter i Sun [322] podkreślają
sekwencyjne działanie tego typu struktur, rozumiane jako konieczność zakończenia zadania przez
aktywny moduł zanim będzie możliwe aktywowanie innego modułu. Ze względu na komunikację
wyłącznie za pośrednictwem plików wadami struktur typu loose coupling są: konieczność
opracowania procedur translacji, trudności w realizacji interaktywności (jeden moduł może zainicjować działanie drugiego i musi czekać na wykonanie przypisanych mu operacji – chyba że istnieje możliwość oszacowania czasu obliczeń). Zaletami struktury „luźnych relacji” jest jej przydatność w konstruowaniu prototypów systemów hybrydowych oraz możliwość łatwej
integracji narzędzi dostępnych w postaci oddzielnych modułów oprogramowania (programów
wykonywalnych) za pomocą dodatkowych modułów translacji formatów plików.
Struktury luźno powiązane są także najkrótszą drogą do utworzenia struktur hybrydowych typu algorytm genetyczny – sieć neuronowa, logika rozmyta – sieć neuronowa, symulacja – optymalizacja. Potwierdzają to Wermter i Sun [322] pisząc że „(hybrydy oparte na) luźnych powiązaniach pozwalają na różnorodne formy luźnej współpracy między modułami”. Wyróżnili oni następujące przypadki: (a)
technika główna (np. oparta na reprezentacji symbolicznej) wykonuje zasadnicze zadanie a techniki uzupełniające (np. sieć neuronowa) wykonują przetwarzanie wstępne lub służą do przygotowania
prezentacji wyników; (b) praca w trybie master-slave: technika główna aktywuje w razie potrzeby poszczególne techniki uzupełniające; technika główna dobiera technikę wykonawczą w zależności od zadania i odpowiedniej do niego reprezentacji wiedzy, (c) równouprawnienie i współpraca poszczególnych modułów. Przykładem struktury loose coupling jest hybryda diagnozująca urządzenie zapobiegające niedotlenieniu wody [283] w której logika rozmyta dokonuje wstępnego przetwarzania danych w celu skonstruowania wektora cech. Następnie przeprowadza się klasyfikację: wektor cech przyporządkowuje się jednej z wielu klas (stanów systemu). Zadaniem drugiego komponentu, sieci neuronowej jest klasyfikacja stanów procesu i zidentyfikowanie występujących usterek lub stanów niebezpiecznych (grożących pojawieniem się usterek). Moduł logiki rozmytej wykorzystuje się do wygenerowania ciągu uczącego. Wg autorów rozwiązania zapewnia się w ten sposób rozpoznanie takich sytuacji jak tworzenie się piany, błędne sterowanie temperaturą czy zatkanie przewodów doprowadzających wodę. Schemat hybrydowego SWD Ekanwin działającego jako struktura luźno powiązana przedstawiono na rysunku [Rys. 4-1] – szczegóły w dalszej części pracy.
4-19
Rys. 4-1 Zamknięta pętla MS-SE-Operator-Interpretator
W hybrydach złożonych z modułów ściśle powiązanych struktury danych do których odwołują się poszczególne moduły są wspólne dla współpracujących modułów i nie wymagają wykonania operacji
translacji. Zaletami tego typu struktur hybrydowych są: łatwiejsze implementowanie przetwarzania równoległego, szybsza praca, ujednolicenie formatów danych, możliwość implementacji
poszczególnych technik (modułów) w postaci inteligentnych agentów. Wśród niedogodności warto wymienić: konieczność integracji w systemie modułu zarządzającego pracą technik (modułów) inteligentnych, konieczność dostępu do kodu źródłowego modułów, ewentualne problemy w reprezentacji danych dostępnych w modułach tworzonych w niekompatybilnych narzędziach
programowania, trudności w wykorzystaniu przetwarzania wsadowego, mniejsza elastyczność w
konfigurowaniu hierarchii i kolejności technik, trudności w sterowaniu procesem komunikacji ze współdzieleniem pamięci.
W systemach w pełni zintegrowanych komunikacja może odbywać się na poziomie (a)
współdzielenia plików, (b) współdzielenia obszaru pamięci (zmiennych) przechowującej dane
wejściowe i wyjściowe oraz dane sterujące, (c) współdzielenia reprezentacji wiedzy tzn. dostępu do ścieżek wnioskowania, procedur optymalizacji, chromosomów, neuronów itd. Wyciąganie i
formułowanie wniosków wykonywane jest na podstawie współdziałania modułów lub
odpowiedzialny za to jest wyróżniony moduł. Moduł wyróżniony (nadzorujący) może być powołany
specjalnie w tym celu lub korzystać z jednej z technik inteligentnych. Przykładem w pełni
zintegrowanego systemu jest hybryda logiki rozmytej z siecią neuronową opisana przez Gabrysia i Bargielę [89]. Jest to system rozpoznawania przecieków w instalacji wodociągowej. Musi zatem poradzić sobie zarówno z błędami pomiaru, korzystać z prognoz zapotrzebowania na wodę jak i identyfikować ubytki wody (przecieki). Projekt został zrealizowany jako system dwupoziomowy: pierwszy poziom dotyczy rozpoznania typowego zachowania się systemu (np. zużycie nocne, szczyt dobowy) natomiast drugi ma za zadanie wykryć zachowania nadzwyczajne – anomalie. W strukturze NN-FZ węzły w centralnej warstwie sieci neuronowej (trójwarstwowej) reprezentują hipersześcian wykorzystujący logikę rozmytą: zastosowano klasyfikację min-max a funkcja przejścia jest tożsama z funkcją przynależności (hipersześcianu). Celem uczenia sieci jest umożliwienie klasyfikacji za
Model symulacyjny System ekspercki
diagnostyczny System ekspercki decyzyjny Interpretator języka planowania eksperymentu
4-20
pomocą hipersześcianu (stan normalny/typ zachowania/stan nadzwyczajny-przeciek). Schemat w pełni
zintegrowanej hybrydy NN-FZ [285] składa się z trzech części: warstwy rozmywania, reguł
rozmytych oraz defuzyfikacji (transformacji wartości rozmytych (stopniowanych) do postaci wartości liczbowych (ze zbioru liczb rzeczywistych)). Wszystkie części są zrealizowane w technice sieci neuronowych. W warstwie rozmywania funkcja rozmyta (typu If X>=A) transformuje poszczególne rodzaje wartości wejściowych (cech o charakterze ciągłym, pochodzące z pomiarów wykonanych z wykorzystaniem przyrządów czy urządzeń) do postaci rozmytej (stopniowane, o charakterze dyskretnym, nazywane zmiennymi lingwistycznymi). Za realizację funkcji przynależności odpowiadają neurony. Następna warstwa obejmuje reguły rozmyte operujące na wartościach wyjściowych z poprzedniej warstwie przemnożonych przez odpowiednie wagi (dla każdej wartości rozmytej i dla każdej cechy wejściowej). Za realizację funkcji przynależności tu także odpowiadają neurony a wyjściowa wartość reguły rozmytej jest ustalana w procesie uczenia (za pomocą ciągu uczącego). Warstwa defuzyfikacji składa się z neuronów obliczających wartości wyjściowe. Funkcja
przynależności realizowana jest poprzez połączenie funkcji sigmoidalnych i funkcji liniowych.
Wartości wag wyjściowych, ustalane podczas procesu uczenia sieci, wskazują na punkt ciężkości poszczególnych funkcji przynależności. Jako przykłady w pełni zintegrowanych struktur Wermter i Sun [322] podają CONSYDERR, w którym poszczególne elementy (reguły) w modułach mają swoje odpowiedniki w innych modułach, jest to jednak hybryda dwu typów sieci neuronowych (lokalnej i rozproszonej) oraz złożoną z wielu modułów hybrydę CBR-NN skonstruowaną przez Leesa i innych [167]. Opracowano także inne propozycje dotyczące schematów w pełni zintegrowanych struktur NN-FZ; autorem jednego z nich (pięciowarstwowej) jest Lin [177].
4.6.4 Klasyfikacje struktur hybryd wg kryterium sterowania
Radosiński [246] rozważając kombinacje dwuskładnikowe, przyjmuje jako kryterium klasyfikacji relacje między poszczególnymi technikami i wyróżnia struktury hierarchiczne, rozłączne i homomorficzne. W przypadku struktur (hybryd) hierarchicznych jedna z technik (modułów) nazywana jest techniką główną a druga techniką uzupełniającą.
Przyjmuje się następujące oznaczenie: ITG(łówna)->ITU(zupełniająca).
Technika główna steruje procesem rozwiązywania problemu i w razie potrzeby aktywuje technikę uzupełniającą, przesyłając do niej odpowiednie dane, udostępniając jej czas procesora (w przypadku możliwości obliczeń równoległych) lub przekazując sterowanie. Po wykonaniu zleconego zadania przez technikę pomocniczą udostępnia wyniki technice (modułowi) głównej, dezaktywuje się i oddaje sterowanie. W literaturze donoszono [20], [99], [192] o następujących pozytywnie
ocenianych kombinacjach (hybrydach) technik: NN -> AG (algorytm genetyczny służy
4-21
odpowiedzialna jest za dopasowanie interfejsu do wymagań użytkownika), ES -> AG (algorytm genetyczny wyznacza wartości współczynników pewności), ES -> FS (FZ) (rozmyta reprezentacja wiedzy, wnioskowanie rozmyte), FS -> NN (zadaniem sieci neuronowej jest optymalizacja sterowania rozmytego poprzez ustalenie hierarchii ważności reguł), FS -> AG (zadaniem algorytmu genetycznego jest optymalizacja sterowania rozmytego), NN -> ES (system ekspercki wyjaśnia rozwiązania wyznaczone przez sieć neuronową, wykorzystanie zdolności wyjaśniających i uczenia się), AG -> ES (system ekspercki wyjaśnia rozwiązania wyznaczone przez algorytm genetyczny), NN -> FS (dzięki technice uzupełniającej wzbogacono sieć neuronową o parametry rozmyte), AG -> FS (dzięki technice uzupełniającej wzbogacono algorytm genetyczny o parametry rozmyte).
Przykładem hierarchicznej hybrydy SE->NN jest system HYBEXP opisywany przez Monostoriego i innych [203]. Jest to system zarządzania produkcją, w którym moduł systemu
eksperckiego wykorzystuje informacje otrzymane z modułu sieci neuronowej (monitorującego
proces produkcji) a także bazy danych o maszynie wykorzystywanej w procesie produkcji, wytwarzanych elementach oraz wymaganych i dostępnych narzędziach. Przykładowo, jeśli sieć neuronowa rozpozna objawy zużycia narzędzia, to system ekspercki powinien rozważać: szacowany pozostały czas przydatności narzędzia, niebezpieczeństwo niezakończenia operacji z powodu usterki, dostępność narzędzi zapasowych, liczbę elementów oczekujących na obróbkę do czasu przywrócenie sprawności maszyny, koszty wymiany narzędzi itd. Wymienić można szereg zalet podejścia SE- > NN w omawianym systemie produkcyjnym ale wydaje się, że najważniejszym jest dualne określanie
czasu pozostającego do końca żywotności narzędzia: poprzez monitoring (sieć neuronowa) oraz techniki analityczne i wnioskowanie symboliczne (system ekspercki).
O hybrydach rozłącznych (nazywanych przez Ultscha [309] systemami kooperującymi (cooperative systems) mówimy gdy poszczególne techniki komunikują się między sobą za pomocą
przekazywania struktur danych i nie są od siebie zależne strukturalnie. Oznacza to, że żadna z
technik (modułów) nie ma możliwości sterowania inną, nie może aktywować, dezaktywować czy spowodować uruchomienie transmisji danych przez inne techniki (moduły). Sterowaniem poszczególnymi technikami oraz zarządzaniem procesem transmisji danych zajmuje się operator lub nadrzędna procedura sterująca (oprogramowanie). Jak pisze Radosiński [246] struktura
rozłączna jest odpowiednia dla złożonych problemów które da się podzielić na podproblemy. Taki
podział powinien uwzględniać możliwość dopasowania technik do poszczególnych podproblemów. Hybryda rozłączna może sprawdzać się gdy rozwiązywanie danego problemu wymaga działań
wieloetapowych. W takiej sytuacji konfiguruje się poszczególne techniki (moduły) w taki sposób, że aktywują wzajemną komunikację wtedy gdy odpowiednio kończą lub rozpoczynają właściwy etap obliczeń. Wydaje się, że natura hybryd rozłącznych predestynuje je do rozwiązywania problemów
poprzez przetwarzanie rozproszone (węzły sieci komputerowej realizują rozwiązywanie za pomocą poszczególnych technik). Spodziewać się tu można niewiele większego stopnia trudności niż w
4-22
przypadku oprogramowania i zorganizowania współpracy między poszczególnymi modułami działającymi na tym samym komputerze (praktycznie wystarczy wykorzystać określony protokół sieciowy). Doniesienia literaturowe [236] mówią np. o rozłącznej hybrydzie SE<->optymalizacja<->AG poprawiającej parametry działania turbiny, hybrydy NN<-SE<->optymalizacja<->AG<->SE, skonfigurowanej w celu rozwiązywania zadania wieloetapowego, składającego się z kolejno przeprowadzanych operacji:
rozpoznawania wzorców (sieć neuronowa), optymalizacji (algorytm genetyczny) i objaśniania wyników za pomocą mechanizmu wnioskowania opartego na regułach (regułowy system ekspercki),
czy hybrydy NEURECA NN-FL-GA opisywanej przez Monostoriego [204], w której algorytm genetyczny dobiera reguły wnioskowania a sieć neuronowa i logika rozmyta służą prognozowaniu
bankructwa.
Klasa hybryd homomorficznych wyodrębniona na podstawie kryterium relacji przedstawionego przez Radosińskiego pokrywa się z klasą jednolitych architektur (w terminologii Wermtera i Suna). Do hybryd homomorficznych zaliczyć należy także hybrydy transformacyjne (w terminologii Medskera), jako ich szczególny przypadek. Cechą wyróżniającą struktur homomorficznych jest zróżnicowanie wyłącznie pod względem funkcjonalnym: wszystkie techniki składające się na hybrydę implementowane są w za pomocą pojedynczej, uniwersalnej techniki. Ze źródeł literaturowych wynika, że platformą implementacji dla różnorodnych technik (SE, GA, FL itd.) są sieci neuronowe, ze względu na ich zdolność uczenia się i zdolność do odwzorowania wiedzy w postaci konekcjonistycznej – poprzez zmiany struktur (często wystarczy zmiana wag synaptycznych w sieci). Przykładowo, reguły wnioskowania mogą być emulowane w strukturze sieci neuronowej poprzez sieć relacji z przypisanymi (uprzednio) wagami synaptycznymi. Jak pisze Radosiński [246] „pełna integracja wiedzy eksperckiej i parametrów sieci zapobiega redundancji i ułatwia weryfikację zapisanych informacji”.
4.6.5 Klasyfikacje struktur hybryd wg typu architektury wewnętrznej
Rozszerzona taksonomia hybryd została przedstawiona przez Wermtera i Suna [322] w oparciu na klasyfikacji Medskera. Kryterium w tym przypadku była wewnętrzna architektura hybrydy. Uwzględniono w ten sposób sytuację, gdy odpowiednio skonfigurowana złożona struktura oparta na
pojedynczej technice inteligentnej realizuje funkcje charakterystyczne dla innej techniki, czyli ją emuluje (posiada elementy i zachowuje się w sposób charakterystyczny dla symulowanej techniki).
Wermter i Sun wyróżniają trzy zasadnicze klasy architektur wewnętrznych w przypadku hybryd, w których jednym ze składników jest sztuczna sieć neuronowa: (a) jednolita architektura neuronowa (unified neural architecture), (b) architektura oparta na wymianie reprezentacji wiedzy (transformation architecture), (c) modułowa architektura hybrydowa (hybrid modular architecture).
4-23
Cechą charakterystyczną architektury jednolitej jest realizowanie zadań przetwarzania symbolicznego za pomocą odpowiedniej konfiguracji neuronów, czyli emulacja systemów
regułowych. W ten sposób sieć neuronowa zyskuje przede wszystkim możliwości objaśniające
i logicznego wnioskowania, czyli uwzględnienia kontekstu informacji. Jak zwykle w sieciach neuronowych, struktury przetwarzania symbolicznego budowane są podczas uczenia sieci. Można wyróżnić dwa typy architektury jednolitej: lokalny (localist connectionist architecture) oraz rozproszony (distributed neural achitecture). W pierwszym typie każdy węzeł reprezentuje określone
pojęcia (związki). Jak piszą Wermter i Sun [322] reprezentacja lokalna przydatna jest w zadaniach modelowania kognitywnego (chodzi tu o zdolność uczenia się), wykorzystując regułę spadku
gradientu (wsteczną propagację błędu), metodę maksymalizacji wartości oczekiwanej itp.
W architekturze rozproszonej poszczególne pojęcia (symboliczne) reprezentowane są przez
struktury neuronów, obecne w całej sieci neuronowej. Jest to podejście radykalne, zakładające
reprezentację całości problemu i metod jego rozwiązywania za pomocą sieci neuronowej. Według zaleceń metodologicznych architektury jednolitej ES-NN na platformie sieci neuronowych, konstrukcja systemu ma wspomagać proces analizy sprawozdań finansowych [216].
W architekturze opartej na wymianie reprezentacji wiedzy (transformation architecture) mamy do czynienia z techniką (reprezentacją) nadrzędną (główną) i podrzędną (uzupełniającą). Rolę techniki
głównej pełni sieć neuronowa a uzupełniającej regułowy system ekspercki. Podstawą wymiany
reprezentacji wiedzy między poszczególnymi technikami jest wyposażenie hybrydy w zestaw
procedur wzajemnie tłumaczących odmienne reprezentacje wiedzy (konekcjonistyczną i
symboliczną). Umożliwiają one uniwersalne korzystanie z obu typów reprezentacji wiedzy. Celem omawianego typu architektury systemów hybrydowych jest wydobywanie reguł wnioskowania z sieci neuronowych poddanych uprzednio procesowi uczenia się. Możliwe jest także wprowadzanie
wiedzy symbolicznej (reprezentowanej za pomocą reguł) do struktur sieci neuronowych. Można to
wykonać stopniowo (przez uczenie sieci neuronowej) lub błyskawicznie (przez dołączenie struktury neuronowej reprezentującej reguły wnioskowania). Warto zaznaczyć, że Ultsch [309] uznaje systemy hybrydowe zaprojektowane zgodnie z architekturą opartą na wymianie reprezentacji wiedzy oraz
modułowe architektury hybrydowe za właściwe systemy hybrydowe (true hybrid systems).
Wermter i Sun [322] rozważając klasę modułowych architektur hybrydowych wyróżniają trzy
typy systemów (ze względu na kryterium klasyfikacji nazywają je architekturami): luźno związane, ściśle związane i w pełni zintegrowane. Typologia ta pokrywa się z trzema typami struktur
(wyższych) według Medskera. Autorzy podkreślają jednak realizację poszczególnych technik w postaci modułów programowych oraz że są to architektury jakościowo wyższe od architektury opartej na wymianie reprezentacji wiedzy. Motywują to faktem, że w transformation architecture poszczególne techniki wymieniają jedynie między sobą reprezentację wiedzy, pomijając problem sterowania i rozdziału zadań w zależności od typu problemu.
4-24
4.6.6 Klasyfikacje struktur hybryd wg zasad integracji
Goonatilake i Khebbal [99] twierdzą, że opracowanie hybryd różnorodnych technik umożliwi
rozwiązywanie dużo trudniejszych problemów. Są zwolennikami dekompozycji złożonych
problemów na podproblemy, rozwiązywania ich przez poszczególne techniki inteligentne przy jednoczesnym komunikowaniu się modułów (technik) między sobą. Goonatilake i Khebbal dokonując klasyfikacji systemów hybrydowych brali pod uwagę zasady integracji jako kryterium. Dzięki ich klasyfikacji wyróżniono trzy rodzaje struktur: hybrydy na bazie funkcji (technique enhacement), hybrydy na bazie komunikacji (intercommunicating hybrid intelligent systems) oraz hybrydy na bazie struktury (polymorphic hybrid intelligent systems).
W hybrydach na bazie funkcji w przypadku zidentyfikowania danego elementu czy funkcji techniki jako mniej przydatnego czy efektywnego organizuje się zastąpienie go przez inną technikę (np. gdy należy zidentyfikować wzorzec dezaktywuje się moduł systemu eksperckiego i aktywuje moduł sieci neuronowej a gdy istnieje potrzeba sporządzenia raportu dezaktywuje się moduł sieci neuronowej i przekazuje sterowanie modułowi regułowego systemu eksperckiego). Silva i Ludermir [273] opisują hybrydę na bazie funkcji, w której sieć neuronowa wybiera reguły wnioskowania oraz
dobiera parametry reguł, ograniczając liczbę reguł w SE. Jak podaje Radosiński [246] w literaturze
znaleźć można wiele doniesień o wdrożonych hybrydach działających na bazie funkcji: (1) sieć neuronowa przekazuje zadanie wyznaczania wag synaptycznych algorytmowi genetycznemu, (2) algorytm genetyczny deleguje zadanie wyboru populacji początkowej modułowi sieci neuronowej, (3) regułowy system ekspercki dokonuje analizy procesu wyznaczania rozwiązania przez moduł sieci neuronowej i komentuje uzyskane wyniki.
Hybrydy na bazie komunikacji wydają się najbardziej naturalnym rozwiązaniem.
Poszczególne rodzaje reprezentacji wiedzy wykorzystywane są przez odpowiednie techniki (moduły) inteligentne. Przykładowo, wiedza ekspercka w postaci dobrze zdefiniowanych reguł będzie przechowywania w bazie wiedzy systemu eksperckiego, dane o charakterze rozmytym, lingwistycznym w systemie rozmytym lub rozbudowanej o reprezentację wiedzy rozmytej sieci neuronowej. Cechą charakterystyczną hybryd na bazie komunikacji jest występowanie modułu
realizującego transmisję danych, niekiedy także sterowanie za pośrednictwem kanału komunikacji (pliki dyskowe, protokoły sieciowe, wspólny obszar pamięci). Hybrydy na bazie
komunikacji przystosowane są do rozwiązywania złożonych problemów zdekomponowanych na
podproblemy (kryterium dekompozycji są własności poszczególnych technik dostępnych w
hybrydzie). Ten rodzaj hybrydy przydatny jest także w rozwiązywaniu zadań polegającym na
4-25
neuronowa), optymalizacji (algorytm genetyczny), wnioskowaniu symbolicznym (system ekspercki). Poszczególne moduły, wykonujące dane zadanie elementarne przekazują sobie wzajemnie dane
wyjściowe (wyniki rozwiązań pochodzące z danego modułu). Należy przypomnieć, że wg
terminologii Medskera są to hybrydy przechodzące przeobrażenie (transformational). Jeżeli na przykład do analizy danego zagadnienia należy wykonać operacje rozpoznawania wzorów,
optymalizacji, a następnie wnioskowania symbolicznego, wtedy zadanie to może być wykonane
przez strukturę hybrydową zawierającą trzy, wzajemnie skomunikowane techniki inteligentne: sieć
neuronową, algorytm genetyczny i system ekspercki.
Cechą charakterystyczną hybryd na bazie struktury nazywanych także polimorficznymi jest
emulowanie funkcji i procesów wykonywanych zwykle przez różnorodne techniki na jednolitej platformie programistycznej. W przypadku struktur monolitycznych (niepolimorficznych) dla
wszystkich modułów obserwuje się jednolitość funkcji i struktury, tzn. moduł reprezentujący daną technikę wykonany jest bezpośrednio z wykorzystaniem pojęć danej techniki. W literaturze podaje się szereg przykładów struktur polimorficznych; zazwyczaj platformą programistyczną (emulującą pozostałe techniki) są sieci neuronowe, np. emulacja systemu eksperckiego przez sieć neuronową, wnioskowanie symboliczne za pomocą sieci neuronowej [6], sieć neuronowa (typu Boltzmanowskiego, wykorzystująca symulacyjne wyżarzanie, wyposażona w możliwości reprezentacji danych i pojęć) emulująca algorytm ewolucyjny [1] czy samoorganizujące się mapy własności (odmiana sieci neuronowych) emulujące struktury pojęć podobne do używanych w języku Prolog [307], różnorodne metody emulacji poszczególnych funkcji systemu eksperckiego przez sieć neuronową [308]. Struktury polimorficzne są tożsame z typem hybryd jednolitych w klasyfikacji Wermtera i Suna [322].