CC BY
27
УДК 004.03: 004.9 Гришко А.К.
ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
АДАПТИВНЫЙ СИНТЕЗ ИНФОРМАЦИОННЫХ СИСТЕМ АНАЛИЗА СОСТОЯНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ
Рассматриваются методы структурирования и формирования комплексных моделей сложных объектов на основе представления и обработки разнородных данных в информационных системах. Ключевые слова:
сложный технический объект, информационная система, структурная адаптация.
Применение существующих подходов и методов анализа сложных технических систем характеризуется следующим: многоаспектность и неопределенность; иерархическое построение; структурное подобие и структурная избыточность элементов и подсистем сложных технических объектов (СТО), сложные многоуровневые связи между; многовариантность реализации функции управления на каждом из иерархических уровней СТО [1-3]. Это является актуальной проблемой.
Помимо этого, создание таких объектов, как правило, в единичных экземплярах или малыми сериями затрудняет формирование достоверной информационной выборки статистических данных. Эти особенности обуславливают различные виды сложности технического объекта: структурную сложность, функциональную сложность, сложность поведения и требуют использование моделей различного вида, которые отражают разносторонние свойства объекта - динамику его поведения, структурную и функциональную особенности.
Для систем анализа состояний СТО основой являются полимодельные комплексы, а синтез алгоритмов формирования и их формализованного представления является одной из важнейших проблем системного моделирования [4,5]. Функционирование и структура систем анализа 5 будет зависеть от многих информационных особенностей [6-8]: объекта анализа Q; функциональной цели системы анализа С, которая определяется конкретно поставленной задачей принятия решения; полимодельного комплекса М, который задает и формирует структуру анализируемой системы; окружающей среды, которая определяет параметры системы С, а также отношения и связи между этими структурами й = ^ .
В соответствии с этим, информация по всем имеющимся ресурсам 2 будет определяться как 2 = ^Q(M)R), и построение новой структуры для информационной системы анализа можно будет представить следующим образом:
р = (г,Мц,-в)
где - целевая структура системы, $ = (Мь,р) -
алгебраическое формирование структур систем, где Мь - множество классов элементов структуры М, а р = (Ы,К) - набор операций по формированию структур системы N - операция наследования, К - операция композиции. Комбинация этих операций по формированию структур системы сохраняет целостность представления СТО на различных иерархических уровнях [9-11]. Алгоритмы, формирующие базовые классы СТО Аь = (2,С,МЬ~) являются проблемно-
ориентированной декомпозицией 2 , построение этих алгоритмов основывается на принципах семиотической интроспекции, идентифицирующей различия и обобщающей подобия множества СТО.
Интеграция разнотипных моделей СТО основывается на применении методов категорного анализа. На основе такого подхода появляется возможность сохранять целостность представления объекта используя инвариантность способов полимодельного описания СТО и сводить исследования задач одного вида к задачам другого вида. Существует информация о ряде категорных зависимостей, которые позволяют обеднять или обогащать категории, осуществляя декомпозицию или агрегирование информационно-аналитических систем. Для формирования данных структур требуется выведение СТО из базы знаний.
В модели объекта М1 находится описание его некоторых свойств в соответствующих категориях. Следовательно, объект М1 можно представить в виде объекта категории 0ЬМ1, а связь между ними рассматривать в виде морфизмов -МогМ1. С позиции задачи таксономии формирование категорий на основывается на признаковом пространстве 1п = {¿1, ¿2, ¿п!, множестве базовых классов К1(М) и объектах таксономии М. Объекты, которые принадлежат к одному классу, будут являться изоморфными, иначе говоря, неразличимыми в пространстве признаков 1п, а классы объектов К1(М) в этом пространстве признаков будут являються гомоморфными, образуя при определенных свойствах пространства признаков категорию Са1(М). Описание СТО полимедельными комплексами будет определяться на основе совокупности моделей разных категорий Мро11 = ^1[=1М1. Для формирования правил отображения моделей требуется построение функтора Р = (Му,Ми), вид которого будет определяющим для вида отношений между моделями соответствующих видов {у,и). Следовательно, сохраняется возможность формирования знаний категорий Са1(Ми) при недостаточности условий формирования категорий. Осуществляя процедуру таксономии А мы, таким образом, делаем возможным проведение следующей процедуры А':ЗР(МУ) — Са1(Ми). С помощью нее можно осуществлять построение и обработку гипотез относительно знаний одной категории, применительно к знаниям другой, что расширяет на практике возможности получения знаний.
Предлагаемый подход можно использовать при адаптации структуры [7,10-13] информационно-аналитических систем анализа и испытаний сложных технических систем.
ЛИТЕРАТУРА
1. Гришко А.К. Системный анализ параметров и показателей качества многоуровневых конструкций радиоэлектронных средств / А.К. Гришко, Н.К. Юрков, Д.В. Артамонов, В.А. Канайкин // Прикаспийский журнал: управление и высокие технологии. - 2014. - № 2 (26). - С. 77-84.
2. Гришко А.К. Динамическая оптимизация управления структурными элементами сложных систем / А.К. Гришко, Н.К. Юрков, Т.В. Жашкова // XXI век: итоги прошлого и проблемы настоящего плюс. - 2015. - № 4 (26). - С. 134-141.
3. Гришко А.К. Динамический анализ и синтез оптимальной системы управления радиоэлектронными средствами // XXI век: итоги прошлого и проблемы настоящего плюс. - 2015. - № 4 (26). - С. 141-147.
4. Гришко А.К. Адаптивная фильтрация в задачах синтеза оптимальных систем принятия решений и управления // Труды международного симпозиума Надежность и качество. - 2009. - Т. 1. - С. 221-222.
5. Гришко А.К. Анализ и оптимизация траектории поведения системы на основе прогнозирующего управления // Труды международного симпозиума Надежность и качество. - 2008. - Т. 1. - С. 291-292.
6. Гришко А.К. Алгоритм поддержки принятия решений в многокритериальных задачах оптимального выбора // Модели, системы, сети в экономике, технике, природе и обществе. - 2016. - № 1 (17). - С. 265-271.
7. Гришко А.К. Алгоритм управления в сложных технических системах с учетом ограничений // Труды международного симпозиума Надежность и качество. - 2014. - Т. 2. - С. 379-381.
8. Гришко А.К. Оптимизация размещения элементов РЭС на основе многоуровневой геоинформационной модели // Вестник Самарского государственного технического университета. Серия: Технические науки. - 2015. -
№ 3 (47). - С. 85-90.
9. Гришко А.К. Анизотропная модель системы измерения и анализа температурных полей радиоэлектронных модулей / А.К. Гришко, Н.В. Горячев, И.И. Кочегаров // Измерение. Мониторинг. Управление. Контроль. -2016. - № 1. - С. 82-88.
10. Гришко А.К. Математическое моделирование системы обеспечения тепловых режимов конструктивно-функциональных модулей радиоэлектронных комплексов / А.К. Гришко, Н.В. Горячев, Н.К. Юрков // Проектирование и технология электронных средств. - 2015. - № 3. - С. 27-31.
11. Гришко А.К. Динамическое управление ресурсами структурных элементов сложной радиотехнической системы // СОВРЕМЕННЫЕ ТЕХНОЛОГИИ В МАШИНОСТРОЕНИИ: сборник статей XIX Международной научно-практической конференции. - Пенза: Приволжский дом знаний, 2015. - С. 35-39.
12. Grishko A., Goryachev N., Yurkov N. Adaptive Control of Functional Elements of Complex Radio Electronic Systems. International Journal of Applied Engineering Research. Volume 10, Number 23 (2015), pp. 43842-43845.
13. Grishko A. Management of Structural Components Complex Electronic Systems on the Basis of Adaptive Model / A. Grishko, N. Goryachev, I. Kochegarov, S. Brostilov, N. Yurkov // MODERN PROBLEMS OF RADIO ENGINEERING, TELECOMMUNICATIONS, AND COMPUTER SCIENCE Proceedings of the XIIIth International Conference TCSET'2016 February 23 - 26, 2016 Lviv-Slavsko, Ukraine. DOI:10.1109/TCSET.2016.7452017.
УДК 004.891
Бойцова М.В., Подсякин А.С., Горелова А.К, , Тюрденев В.Н., Валько А.А., Новиков М.Ю., Янович И,В.
ФГБОУ ВО «Пензенский государственный университет», Пенза, Россия
ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ НА ЭТАПАХ ПРОЕКТИРОВАНИЯ
Проведен краткий обзор современных интеллектуальных систем поддержки принятия решений. Предлагается использовать экспертные системы для комплексного учета электромагнитных, тепловых и механических воздействий на этапах построения сложных радиоэлектронных устройств и комплексов. Ключевые слова:
интеллектуальные информационные системы; оптимизация; радиоэлектронные средства.
Для радиоэлектронных средств (РЭС), как и для всех сложных систем, характерны высокая много-элементность и многоуровневость построения, сложные условия эксплуатации, необходимость обеспечения высокой функциональности при небольших габаритах и массе [1-3]. В то же время для обеспечения высокой конкурентоспособности необходимо сократить сроки разработки и проектирования аппаратуры.
Для этого широко применяются всевозможные CAD/CAM/CAE/PDM системы, которые позволяют значительно повысить качество проектирования и подготовки производства при относительно набольших временных затратах. В последнее время в процессе проектирования и разработки технологии все чаще стали применять интеллектуальные системы автоматизированного проектирования (САПР), позволяющие автоматизировать процесс принятия решений. Среди этих САПР можно выделить экспертные системы, построенные на базе глубоких специальных знаний, полученных от экспертов в данной области [4,5].
С успехом применяются экспертные системы по медицине, химии, метеорологии, геологии, инженерному делу, управлению, сельскому хозяйству и др. Более широкое распространение экспертных систем сдерживает тот факт, что они остаются весьма сложными, дорогостоящими и узкоспециали-рованными программами.
В настоящее время все чаще стали применяться специализированные программные оболочки, позволяющие ускорить процесс создания экспертных систем [6,7]. Рассмотрим некоторые из них.
Exsys - интеллектуальная система, позволяющая разрабатывать базы знаний в любой предметной области. В систему включены средства отладки и тестирования программы, редактирования для модификации знаний и данных;
HUGIN - представляет собой пакет программ для конструирования моделей, основанных на экспертных системах. Эта система содержит дедуктивную систему вывода, основанную на вероятностных оценках, которую можно применить к сложным сетям с причинно-следственными вероятностными связями между объектами;
малая экспертная система 2.0 - простая экспертная система, использующая байесовскую систему логического вывода. Она предназначена для проведения консультации с пользователем в какой-либо прикладной области (загружаемая база знаний предварительно создается) с целью определения
вероятностей возможных исходов и использует для этого оценку правдоподобности некоторых предпосылок, получаемую от пользователя;
программа ESWin предназначена для создания и эксплуатации экспертных систем для решения различных задач принятия решений (диагностики, конфигурирования, идентификации, оценки, и т.п.).
В состав инструментального программного обеспечения входят: экспертная оболочка для запуска экспертных систем ESWin для отладки разработчиком экспертных систем; интерпретатор баз знаний ESWinUs; редакторы баз знаний EdKB и KlbEdit, реализованные в разных стилях; программа для просмотра и диагностики целостности баз знаний KBView; программа для редактирования и оптимизации баз знаний KBOptim.
В качестве методов представления знаний использованы: правила - продукции с представлением нечеткости в виде коэффициентов достоверности с обратным логическим выводом; фреймы для описания структуры предметной области и диалога с пользователем;
лингвистические переменные для описания нечетких понятий, входящих во фреймы.
Среди таких оболочек можно выделить G2 фирмы Gensym. Это объектно-ориентированная среда для разработки и сопровождения ЭС реального времени, с использованием базы данных. Основным достоинством оболочки является возможность интеграции в ней разрозненных средств автоматизации в единую систему управления благодаря открытому интерфейсу и поддержке различных вычислительных платформ, что немаловажно для российских предприятий, на которых, как правило, не наблюдается системности в применении программных продуктов.
Среди промышленных способов реализации экспертных систем на этой платформе можно выделить интегрированную систему мониторинга и планирования для прокатного стана фирмы Caterpillar, а также систему, внедренную для управления технологическими процессами и поддержки принятия решений. На этой платформе базируют экспертные системы таких фирм и организаций, как General Electric, IBM, Intelsat, NASA, Nissan и др.
У экспертных систем есть еще одно немаловажное свойство - с их помощью возможно создание систем проектирования, позволяющих консультировать пользователей, не являющихся специалистами в данной области. При проектировании радиоэлектронных средств часто приходится анализировать
