CC BY
49
МОДЕЛИ, ИНСТРУМЕНТАРИЙ И ТЕХНОЛОГИИ
«
УДК 681.3.001.63
Н. Г. ЯРУШКИНА, А. М. НАМЕСТНИКОВ
ЭФФЕКТИВНОСТЬ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ Д ЗАДАЧ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ
Рассматривается эффективность различных генетических алгоритмов(ГЛ) для д задач автоматизированного проектирования: для задачи размещения разногабаритен элементов на монтажном поле и для задачи оптимизации трафика коммутируемо вычислительной сети. Выдвигается тезис о необходимости управления сходимость генетических алгоритмов в процессе решения задачи. Излагается способ управлеш сходимостью ГА на основе нечёткого контроллера.
ВВЕДЕНИЕ
•
С начала 60-х годов, после выхода в свет книга Холланда [1] генетические алгоритмы исследуются как средство стохастическо оптимизации. Идеи бионического поведения особей в 70-х год рассматривались Растригиным Л.А. как средство сокращени целенаправленного перебора в рамках теории случайного поиска [2]. Большой вклад в развитие генетической оптимизации различных задач характерных для автоматизированного проектирования, внесли результаты^ полученные в последнее время [3].
Практическое использование ГА, как эффективных процеду структурного синтеза, началось с задач синтеза формы [4]. Доказанн Холландом теорема о сходимости стандартного ГА позволяет рассматриват ГА как метод поиска глобального экстремума. Квадратичная времени сложность ГА [5] приемлема для компьютерной реализации. Однак успешное применение ГА в основном достигнуто на формализована задачах, не усложнённых деталями реального мира. В статье излагаютс результаты, полученные при использовании ГА на примерах реальных зада технического проектирования: на примере проектирования вычислительной сети (ВС) предприятия и на примере задачи размещения радиоэлектронных систем. Данные примеры характеризуются значительным пространством поиска решений и сложностью целевой функции (функции оптимальности, в
мфмммпцо! пи I Л). Результаты, изложенные ниже, позволяют сделать •Н.ИНН1М и рпультативиости ГА для реальных задач, детали которых не •• • «• пи>геи при моделировании.
1. ПОСТАНОВКА ЗАДАЧИ
Минимальное число операций при использовании генетического йн| при I Mil при размере популяции 1 и количестве поколений к можно оценить
к( 1 o(l)P(ok)P(om)o(l2) % (1Л)
• «и» I число поколений; о(1) - количество операций вычисления I пниН01МЮСТИ; Р(ок) - вероятность операции кроссовера; Р(от) -м#|МФ1Пос11> операции мутации; 0(12) - количество операции отбора. Для till* hi п н|х|)сктивности ГА будет уточняться временная оценка сложности пи V юч пения требует сложность функции оптимальности, которую и. м . побразно выразить в терминах, определяющих мощность пространства
....... ! .1 тдачи, например, для задачи проектирования ВС - это число узлов
м (.1 (хостов), а для задачи размещения - это множество размещаемых т. мгп юн. Оценка о(1) для случая проектирования ВС предполагает ими inнню работы проекта сети и построения интегральной оценки-трафика ......ним, следовательно, от числа узлов и элементов коммутации такая
л
им* in .1 (>удст, в лучшем случае, квадратичной: о(1, n ), п - число узлов.
| »цепка эффективности ГА должна включать и трудоёмкость адаптации ....... реальной схемы ГА к конкретной задаче и быстроту сходимости. Ниже
• "I каждого вычислительного эксперимента приводится утверждение о |м »удьтативности ГА.
2. ВИДЫ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
* *
I сорема Холланда доказана для стандартного ГА. В настоящее время на
• и none универсальной схемы ГА построены популярные подвиды ГА: ГА нцнп.ко мутация», в котором не используется рекомбинация, эволюционная < (ратешя, в котором допустимы операторы кроссовера с переменным мм лом родителей и потомков, например, (3,2), (3,3) и другие ( первая цифра и H.ipc означает число родителей, а вторая -число потомков); мобильный ГА '41 Л), в котором функции рекомбинации вместо кроссовера выполняют миграторы разрезания и склеивания хромосомы [6]. Приведем ниже viniнереальную схему ГА, в которой указаны особенности каждого класса
ГА. 4 ' U •; I? ItWtffyJj*
I I Л РТ В НАЧАЛЬНОЕ ВРЕМЯ t:=0;
IIIIIIIЩАЛИЗИЦИЯ СЛУЧАЙНОЙ ПОПУЛЯЦИИ P(t); для МГА включает И an насыщения популяции
01Р ПСА ОПТИМАЛЬНОСТИ ВСЕХ НАЧАЛЬНЫХ ИНДИВИДОВ В ПОПУЛЯЦИИ 0(P(t));
ПРОВЕРКА УСЛОВИЯ ОСТАНОВА;
УВЕЛИЧЕНИЕ СЧЕТЧИКА ВРЕМЕНИ t:= t+1;
ОТБОР ПОДПОПУЛЯЦИИ ДЛЯ ПРОИЗВОДСТВА ПОТОМКОВ P'(t);
РЕКОМБИНАЦИЯ «ГЕНОВ» ВЫБРАННЫХ РОДИТЕЛЕЙ P'c(t);
отсутствует для алгоритма «только мутация», для эволюционной стратегии
представлена схемами (2,2), (3,2) и др., для МГА заменяется операторами
разрезания и склеивания;
СЛУЧАЙНАЯ МУТАЦИЯ ПОПУЛЯЦИИ;
ПРОВЕРКА СООТВЕТСТВИЯ 0(P'cm(t));
ОТБОР ВЫЖИВШИХ ДЛЯ СЛЕДУЮЩЕГО ПОКОЛЕНИЯ
Ш - Ш^Ш Рст(0);
КОНЕЦ
Для МГА не существует аналога теоремы Холланда о сходимости, но МГА привлекает возможностью оперировать не полностью определенными решениями, какими оперирует человек, решающий задачу. В МГА алгоритме хромосома кодируется списком пар <номер_гена, значение_гена>. Особенность кодирования решения в МГА - это использование как неполных хромосом (не все элементы размещены), так и избыточных (для некоторых элементов представлено по несколько вариантов размещения). Особенность МГА в том, что пропорциональный отбор используется только на стадии предварительного насыщения популяции, а далее используются вероятности операторов CUT и SPLICE: рс, ps.. Оператор CUT представляет собой разрезание случайно выбранной хромосомы в произвольной позиции на две хромосомы. CUT применяется к строке с вероятностью рс^ (1-1)*рк. , где 1 - длина строки. Для мобильного алгоритма длина 1 подсчитывается как количество троек. Параметр рк - некоторая константа, например, 0.1. Оператор SPLICE выполняется с некоторой фиксированной вероятностью pSt Операторы имеют два предельных типа поведения. В начале эволюции, когда преобладают длинные хромосомы, в основном выполняется CUT, а затем начинает преобладать SPLICE. v Щ
Далее для перечисленных типов ГА, в том числе мобильных, проводятся вычислительные эксперименты на двух реальных задачах и оценивается эффективность решения.
3. ПОСТАНОВКА ЗАДАЧИ РАЗМЕЩЕНИЯ
Пусть дано: а,Ь - габариты монтажного поля, {(ai,bi),...,(ai,bi),....(an,bn)}-список элементов размещения, заданных своими габаритами; С - матрица связей элементов размещения, представляющая собой матрицу смежности. Необходимо найти: вариант размещения элементов на монтажном поле Z={(xi,yj)v..(xi,yi),....(xn,yn)}, (где (х\,у{) - координаты размещения центра тяжести установочной площади элемента размещения i), такой, чтобы площадь перекрытия площадей установленных элементов была нулевая, а общая длина соединений минимальная. Задача размещения ставится как задача оптимизации функции, выражающей нормированную оценку суммы
64
Вестник УлГТУ 4/2001
мнцифп in перекрытие площадей установленных элементов и общей длины iмндмиений.
.Г =min (0(L(zi)) + P(So6(z{)))9
rje-Z
• /и» /, иариаит размещения; So6lu - общая площадь перекрытия площадей , • миипж'ппых элементов; 0(L(zj)) - оценка общей длины соединений, Н|1Ин< ф\\тя к интервалу [0,1]; P(S06m) - функция штрафа за перекрытие и шщидсй, принимающая значения из интервала [0,1].
4. АДАПТАЦИЯ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
М !ч адаптации ГА к конкретной задаче необходимо уточнять следующие •м|'1МГфы: способ кодировки решения (хромосомы), функцию
• • и нмиш,мости (оценки) каждой хромосомы, содержание операторов отбора |i имскции), рекомбинации и мутации, вероятностные параметры управления
• • (имостыо эволюции, условие завершения эволюции. Представление i > ни омм в форме ((xi,yi),...,(xj,y¡),...,(xn,уп)) - это список координат »♦• mi рои элементов. Оператор рекомбинации для стандартного генетического •ии«(»и гмп это оператор по схеме (2,1), то есть два родителя, один потомок, и ым'шюсть эволюционной стратегии составляет реализация оператора с пнмйшшции (m,k). Зависимость количества потенциальных потомков при Ш | »иди гелях выражается формулой mm-m ,если потомки не повторяют (иннюж'й (клоны запрещены). Структура хромосомы в МГА представляет ммшИ синеок пар координат, упорядоченных по номеру элемента:
((4,xbyi),... (i,ад),... (v,xv>yv)).
|||Hi решении задачи размещения номер гена совпадает с номером (ni i и'щасмого элемента, а значение гена с парой координат.
5. РЕЗУЛЬТАТЫ ВЫЧИСЛИТЕЛЬНЫХ ЭКСПЕРИМЕНТОВ
И экспериментах исследованы разные виды СГА: «только мутация», й |иилюционная стратегия». Ряд экспериментов с алгоритмом, применяющим '»pinciMio с альтернативным оператором рекомбинации, показал особую
, I» |уль гативность оператора
......инициации (3,3), хотя в целом
|м ..имагы, показанные данным видом |и10|>итма, хуже, чем в случае со . ннщиртиым генетическим алгоритмом ♦ одноточечным кроссовером. В н» |иIуIо очередь это связано с тем, что •»■•синельное увеличение точек разреза 1>п юсом ведет к разрушению •|н им их подобластей потенциальных цииоиим. На рис.1 это заметно по ним! < »численным «всплескам» на
I |М|ф|1КС.
Рис.1.Стратегия с рекомбинацией {т9к)
и.. шик УлГТУ 4/2001
65
6. УПРАВЛЕНИЕ СХОДИМОСТЬЮ ГЕНЕТИЧЕСКОГО АЛГОРИТМА
С ПОМОЩЬЮ НЕЧЁТКОГО КОНТРОЛЛЕРА
Классификация ГА показывает, что ГА обладают необходимым разнообразием, которое определяет их сходимость при решении конкретной задачи. Различными могут быть операторы рекомбинации и мутации, можно изменять вероятности отбора, кроссовера и мутации. Целью изменения ГА служит управление сходимостью ГА. Построим ГА с управляемой сходимостью и оценим его эффективность. Основная задача, возникающая на этапе адаптации ГА, состоит в построении механизма смещения процесса поиска в перспективные области значений функции оптимальности. В связи с этим будем различать две фазы эволюции: фазу переноса поиска в область ожидаемого появления глобального экстремума ФзНЛ и фазу процесса оптимизации в пределах найденной области Фор'.
Пусть к=<р*,р*,р~9р~ > - кортеж, описывающий состояние переменных кроссинговера, т-< > - кортеж, описывающий состояние
переменных мутации. Символ «+» означает, что данный оператор считается разовым, а символ «-» - то, что оператор второстепенный. Такое разделение ойераторов кроссинговера и мутации необходимо для решения двух рсновных задач: достижения характерной для каждой фазы эволюции цели и стремление достичь максимума степени эффективности эволюции, представляемой в следующем виде:
где е - оператор вычисления оценки эффективности эволюции; <! - глубина оценивания. С учётом разделения процесса поиска оптимального решения на две фазы будем различать на временном пространстве эволюции два промежутка времени: Гн,р и Т°р1, для которых записывается следующее условие:
V; б Гл",Уг € Г": рс< = р?9 р~; = 09
то есть при переходе с одной фазы эволюции на другую происходит замена операторов рекомбинации с базового на второстепенный и наоборот. Каждой фазе эволюции соответствует определенная функция оптимальности. В ходе решения задачи требуется настраивать параметры ГА .
В качестве системы управления эволюцией хромосом в ГА будем использовать нечёткий контроллер типа Мамдани [7], учитывая слабоструктурированный характер экспертной информации, используемой на этапе адаптации ГА. Определим вектор управляющих воздействий, который оказывает влияние на динамику процесса эволюции хромосом. В него входят следующие компоненты: изменение численных значений вероятностей второстепенных операторов рекомбинации Др~ и Др~ и параметр б,
определяющий момент переключения эволюции с одной фазы на другую. Вектор управления записывается следующим образом:
Входной вектор для НК включает в себя степень эффективности мииноции на предыдущем шаге текущее время эволюции /; промежуток
мремсни Ат, на котором не происходило улучшения значений функции оптимальности:
.............................., ............................
Адаптированный ГА
ГА
11СЧСТКИЙ
контроллер
База нечётких
правил
vi
Интерфейс ||шзификации
X'
Ж
Механизм нечеткого
вывода
Интерфейс дефаззифи-кации
U'
Функция оптимизации
F
Процесс эволюции
Рис. 2.Система нечёткого контроля процесса эволюции в адаптированном ГА
Ил рис. 2 множество 9? = {И,},/ = 1,и представляет собой набор нечётких
нриинл, п - количество таких правил. Множество всех нечётких правил 91 • ншсмвается в виде кортежа 9? =< >, где 9Г - подмножество нечетких Премил, регулирующих степень эффективности эволюции алгоритма, а 31* -•тцмиожество нечётких правил, определяющих момент перехода эволюции с шитй фазы на другую.
I юдмножество W задает отображение следующего вида:
ар;'
9 V:y
/-1
4й'
И! (ч гь устанавливает импликативную связь между значениями »ффгктивности эволюции у'"1 и величинами вероятностей вспомогательных
н и ршоров рекомбинации Ар~' и Др~'. Численные значения вероятностей 'комбинации, применяемые в момент времени /, определяются следующим ОЙПШОМ:
Рф.) =
. t
Pc{m) ' + АРф,)'. 0 - P<«) ~ Р«>")>
о, />;<«)' < °> + - < +
А(я)> Pc(m) > Рс(т)
1(Ю /»',.„ - максимальное значение для значения вероятности оператора
■. комбинации (кроссинговера или мутации).
«'^дующее подмножество правил ЭТ* задает отображение для • н|и мсисния момента перехода с одной фазы эволюции на другую:
Дг
К*:
-+S,
И I I пик УлГТУ 4/2001
67
где Л г - промежуток времени, в течение которого не происходило улучшения функции оптимальности алгоритма; / - текущее время эволюции.
Проводились экспериментальные исследования эффективности применения автоматизированной системы ACCEL EDA, стандартного генетического алгоритма и адаптированного алгоритма для решения задач размещения различной сложности. Адаптированный алгоритм продемонстрировал лучшее качество размещений. Сокращение суммарной длины соединений составило 20-25% для адаптированного алгоритма по сравнению с системой ACCEL EDA и около 10% по сравнению со стандартным генетическим алгоритмом.
7. ПОСТАНОВКА ЗАДАЧИ ОПТИМИЗАЦИИ ТРАФИКА
ВЫЧИСЛИТЕЛЬНОЙ СЕТИ
; В настоящее время используются методы моделирования ВС, основанные на теории массового обслуживания. Вместе с тем автоматизация проектирования вычислительных сетей нуждается в новых алгоритмах проектирования и оптимизации. Задача модернизации топологии может быть решена с помощью генетического алгоритма.
Коммуникационной оборудование вычислительной сети представлено маршрутизаторами, концентраторами и/или коммутаторами. Каждый узел (рабочая станция) может быть подключен только к одному коммутатору концентратору (ком/конц), таким образом, каждый ком/конц определяет сегмент ВС. В контексте задачи существуют два вида каналов связи: <узел>
— <комм/конц>; < комм/конц > — <комм/конц>. В любой ВС каналов первого типа - m (по числу узлов); каналов связи второго типа - не более (п -п)/2.
Задача оптимизации топологии ВС задается на уровне каналов связи, каждый канал к. характеризуется пропускной способностью Р^. Интенсивность взаимодействия (передачи сообщений) лгобой пары узлов -это величина Bjj (бит/с). Величина By измеряется в течение длительного промежутка времени Т и усредняется. Суммарный трафик, приходящийся на канал связи, зависит от типа канала. Будем рассматривать только каналы типа <комм/конце>-----<комм/конц>.
Тогда можно выделить следующие подвиды каналов: <коммутатор > —
- <коммутатор >; <концентратор> -----< концентратора <коммутатор > -----
< концентратор>. Суммарный трафик выражается по-разному для трёх подвидов каналов связи. Рассмотрим суммарный трафик канала типа <коммутатор > -----<коммутатор > (рис.3):
п п Тк = £ I By
i eMl j е М2
68
Вестник УлГГУ 4/2001
• »
Рис.3. Пример ВС с использованием коммутаторов
Множество вершин М1 и множество вершин М2 - это множества узлов по одну и другую стороны от канала связи (рис. 3). Суммарный трафик канала
<концентратор>-----<концентратор> измеряется по-другому, так как канал,
образованный концентраторами, образует общую магистраль:
п п
Тк = £ 2В^ . • • • «
Суммарный трафик канала <концентратор> -----<коммутатор> может
быть вычислен следующим образом:
п п
-Ль*
Тк = Е £ В^- . \ еМ1 j = 1
Решение задачи переподключения рабочих станций - это процесс направленного перебора вариантов подключения с целью оптимизации. Размерность задачи велика даже для вычислительной сети среднего размера (до 1000 узлов). Поэтому целесообразным представляется решить задачу с помощью генетического алгоритма.
8. АДАПТАЦИЯ ГА К ЗАДАЧЕ ОПТИМИЗАЦИИ ТРАФИКА
ВЫЧИСЛИТЕЛЬНОЙ СЕТИ
Кодирование решения задачи (хромосомы) может быть следующим. Вариант разбиения узлов на сегменты, то есть решение, удобно представлять как ряд целых чисел. Пусть все узлы имеют уникальные номера от 1 до ш и упорядочены в соответствии с номерами. Позиция \ содержит номер комм/конц (от 1 до п), к которому подключен узел 1. Наибольшую важность имеет определение функции оптимальности хромосомы, так как определение
влияет на сходимость эволюции. В качестве функции оптимальности может быть взята следующая:
max min ||Tk-Pk|| , (8.1)
Vl,l Gl V k, k< =K
где К - количество каналов; a L - множество всех вариантов выбора коммуникационного оборудования.
9. РЕЗУЛЬТАТЫ ВЫЧИСЛИТЕЛЬНЫХ ЭКСПЕРИМЕНТОВ
Выводы об эффективности ГА для оптимизации трафика ВС. Для проведения эксперимента были взяты две сети с количеством узлов, равным 70 (сложная сеть) и 40 (средняя сеть). Суть эксперимента в следующем: вычислялся суммарный трафик сети при увеличении интенсивности взаимодействия одного (1-го) узла сети со всеми остальными (имитация возрастания количества посылаемых первым узлом широковещательных запросов). Причём вычисление трафика проводилось как для неоптимизированной сети, так и для оптимизированной сети (оптимизация проводилась с каждым шагом увеличения интенсивности i-ro узла).
Оптимизация топологии ВС проводилась различными ГА. Результативность ГА для этой задачи оптимизации выразим следующими утверждениями.
Утверждение 1. Результативным методом оптимизации топологии ВС является стандартный генетический алгоритм с функцией оптимальности (8.1).
Кроме стандартного генетического алгоритма в работе исследованы возможности эволюционной стратегии только с оператором мутации.
Утверждение 2. Эволюционная стратегия «только мутация» с бинарным кодированием хромосом, пропорциональным оператором селекции, функцией оптимальности, выражаемой формулами (8.1), не эффективна для решения задачи.
Эксперименты с такой разновидностью генетического алгоритма демонстрируют медленную сходимость к решению.
Утверждение 3. Эволюционная стратегия с вариантами рекомбинации (3,3) с бинарным кодированием хромосом, пропорциональным оператором селекции, функцией оптимальности, выражаемой формулами (8.1), эффективна для решения задачи оптимизации ВС.
Эксперименты с эволюционной стратегией с вариантами рекомбинации выявили особую результативность оператора рекомбинации (3,3).
Утверждение 4. Мобильный генетический алгоритм не решает задачу оптимизации ВС.
Оценим затраты времени работы генетического алгоритма и метода полного перебора. Пусть п - число хостов, m - суммарное число портов на концентраторах. Будем считать, что основное время затрачивается на
вычисление функции оптимальности (расчёт трафика при конкретной схем подключения), а остальным временем пренебрежем. Тогда для метод полного перебора число операций (N) по расчёту функции оптимальносп можно оценить так: число возможных порядков подключения n хостов - п!.
В одном из экспериментов найдено подключение, позволяющее сократить трафик с 6674272 до 5368805 без материальных затрат Улучшение составило 19.66 %. На практике такого улучшения часто бывас достаточно, чтобы продлить срок эксплуатации ВС без материальных затра на модернизацию ВС.
ЗАКЛЮЧЕНИЕ
Успешное использование ГА для решения сложных задач автоматизированного проектирования показывает, что ГА обладаю! достаточным разнообразием для настройки на конкретные задачи проектирования. Для ГА возможна параметрическая настрой кп вероятностных параметров и структурная замена операторов рекомбинации и мутации. Управление параметрами ГА можно успешно выполнить на основе нечеткого контроллера (НК), оценивающего степень сходимости ГА. ГА, управляемый НК, является гибридной системой, составные части которой взаимно усиливают друг друга [8].
г
СПИСОК ЛИТЕРАТУРЫ
1. Holland Y. Adaptation in Natural and Artificial Systems // University of Michigan, Press, Ann Arbor, 1975.
2. Растригин Л.А. Статистические методы поиска. М.: Наука, 1968. 376 с.
3. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning, Adisonwesley Publishing Company, Inc., 1989.
4. Тартаковский A.M., Курносов B.E. Информационные технологии проектирования оптимальных конструктивных форм на основе методов эколюциониого моделирования. //ИТПП. 1996. N 3-4. С. 3-11.
5. Курейтак В.М., Курейчик В.В. Генетический алгоритм разбиения графа // И'зи. РАН. Теория и системы управления. 1999. N 4. С. 79-87.
6. Скурихин А.Н. Генетические алгоритмы // Новости искусственного интеллекта, 1995.N 4.
7. Захаров В.Н., Ульянов C.B. Нечёткие модели интеллектуальных промышленных регуляторов и систем управления. Имитационное моделирование // Изв. РАН. Техн. кибернетика. 1994. N 5.
8. Yarushkina N. Soft Computing and Complex System Analysis // Int. J. General Systems,Vol. 30(1). P.71-88.
Ярушкина Надежда Глебовна, доктор технических наук, профессор, зав. кафедрой «Информационные системы», окончила радиотехнический факультет Ульяновского политехнического института. Имеет около 70 публикаций в области вычислительного интеллекта.
Наместников Алексей Михайлович, кандидат технических наук, г/, о. доцента кафедры «Информационные системы», окончил радиотехнических факультет УлГТУ. Имеет публикации в области интеллектуальных САПР.
УДК 681.32
П. и. соснин, д. п. соснин
1
МОДЕЛИРОВАНИЕ ПРОЕКТИРОВЩИКА В СИСТЕМАХ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ
Предлагается подход к построению модели проектировщика по результатам обработки его оперативных рассуждений, регистрируемых в форме вопросно-ответного протокола. Модель открывает возможности управляемого формирования коллективов проектировщиков, разрешать споры об авторстве «идей-гипотез»; определить вклад в проект каэюдого члена коллектива; выявить лицо (или лица), оказавшее(ие) негативное воздействие на процесс проектирования.
К числу особо важных направлений персонификации процессов деятельности D(t) в автоматизированном проектировании относятся моделирование индивидуального Eq и коллективного опыта S({Eq}, а также моделирование рассуждений R(t), управляющих процессами применения опыта и его накопления.
Предлагается система персонификации D(t), в основе которой лежит вопросно-ответное протоколирование (QA-протоколирование) рассуждений R(t), сопровождающих D(t), и специальная обработка содержимого QA-протоколов.
Построения системы персонификации исходят из следующих основных установок.
1. Каждая работа Dk(t) или её часть, возлагаемая на конкретного исполнителя (субъекта Sbq(t)), интерпретируется как эксперимент, QA-протоколирование которого используется для исследования Sbq(t) и построения его модели M(Sbq(t)).
2. Вопросы Q и ответы А, составляющие QA-протоколы, интерпретируются как продукты работ специального типа и как специфический тип событий, способных изменить индивида Sbq(t).
3. Особенности коллективной работы находят своё выражение в организационных структурах, связывающих членов коллектива { Sbq(t)} в человеко-компыотерных средах.
Первая установка раскрывает дополнительный положительный эффект от
QA-протоколирования (к основным положительным эффектам [1] относятся вопросно-ответное управление в Dk(t), а также накопление и систематизация
опыта в работах типа Эк(1)). Во второй установке вводится «запрос» на необходимость исследования речевых, языковых и творческих способностей субъекта 8ЬЧ(0 для их учёта в модели М(8ЬЧ(1;). Событийная интерпретация вопросов и ответов раскрывает их с позиций «природных явлений», которые способны оказывать воздействие на 8ЬЯ(1). Третья установка позволяет выделить для связного моделирования (и использования) два уровня персонификации - уровень индивидов (8ЬЧ(1)} и уровень их объединения в коллективы {К^(8ЬЧ(0)}.
В основу подхода к построениям системы персонификации 8( {81^(0}, (О1^)} положено графовое представление Одд(1) для (^А-протокола, каждая из вершин которого ^ представлена кодом:
Ь;:К;,Т;ХЬДр(ЬДе(Ъ;), (1)
где Ц- - уникальное имя события (идентификатор конкретного вопроса или ответа); Т} - описание события (соответствующего вопроса или ответа) на естественно-профессиональном языке Ь; (1(1^)} - множество временных характеристик, согласованных с причинно-следственными и динамическим отношениями области {р(Ь^} - определяет структуру как исполнителя деятельности Вк(() , так и пользователя её результатов; е(^) - фиксирует результат(ы) оценивания Ъ^ как значимого события.
Интерпретация конструктов типа и А (или их совокупностей) в виде системы событий ставит вопрос о потенциальном её применении. Просматриваются следующие полезные возможности:
- демонстрация динамики процесса принятия решения;
- анализ возможности параллельно-согласованного развития событий (с целью распределения работ между исполнителями в типовых проектных решениях);
- демонстрация (в подходящем темпе) развития событий на определённом интервале времени;
- демонстрация положения дел, сложившихся к определённому моменту времени процесса решения;
- персонификация событий в различных целях, в частности для последующего определения авторства и вклада членов коллектива в принятие решений;
- анализ и квалификация событий в различных целях, в частности по их значимости для процесса решения и результата проектирования;
- обучение типовым решениям, развитие умений и навыков в их реализации в Ок(1).
Обратимся к множеству (р(^) } и возможностям его систематизации. Каждый элемент р(1^) этого множества привязан к временным характеристикам события Ь,- и выполняет функции указателя на субъекта 8ЬЧ, породившего вершину Ъ| в рассуждении Я(1).
В таком понимании р(Ь^ указатель pj определяет субъекта 8ЬЯ, ответственного за содержание вершины Ь и её вклад в управление
