CC BY
32
УДК 004.8
DOI: 10.24412/2071-6168-2023-2-227-230
АРХИТЕКТУРА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ
ДЛЯ ЗАДАЧ РАСТЕНИЕВОДСТВА
Д.М. Смыслов, А.В. Греченева, Я.С. Котов, А.Н. Голбан, К.А. Макеев
Статья посвящена исследованию и разработке архитектуры интеллектуальной системы поддержки принятия решений. В ходе работы были проанализированы коммерческие решения систем поддержки принятия решений и предлагаемых функций. Обоснована и описана разработка архитектуры интеллектуальной системы поддержки принятия решений с поддержкой модуля экспертной системы. Разработанная архитектура позволит более точно проводить анализ и прогнозирование физико-химических параметров почвы для повышения урожайности культур.
Ключевые слова: интеллектуальные системы поддержки принятия решений, экспертные системы, архитектура систем поддержки принятия решений, планирование ресурсов предприятия.
Сельское хозяйство является одной из наиболее важных сфер в России. В условиях повышения конкуренции на мировом рынке сельскохозяйственной продукции развитие сфер аграрного сектора должно обеспечиваться высокой эффективностью использования ресурсов и сырья [1]. Однако распределение ресурсов является не единственным этапом для достижения необходимых результатов, так как расширяющиеся масштабы производства усложняют реализацию методов для задач планирования и прогнозирования использования ресурсов. Для более оптимального планирования и прогнозирования показателей были разработаны продукты на базе систем поддержки принятия решений, что позволило более точно распределять ресурсы.
Целью работы является исследование и разработка архитектуры интеллектуальной системы поддержки принятия решений с функциями экспертной системы для задач анализа и контроля открытого грунта на основе анализа существующих архитектур и принципов организации сельскохозяйственных систем поддержки принятия решений.
Принципы работы и классификация систем поддержки принятия решений. Системы поддержки принятия решений являются промежуточным звеном в управлении бизнес-процессами организаций и предприятий. СППР помогает принимать наиболее верное решение, основываясь на выводах алгоритмов и загруженной базе данных. Функционал интеллектуальных систем принятия решений включает в себя информационный поиск, интеллектуальную аналитику данных, ситуационный анализ, имитационное и когнитивное моделирование, а также построение логических цепочек на основе прецедентов.
Принцип работы строится на четырех последовательностях [2]:
1. Интеллектуальное определение среды, в условиях которой принимается решение;
2. Проектирование и проработка возможных альтернатив;
3. Выведение алгоритма действий;
4. Адаптация выбранного решения к определенным условиям.
В зависимости от функционала системы классифицируются по трем основным группам [3]:
1. Пассивные.
В случае использования пассивной системы, нейронная сеть обрабатывает данные и представляет структурированную информацию и отчеты. Никакое решение системой не предлагается.
2. Активные.
Активная система выводит решения на основе обработанных данных, также предлагая альтернативы.
3. Комбинированные.
Комбинированная система предлагает вероятные решения, однако лицо, принимающее решения, может добавлять условия и вносить уточнения для повторной обработки и поиска альтернатив.
Разберем четыре наиболее популярных типа архитектур систем поддержки принятия решений
[4]:
1. Функциональная СППР. Функциональная СППР представляет собой единый источник данных, который содержит необходимую информацию, получаемую по запросу. Этот тип архитектуры выбирают за счет быстрого внедрения, а также минимальных затрат на оборудование, так как весь процесс происходит на одной платформе. Однако в последствии это сказывается на качестве данных, так как не происходит никакого этапа очистки. По этой причине возникает проблема сужения круга вопросов, решаемые системой. Также присутствует проблема увеличения нагрузки на операционную систему, которая может не выдержать большое количество комплексных запросов.
2. Независимые витрины данных. Системы поддержки принятия решений на архитектуре независимых витрин данных усложняют начальную структуру функциональной СППР с добавлением «витрин данных», которые представляют собой набор структурированной информации, ориентированной на узконаправленное использование отдельным кругом пользователей. Данный тип архитектуры позволяет довольно быстро вводить новые витрины данных, которые спроектированы на определенный ряд вопро-
сов, однако процесс наполнения витрин информацией значительно усложняется при большом количестве данных, а так как витрины независимы друг от друга создается возможность дублирования данных, и вследствие этого повышение расходов на содержание и хранение информации.
3. Двухуровневое хранилище данных. Двухуровневое хранилище данных также дополняет структуру функциональной СППР, добавляя централизованное хранилище данных. Это позволяет избежать создания дубликатов, что уменьшает затраты на хранение информации. Однако эта архитектура СППР не позволяет структурировать данные для определенного круга пользователей, поэтому возможны проблемы с производительностью системы при большом количестве запросов.
4. Трехуровневое хранилище данных. Трехуровневое хранилище данных решает некоторые проблемы двухуровневого хранилища, вводя витрины данных в архитектуру системы. Это дополнение позволяет отделять информацию для различных кругов пользователей, а также масштабировать систему без каких-либо проблем с целостностью структуры данных. Проблемой архитектуры является избыточность данных, что ведет к повышению расходов на оборудование для хранения.
Схема разрабатываемой ИСППР
Исследование систем планирования ресурсов предприятия и функций систем поддержки принятия решений. Поддержка принятия решений как основной инструмент менеджера и руководителя предприятием обязательно входит в состав структуры систем класса ERP (планирование ресурсов предприятия). Зачастую на предприятии приобретают только одну ERP-систему и используют все ее модули: от обработки учетной информации подразделений до инструментария руководителя - ЛПР (лица, принимающего решения). Однако продукты разных систем предлагают только некоторые функции СППР, которые были рассмотрены в таблице.
Так как в рамках проекта рассмотренные СППР не предлагают необходимого функционала, было принято решение создание архитектуры СППР на базе веб-фреймворка Django с возможностями прогнозирования показателей нейросетью на языке Python. Так как создаваемая СППР включает в себя методы искусственного интеллекта, она переходит в разряд интеллектуальных систем поддержки принятия решений (ИСППР) [5].
Создание архитектуры интеллектуальной системы поддержки принятия решений. Для создания архитектуры ИСППР необходимо выделить основные элементы. В перечень основных элементов входят: 1. База данных.
2. База знаний.
3. База моделей/основная модель.
4. Модуль решения (решатель).
5. Эксперт.
6. Пользователь.
Коммерческие ERP-системы с предлагаемыми функциями СППР
№ п/п Название продукта Функции СППР
1 1С: Предприятие Модуль СППР позволяет проектировать информационную систему, строить логическую и физическую модели, а также привязывать технические процессы к документации и техническому заданию и проводить тестирование
2 Парус Модульное построение системы управления предприятием, применением архитектуры «клиент-сервер» на базе Oracle
3 Галактика Поддержка управления (прогноз - планирование - контроль - анализ результатов - коррекция планов) для всех сфер предприятия
4 Baan ERP Комплекс функциональных приложений (модулей), поддерживающим любые аспекты планирования и управления производством
Создаваемая архитектура ИСППР включает в себя возможности экспертной системы, что позволяет дополнять параметры и условия для модели решателя. Это дает возможность корректировать запросы в систему для получения наиболее оптимальных предлагаемых решений.
Основываясь на основных элементах, а также на интеграции некоторых функций экспертных систем, была создана схема архитектуры, разрабатываемой ИСППР, изображенная на схеме ниже.
Также в основу ИСППР была заложена математическая модель, проводящее прогнозирование физико-химических параметров почвы. Также модель представляет собой регрессионную рекуррентную нейросеть, что позволяет модели обучаться на входных данных, сравнивать прогнозные значения с реальными и с помощью этого калибровать модель с учетом реальных значений.
Заключение. В ходе исследования было проведено исследование принципа работы и основных видов СППР, а также анализ продуктов на рынке, предлагающих функции систем поддержки принятия решений. Была создана концепция архитектуры ИСППР с поддержкой модулей экспертной системы на языке Python с использованием веб-фреймворка Django.
Разработка и реализация итогового продукта на основе ИСППР и экспертной системы позволит более точно проводить анализ и прогнозирование физико-химических параметров почвы, что поможет увеличить урожайность на сельскохозяйственных угодиях путем точного контроля условий роста культуры.
Работа выполнена при поддержке Фонда содействия инновациям договор № 17215ГУ/2021.
Список литературы
1. Цифровая трансформация агропромышленного комплекса / Т. И. Ашмарина, Т. В. Бирюкова, В. Т. Водянников [и др.]. М.: Общество с ограниченной ответственностью "Мегаполис", 2022. 160 с.
2. Брындин Е.Г. Формирование ансамблей интеллектуальных агентов принятия решений // Россия: тенденции и перспективы развития. 2022. №17-2. [Электронный ресурс] URL: https://cyberleninka.ru/article/n/formirovanie-ansambley-inteUektualnyh-agentov-prinyatiya-resheniy (дата обращения: 16.01.2023).
3. Балашова И.В., Терещенко Т.А. Системы поддержки принятия решений // The Scientific Heritage. 2021. №79-4. [Электронный ресурс] URL: https://cyberleninka.ru/article/n/sistemy-podderzhki-prinyatiya-resheniy (дата обращения: 23.01.2023).
4. Раджабов К.Я. Системы поддержки принятия решений: учеб. пособие. Махачкала: ДГУНХ, 2019. С. 46-50.
5. Поняева Ирина Игоревна Когнитивные гибридные системы поддержки принятия решений на основе интеллектуальных технологий продвинутой бизнес-аналитики // SAEC. 2020. №3. [Электронный ресурс] URL: https://cyberleninka.ru/article/n/kognitivnye-gibridnye-sistemy-podderzhki-prinyatiya-resheniy-na-osnove-intellektualnyh-tehnologiy-prodvinutoy-biznes-analitiki (дата обращения: 23.01.2023).
Смыслов Дмитрий Максимович, студент, dimasmvslovv1234@smail.com, Россия, Москва, Российский государственный аграрный университет - МСХА имени К. А. Тимирязева,
Греченева Анастасия Владимировна, канд. техн. наук, доцент, A.Grecheneva@rsau-msha.ru, Россия, Москва, Российский государственный аграрный университет - МСХА имени К. А. Тимирязева,
Котов Ярослав Сергеевич, студент, varoslav.kotov. 01@mail.ru, Россия, Москва, Российский государственный аграрный университет - МСХА имени К. А . Тимирязева,
Голбан Андрей Николаевич, студент, andrev_golban17@mail.ru, Россия, Москва, Российский государственный аграрный университет - МСХА имени К. А . Тимирязева,
229
Макеев Константин Алексеевич, студент, kostia1500@smail.com, Россия, Москва, Российский государственный аграрный университет - МСХА имени К. А. Тимирязева
ARCHITECTURE OF AN INTELLIGENT DECISION SUPPORT SYSTEM FOR CROP PRODUCTION TASKS D.M. Smyslov, A.V. Grecheneva, Ya.S. Kotov, A.N. Golban, K.A. Makeev
The article is devoted to the research and development of the architecture of an intelligent decision support system. In the course of the work, commercial solutions of decision support systems and proposed functions were analyzed. Development of architecture of intellectual decision support system with support of expert system module was substantiated and described. The developed architecture will allow more accurate analysis and prediction ofphysical and chemical parameters of soil to increase crop yields.
Key words: intelligent decision support systems, expert systems, architecture of decision support systems, enterprise resource planning.
Smyslov Dmitry Maksimovich, student, dimasmyslovv1234@gmail. com, Russia, Moscow, Russian State Agrarian University - Moscow Timiryazev Agricultural Academy,
Grecheneva Anastasia Vladimirovna, Candidate of Technical Sciences, docent, A. Grecheneva@rgau-msha.ru, Russia, Moscow, Russian State Agrarian University - Moscow Timiryazev Agricultural Academy,
Kotov Yaroslav Sergeevich, student, yaroslav.kotov.01@mail.ru, Russia, Moscow, Russian State Agrarian University -Moscow Timiryazev Agricultural Academy,
Golban Andrey Nikolaevich, student, andrey_golban17@mail.ru, Russia, Moscow, Russian State Agrarian University - Moscow Timiryazev Agricultural Academy,
Makeev Konstantin Alekseevich, student, kostia1500@gmail.com, Russia, Moscow, Russian State Agrarian University - Moscow Timiryazev Agricultural Academy
УДК 355/359
DOI: 10.24412/2071-6168-2023-2-230-236
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ОРБИТАЛЬНОЙ СИСТЕМЫ МОНИТОРИНГА
КОСМИЧЕСКОЙ ОБСТАНОВКИ В ОБЛАСТИ СРЕДНИХ И ВЫСОКИХ ОРБИТ
Е.П. Минаков, А.Е. Привалов, Р.П. Власов, Б.А. Данилюк
В статье предлагается принципиально новая концептуальная модель орбитальной системы мониторинга космической обстановки в области средних и высоких орбит (ОСМКО), использующая длиннофокусную бортовую оптико-электронную систему (БОЭК). Обоснован выбор БОЭК, определены зоны для контроля объектов космического мусора (ОКМ) и сформулирована концепция управления ОСМКО.
Ключевые слова: мониторинг космической обстановки, космический мусор, оптико-электронная система.
В настоящее время одной из проблем космонавтики, является засорение околоземного космического пространства. Ее решению посвящены теоретические работы отечественных и зарубежных ученых [1-3]. В них в частности показано, что помимо создания средств сбора объектов комического мусора (ОКМ), разработки подходов к защитному маневрированию космических аппаратов (КА) с целью предотвращения опасного сближения с ОКМ, важнейшими задачами являются обнаружение ОКМ, определение и прогнозирование параметров их движения, оценивание характеристик опасного сближения ОКМ с КА, что составляет сущность процесса мониторинга космической обстановки. Учитывая ограничения наземных средств мониторинга космической обстановки, такие, как зависимость от времени суток, погоды и географических координат, для средних и высоких орбит КА данная задача должна решаться с использованием КА-измерителей (КАИ). Отсутствие в настоящее время подходов к определению обликов и ТТХ КАИ, способов их применения в составе орбитальной системы мониторинга космической обстановки (ОСМКО) делает актуальным разработку соответствующей концептуальной модели, основным предназначением которой является оценивание эффективности применения ОСМКО, образуемой ОКМ в областях средних и высоких орбит.
