CC BY
34
УДК 681.3(007)
DOI: 10.24412/2071-6168-2023-4-199-205
АНАЛИЗ ОСОБЕННОСТЕЙ ПОСТРОЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ
А.В. Речинский, Л.А Станкевич, Л.В. Черненькая, А.В. Черненький
Рассмотрены основы построения экспертных систем, этапы развития систем и особенности реализации систем для повышения эффективности деятельности предприятий. Введены базовые понятия, рассмотрена архитектура статических экспертных систем и основные этапы их разработки. Для решения многокритериальной задачи выбран метод, в основе которого лежит сочетание минимизации взвешенных сумм критериев и заданных линий предпочтения экспертов Описаны алгоритмы работы основных компонентов и особенности использования экспертных систем для консультаций, диагностики и поиска информации. Приведен пример разработанной консультационной экспертной системы.
Ключевые слова: экспертная система, база знаний, принятие решений, консультационная экспертная система.
Первые экспертные системы были созданы и применены на практике в 1960-е годы. Экспертные системы (ЭС) являются интеллектуальными системами, которые для решения не формализуемых задач используют знания опытных экспертов, т. е. специалистов в проблемных областях, соответствующих решаемым задачам. Базы знаний таких систем ориентированы на предметные области, в которых решаются задачи, и могут изменяться при настройке. В тоже время программа вывода на знаниях (машина вывода) отделена от базы знаний и не меняется при ее изменении. Поэтому ЭС могут работать с базами знаний, созданными для различных проблемных областей, используя одну и ту же машину вывода. Именно этим ЭС отличаются от традиционных систем принятия решений, основанных на алгоритмической обработке данных [1, 2], где программно объединены правила и средства принятия решений на их основе.
Основные понятия, используемые в данной работе:
- эксперт - специалист в проблемной области, соответствующей решаемой задаче;
- знания - формализованные представления фактов и правил принятия решений экспертами; знания собираются в базе знаний системы;
- вывод, построенный на знаниях - формализованная процедура принятия решений с использованием знаний, при этом процесс вывода может быть объяснен по запросу пользователя или эксперта;
- приобретение знаний - процесс формирования знаний и создания базы знаний системы с участием и без участия экспертов.
В настоящее время классическая концепция экспертных систем, сложившаяся в 1970-80-х годах, несколько устарела, поскольку формальные логики предикатов или продукций, которые использовали разработчики ранних экспертных систем, уже не могут обеспечить новые потребности пользователей [1, 2]. Фактически, формальные логики перестали удовлетворять требованиям сегодняшних технологий. Большинство описанных в литературе экспертных систем относится к 1980-90-м годам и в настоящее время либо не существуют, либо устарели. Поэтому разработчики современных экспертных систем уходят от «чистых» формальных логик к гибридным интеллектуальным средствам, построенным, например, на нейро-нечеткой логике, или к нейронным сетям с глубоким обучением, которые стали основой современных интеллектуальных систем [3-6]. Такие экспертные системы стали принципиально обучаемыми, способными накапливать знания в процессе функционирования, анализируя и обобщая результаты действий экспертов. Фактически экспертные системы постепенно приобретают когнитивные способности, связанные с познанием, прогнозированием и человекоподобными способами принятия решений [7-9].
В плане совершенствования человеко-машинного интерфейса экспертных систем предпринимаются попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) [10-13]. Однако в экспертных системах общего пользования (консультационных, диагностических, прогнозирующих и пр.) начинают широко использоваться, так называемые, интеллектуальные чат-боты для диалогового общения с пользователем на естественном языке, что значительно повысило качество диалога.
Кроме того, сегодня экспертные системы могут интегрироваться с реляционной моделью данных, которая доминирует сегодня в информатике, что делает возможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем. На сегодняшний день существуют системы интеграции экспертных систем и нейронных сетей как вид гибридной интеллектуальной системы. Такие системы соединяют в себе как формализуемые знания (в логических системах), так и неформализуемые знания (в нейронных сетях).
Экспертные системы на сегодняшний день являются одним из самых крупных направлений в искусственном интеллекте, однако они требуют постоянного совершенствования, например, путем объединения нескольких областей искусственного интеллекта с целью создания гибридной экспертной си-
стемы с когнитивными способностями, которая сможет работать не хуже, а возможно и лучше, группы экспертов. Оснащение экспертных систем интеллектуальными чат-ботами позволит значительно улучшить их взаимодействие с экспертами и пользователями.
Архитектура экспертных систем. Экспертные системы можно разделить на статические и динамические. В данной работе рассмотрены статические экспертные системы, в процессе работы не изменялись знания, сформированные экспертами. Структура статической ЭС представлена на рис. 1. Главными компонентами являются База знаний системы и Подсистема вывода на знаниях. Подсистема приобретения знаний позволяет сформировать Базу знаний при создании экспертных систем. Подсистема вывода на знаниях использует связанные между собой Базу знаний и Рабочую память. Подсистема объяснения вывода информирует пользователя при необходимости о цепочках вывода, приводящих систему к решению.
Рис. 1. Структура статической экспертной системы
Традиционно в разработке статических экспертных систем участвуют эксперты, инженеры по знаниям и программисты.
Разработка экспертной системы. Основные этапы разработки экспертной системы: анализ методов, использующихся в ЭС, определение методики для проектирования системы, разработка алгоритмов, определение основных блоков и этапов разработки программного обеспечения, описание систем и ее работы, разработка инструкции для пользователей. Сложность оптимального выбора по многим критериям заключается в том, что при потенциально бесконечном множестве эффективных решений стандартные процедуры многокритериальной оптимизации имеют тенденцию сходимости только в некоторых из них (в том числе и в одном). Особенно сложным является случай с несвязными множествами Парето.
Для решения многокритериальной задачи выбран метод, в основе которого лежит сочетание минимизации взвешенных сумм критериев и заданных линий предпочтения экспертов.
Постановка задачи и методы ее решения. Экспертные системы могут эффективно решать задачу выбора, если при выводе решений использовать методы многокритериальной оптимизации и учесть в правилах базы знаний изменения приоритетов. В этом случае по качеству и эффективности решения ЭС, вероятно, не будут уступать решениям экспертов [11].
Многокритериальные задачи довольно разнообразны, при этом не для всех видов таких задач существуют эффективные методы решения. Корректные и теоретически обоснованные методы решения многокритериальных задач требуют достаточно серьезной научной работы, экономических расчетов и значительных затрат на проектирование. Задача усложняется тем, что, как правило, нет достаточного математического описания проблемной области в целом и каждого критерия отдельно или объективного решения, с которыми, как с эталонами, можно было бы сравнить результаты.
В то же время имеется достаточная информация о предпочтениях экспертов и возможность формализовано представить логику принятия решения в условиях неопределенности. Основная задача сведения к минимуму экономических затрат может быть решена описанным здесь методом взвешенной суммы критериев: он удобен для расчетов, позволяет выбрать один оптимальный результат или несколько лучших вариантов, упорядочить (ранжировать) все варианты по предпочтительности.
Проблемными сторонами метода взвешенной суммы критериев, в свою очередь, остаются: использование постоянных весов или коэффициентов важности и неоднородной структуры параметров (цены, сроки, качество измеряются в различных единицах, при этом используются на единой шкале). Это означает, что соотношение критериев по важности одно и то же при любых значениях критериев. Однако нередко случается так, что даже упорядоченность рассматриваемых критериев по важности зависит от того, какие значения приняли другие критерии. Для решения данной проблемы предлагается введение переменных весов в зависимости от внешних факторов. Значения весов определяются согласно предпочтениям экспертов, содержащимся в базе знаний ЭС. Исследуемая задача подходит для реализации по всем характеризующим ее факторами:
- наличие неопределенности;
- информация, необходимая для принятия решений по большой части носит качественный характер;
- многокритериальность;
- необходимость одновременного учета как количественных, так и качественных критериев оценки альтернатив. Таким образом, композиция метода взвешенных весов критериев и ЭС позволит создать гибридную систему, отвечающую поставленным задачам и предъявленным требованиям.
Структура экспертной системы соответствует типовой статической системе (рис. 1) и имеет следующие основные компоненты:
база знаний (БЗ) хранит долгосрочные данные, то есть факты и правила, описывающие рассматриваемую область;
рабочая память, которая предназначена для хранения исходных и промежуточных данных решаемой задачи;
решатель, который, используя исходные данные из рабочей памяти и знания из БЗ, формирует последовательность правил для решения задачи;
диалоговый компонент, который ориентирован на организацию дружественного общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы;
компонент приобретения знаний, который позволяет автоматизировать наполнение базы знаний ЭС, осуществляемое пользователем или экспертом;
объяснительный компонент, который дает расшифровку того, как система получила решение, и какие знания при этом использовались; это упрощает тестирование системы и повышает доверие к полученному результату.
ЭС функционируют в режиме приобретения знаний и в режиме консультации. Эксперт, используя компонент приобретения знаний, формализует знания и обеспечивает их полноту и правильность совместно с инженером по знаниям.
Программная реализация ЭС выполнена в соответствии с методиками программирования, описанными в работах [6, 7].
На рис. 2 приведен алгоритм главного модуля программы.
Рис. 2. Алгоритм главного модуля программы
При инициализации системы загрузка входных данных и базы знаний производится в динамические списки. Для примера на рис. 3 показана структура данных списка peremennye.
Компонент консультации consult функционирует в соответствии с алгоритмом, представленным на рис. 4.
Компонент объяснений выводит результаты свертки и продукционную логику правил из базы знаний, на которую опирается система при принятии решения, в доступной для восприятия пользователя наглядной форме на экран.
Диалоговый компонент содержит общее меню и набор подменю, которые позволяют управлять работой системы, вводить данные и получать консультации.
База знаний системы содержит множество данных и правил, на основе которых формируются выводы. Они должны быть сформированы экспертами для различных рабочих ситуаций. Правила, накапливаемые в базе знаний, имеют вид формализованных продукций, записанных на языке предикатов в формате псевдокода «IF-THEN».
Перем1
^ значение! — эначение2 — значениеЗ
Перем2
^ значение! — эначение2 — значениеЗ — значение4
ПеремЗ
Рис. 3. Структура данных списка peremennye
Каждое продукционное правило начинается с IF-части условий. Эта часть правила носит название антецедент или левая часть (LHS - left-hand-side) правила. Вторая часть THEN правила содержит выводы или список действий, которые должны быть выполнены при текущих условиях. Эта часть правила называется консеквентом или правой частью (RHS - Right-Hand Side). В состав действий правил, обычно, входит добавление и удаление фактов из рабочей памяти, или формирование результатов.
Применение экспертных систем на предприятиях. В настоящее время широкое использование получили экспертные системы на предприятиях. Процессы деятельности предприятия характеризуются многими параметрами, имеющими как числовую, так и нечисловую природу. Для повышения конкурентоспособности предприятия недостаточно автоматизировать его деятельность, необходимо обеспечить управление качеством продукции и качеством процессов деятельности. С другой стороны, недостаточно зафиксировать несоответствия, требуется определить причины низкого качества и разработать рекомендации по их устранению. Эту задачу решают квалифицированные специалисты, однако целесообразно и эффективно использовать экспертные системы, аккумулирующие знания специалистов и позволяющие решать поставленную задачу.
Можно выделить два варианта взаимодействия специалистов с системой: 1) консультирование, 2) принятие решения без редактирования специалистом. Консультирующие экспертные системы получили широкое распространение, поскольку система помогает специалисту принять решение.
Основные задачи экспертной системы в данном случае:
- аккумулирование исходных данных о показателях, характеризующих качество продукции или параметры технологического процесса;
- обработка данных;
- анализ данных с целью выявления возможных несоответствий на основе накопленных данных специалистов,
- подготовка необходимой информации для принятия решений.
Экспертные системы для повышения качества деятельности предприятий могут использоваться для решения самых разных задач, возникающих при управлении процессами деятельности.
Пример разработки экспертной системы. В качестве примера рассмотрим экспертную систему, нацеленную на повышение качества процесса выбора наилучшего поставщика комплектующих, сырья и расходных материалов [14], что непосредственно влияет на эффективность закупочной деятельности любого производственного комплекса. Стоимость сырья и комплектующих, использующихся для производства, является одной из главных составляющих себестоимости конечного продукта и непосредственно влияет на ценообразование, а также на валовую прибыль и показатели экономической эффективности предприятия.
В то же время оценку того или иного поставщика нельзя проводить исключительно на основании принципа наименьшей стоимости предлагаемого им товара. Необходимо учитывать организацию управления качеством у поставщика, удаленность от потребителя, сроки выполнения текущих и экстренных заказов, наличие резервных мощностей, наличие складских запасов, стоимость доставки, финансовое положение поставщика, его кредитоспособность, историю сотрудничества и т. д. Таким образом, задача подбора оптимального поставщика из нескольких имеющихся сводится к задаче многокритериального выбора. Помимо всего, в условиях коммерческой конкуренции и оперативно меняющихся исходных данных, процедуры многокритериальной оптимизации требуют постоянной подстройки, например, путем изменения приоритетов частных критериев, что требует привлечения опытных экспертов. Поэтому создание экспертной системы, позволяющей принимать оптимальные решения и экономить ресурсы, является крайне актуальной задачей.
В работе [14] описана разработанная экспертная система, позволяющая эффективно решать задачу выбора поставщика при многих критериях в производственных условиях изменяющихся приоритетов.
В процессе проектирования системы был применен принцип шкалирования для приведения к единым условным единицам разнотипных данных: количественных и качественных. Также реализовано внутреннее представление данных в виде динамических списков, что позволило, во-первых, решить проблему универсального подхода для различных видов комплектующих и количества номиналов, а, во-вторых, использовать установленную на предприятии форму тендерных таблиц поставщиков без дополнительных настроек со стороны пользователя. Помимо этого, был разработан синтаксис представления базы знаний экспертных систем, позволяющий с помощью формулировок на языке, близком к естественному, формализовать логику построения экспертных выводов и вносить изменения и дополнения пользователям и экспертам без обязательных навыков программирования.
Проверка работоспособности разработанной системы выполнена путем тестирования. Проверка работоспособности системы должна продемонстрировать корректность работы системы, т.е. ее соответствие предъявляемым требованиям, а также степень правильности ее функционирования (точности), т.е. отношение числа правильно полученных результатов к общему числу решенных задач.
Для изучения корректности работы системы был проведен ряд тестов на пяти наборах исходных данных, взятых из тендерных таблиц по поставщикам комплектующих за предыдущие полтора года. В качестве тест-кейсов использован набор правил, введенных экспертами в систему. Полученные результаты сравнивали с решениями экспертов.
Во всех тестах последовательно задавались параметры, отвечающие каждому из правил. Ответы фиксировали в таблицах. После завершения работы системы те же параметры и исходные данные в табличном виде предоставляли для анализа эксперту, результаты также фиксировали.
Результаты тестов:
Тест 1 - полное совпадение рекомендаций ЭС и мнений экспертов.
Тест 2 - Рекомендация ЭС не совпадают с мнением эксперта только в одном из семи пунктов. При анализе ответа экспертом было дано пояснение: при условии «срок важен» было выбрано решение с минимальным сроком поставки, без учета стоимости доставки. При этом система дала ответ с меньшей ценой доставки и следующим по длительности сроком поставки. В ситуации «срок критичен» система, как и эксперт, выбрала вариант решения с минимальным сроком. Таким образом, экспертом был сделан вывод, что система дала один из двух возможных ответов с большим учетом экономической целесообразности, что отвечает поставленным задачам и при необходимости может корректироваться более четкой со стороны пользователя формулировкой условий ситуации при работе с ЭС.
Тест 3: Рекомендации ЭС ошибочны только в последнем пункте. Выбор решения эксперта -наилучший минимальный срок поставки. Выбор системы - больший минимальный срок, меньший максимальный срок поставки, т.е. выбран поставщик с более частыми поставками, что теоретически ведет к
скорейшей поставке. На практике срок поставки будет зависеть от наличия свободного транспорта у логистической компании, с которой работает поставщик в районе расположения склада, и возможности загрузить комплектующие в минимальный срок.
Тест 4: полное совпадение рекомендаций ЭС и мнений экспертов
Тест 5: полное совпадение рекомендаций ЭС и мнений экспертов.
Проведенный машинный эксперимент подтверждает эффективность работы системы и возможность ее практического применения в производственных целях. Созданная гибридная экспертная система для оптимального выбора поставщиков комплектующих, обеспечивает квалифицированные консультации с достаточной степенью точности.
По результатам проведенного машинного эксперимента на реальных выборках данных из тендерных таблиц за два года можно сделать вывод, что после обучения и настройки разработанная экспертная система показала неправильные результаты только в 3% тестовых случаев.
Заключение. Рассмотрены основы построения экспертных систем, этапы развития систем и особенности реализации таких систем для повышения качества деятельности предприятий. Приведен пример разработанной консультационной экспертной системы, позволяющей эффективно решать задачу выбора поставщиков при многих критериях в производственных условиях изменяющихся приоритетов. Для решения многокритериальной задачи выбора поставщиков комплектующих с учетом специфики решаемой практической задачи был выбран метод, в основе которого лежит сочетание минимизации взвешенных сумм критериев и заданных линий предпочтения экспертов.
Разработанная экспертная система способна обучаться, т.е. запоминать новые факты и правила построения решений, обеспечивает оптимальный выбор поставщиков с учетом изменяющихся условий и позволяет решить проблему аккомодации и сохранения знаний, которая была выявлена в ходе процедуры извлечения знаний и консультаций с экспертами. Таким образом, в базе знаний может накапливаться и сохраняться опыт квалифицированных специалистов, что позволяет использовать экспертные системы в отсутствии эксперта или после смены кадров. Разработанная экспертная система не имеет прямых аналогов.
Список литературы
1. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука. Гл. ред. физ.-мат. лит., 1987.
2. Статические и динамические экспертные системы: Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. М.: Финансы и статистика, 1996. 320 с.
3. Станкевич Л.А. Интеллектуальные системы и технологии: Учебник. М.: Издательство «Юрайт», 2016. 450 с.
4. Станкевич Л.А. Представление знаний и интеллектуальные системы: учебное пособие. СПб.: Издательствово Политехнического университета, 2008. 157 с.
5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Издательство Питер, 2000. 382 с.
6. Рутковсая Д. и др. Нейронные сети, генетические алгоритмы и нечеткие системы/ Д. Рут-ковская, М. Пилиньский, Л. Рутковский. Пер. с польского И.Д. Рудинского. 2-е изд. М.: Горячая линия -Телеком, 2013. 383 с.
7. Куни Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. М.: Радио и связь, 1981, 560 с.
8. Лотов А.В., Поспелова И.И. Конспект лекций по теории и методам многокритериальной оптимизации: учебное пособие. М.: 2005, 127 с.
9. Черноруцкий И.Г. Методы принятия решений. СПб.: БХВ-Петербург, 2005.
10. Соболь И.М. Выбор оптимальных параметров в задачах со многими критериями. М.: Драфа, 2016. 175 с.
11. Д. Джурратано, Г. Райли. Экспертные системы: принципы разработки и программирования / Пер. с англ. М.: Изд. дом «Вильямс», 2001. 1152 с.
12. Нейлор К. Как построить свою экспертную систему / Пер. с англ. М.: Энергоатомиздат,
1991.
13. Б. Сойер, Д.Л. Фостер. Программирование экспертных систем на Паскале. М.: Финансы и статистика, 1990.
14. Речинский А.В., Станкевич Л.А., Черненькая Л.В. Экспертные системы. Архитектура и примеры реализации: учебное пособие / Санкт-Петербургский политехнический университет Петра Великого. Санкт-Петербург, Издательство: ПОЛИТЕХ-ПРЕСС, 2022. 162 с.
Речинский Александр Витальевич, канд. техн. наук, проректор по экономике и финансам, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Станкевич Лев Александрович, канд. техн. наук, доцент, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Черненькая Людмила Васильевна, д-р техн. наук, профессор, Ludmila@qmd.spbstu.ru, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого,
Черненький Андрей Владимирович, канд. экон. наук, доцент, Россия, Санкт-Петербург, Санкт Петербургский политехнический университет Петра Великого
ANALYSIS OF THE FEATURES OF BUILDING EXPERT SYSTEMS
A.V. Rechinskiy, L.A. Stankevich, L.V. Chernenkaya, A.V. Chernenkii
The basics of building expert systems, stages of system development, and features of system implementation to improve the efficiency of enterprises are considered. Basic concepts are introduced, and the architecture of static expert systems and the main stages of their development are considered. To solve a multi-criteria problem, a method based on a combination of minimizing weighted sums of criteria and specifying lines of expert preference is chosen, and algorithms for the operation of the main components and features of using expert systems for consultations, diagnostics, and information retrieval are described. An example of a developed consulting expert system is given.
Key words: expert system, knowledge base, decision-making, quality, consulting expert system.
Rechinskiy Altxander Vitalievich, candidate of technical sciences, vice-rector on economy and finances, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Stankevich Lev Alexandrovich, candidate of technical sciences, docent, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkaya Liudmila Vasilievna, doctor of technical science, professor, Ludmila@qmd.spbstu.ru, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University,
Chernenkii Andrei Vladimirovich, candidate of economic sciences, docent, Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic University
УДК 629.785
DOI: 10.24412/2071-6168-2023-4-205-211
ВОЗВРАЩЕНИЕ КОСМИЧЕСКОГО АППАРАТА ИЗ ОКРЕСТНОСТЕЙ ТОЧЕК ЛАГРАНЖА
ЛУНЫ НА ПОВЕРХНОСТЬ ЗЕМЛИ
А.И. Дема
Рассмотрено решение задачи расчета моментов времени начала совершения маневра и величин управляющих импульсов для возвращения космического аппарата из окрестностей точек Лагранжа системы Земля-Луна на поверхность Земли.
Ключевые слова: точки Лагранжа, точки либрации системы Земля-Луна, спуск космического аппарата, межорбитальный переход.
Введение. В системе Земля-Луна существуют точки, в которых третье тело с пренебрежительно малой массой, в случае, если на него не действуют никакие другие силы, кроме гравитационных сил Земли и Луны, может оставаться неподвижным относительно этих тел [1]. Такие точки называются точками либрации (рис. 1).
Всего существует пять либрационных точек. Три точки либрации L\, L2, Lз, находятся на прямой, проходящей через центры масс Земли и Луны. Остальные две точки L4, Ls называются точками Ла-гранжа. Они лежат в плоскости орбиты Луны в вершинах равносторонних треугольников, в основании которых лежат центры масс Земли и Луны.
В соответствии с положениями «Федеральной космической программой 2016-2025», к 2025 году планируется создать необходимый задел для создания «Лунного полигона» включающего обитаемую базу с обсерваториями [2]. С целью организации связи и навигации на поверхности Луны, в окрестности точки либрации L2 системы Земля-Луна планируется разместить спутник, который может быть доставлен с помощью транспортного корабля, создаваемого в рамках этой космической программы. Предполагается, что данный транспортный корабль будет иметь возможность возвращения на поверхность Земли для последующего использования.
