CC BY
262. Колесников А.В. Нелинейная социодинамика в цифровую эпоху // Проектирование будущего. Проблемы цифровой реальности: труды 5-й Международной конференции (3-4 февраля 2022 г., Москва). - М.: ИПМ им. М.В.Келдыша, 2022. -С. 89-99.
3. Колесников А.В., Малинецкий Г.Г., Подлазов А.В., Сиренко С.Н. Нелинейная модель смены поколений элиты // Известия высших учебных заведений. Прикладная нелинейная динамика. - 2022. - Т. 30. - № 4. - С. 456-479.
УДК 519.711
doi:10.18720/SPBPU/2/id23-34
Шкодырев Вячеслав Петрович,
директор высшей школы киберфизических систем и управления,
д-р техн. наук, профессор
ЭВОЛЮЦИЯ В КИБЕРНЕТИКЕ: УПРАВЛЕНИЕ, ОСНОВАННОЕ
НА ЗНАНИЯХ
Россия, Санкт-Петербург, Санкт-Петербургский политехнический университет Петра Великого, shkodyrev@mail.ru
Аннотация. Проблема искусственного интеллекта и интеллектуализации систем становится в последнее время одной из наиболее актуальных и привлекает особое внимание. В то же время, фундаментальность и многоплановость данной проблемы затрудняет выбор правильного подхода к строгой постановке и формализации методов использования понятия искусственного интеллекта для их реализации в технических системах. Автором развивается концепция интеллектуализации теории и систем управления как систем, основанных на знаниях. Внимание фокусируется на общих принципах формализации знаний систем управления и в частности, на применении логики — как наиболее высокоуровневого языка формализаций знания управления и логико-семантических моделей интерпретации знаний в системах управления.
Ключевые слова: кибернетика, теория управления, киберфизические системы, иерархические системы, саморазвивающиеся системы.
Viacheslav P. Shkodyrev,
Head of the Higher School of Cyber-Physical Systems and Control,
Doctor of Technical Sciences, Professor
EVOLUTION IN CYBERNETICS: KNOWLEDGE-BASED
CONTROL
Peter the Great St. Petersburg Polytechnic University, St. Petersburg, Russia, shkodyrev@mail.ru
Abstract. The problem of artificial intelligence and the intellectualization of systems has recently become one of the most urgent and attracts special attention. At the same time, the fundamental and multifaceted nature of this problem makes it difficult to choose the right approach to the strict formulation and formalization of methods for using the concept of artificial intelligence for their implementation in technical systems.
The author develops the concept of intellectualization of theory and control systems as knowledge-based systems. Attention is focused on the general principles of formalization of knowledge of management systems and, in particular, on the application of logic — as the highest-level language of formalizations of management knowledge and logical-semantic models of interpretation of knowledge in management systems.
Keywords: cybernetics, control theory, cyber-physical systems, hierarchical systems, self-developing systems.
Эволюция кибернетики как науки об управлении, ее общих принципах, закономерностях и связях процессов управления, тесно связана с развитием общества, его технологического оснащения и теми вызовами, которые сопровождают его развитие. Наглядным ротмером такого вызова является противоречие между огромными потоками данных, накапливаемых в производственных процессах, в частности — в системах промышленной автоматизации и контроля в виде данных объективной измерительной информации, поступающей с датчиков и различных средств измерений технологического оборудования, а с другой — необходимостью их оперативного анализа с целью извлечения полезной информации и принятия оперативных управляющих решений. Другими примерами критических ситуаций, в которых человеку требуется принимать решения, являются также работа операторов, управляющего сложными производственными системами, техническими и технологическими процессами, высокоскоростным транспортом, и особенно при возникновении нештатной ситуации. Например, время для принятия решений с целью предотвращения распространения нештатной ситуации на гидроэлектростанции составляет не более нескольких минут. Ошибки в задержке анализа такой информации и принятии решений нередко становятся причиной серьезных нештатных ситуаций, аварий и катастроф.
Ответом на подобные вызовы являются новые тренды развития науки кибернетики, и, в частности, выделенные в работах тренды интеллектуализации, формирования сложных иерархических сетевых структур, формирование механизмов самоорганизации и саморазвития. При этом интеллектуализация как активно развивающаяся парадигма управления, основанного на знаниях, — становится в настоящее время одной из парадигм современной теории управления, как управления, основанного на знаниях.
Развитие концепции интеллектуализации систем управления как систем, основанных на знаниях, ставит сложную задачу формирования эффективного математического аппарата формализации знаний управления, составляющих основу базы знаний интеллектуальной системы. Ключевой в данном случае становится задача разработка релевантной модели формализации базы знаний как совокупности основополагающих систематизированных правил стратегий управления. Предложенный
в работе подход к формализации модели как графа знаний управления, дополняющий ее возможности классом логико-математического моделирования, позволяет расширить функциональные возможности базы знаний, в том числе за счет учета семантики в выборе правил принятия управляющих решений.
Ключевым элементом интеллектуальной системы управления становится математические модели базы знаний управления. Учитывая чрезмерно большой контекст толкования понятия знаний и базы знаний для различных предметных областей, авторы придерживаются точки зрения толкованиея базы знаний систем управления как формализованной совокупности основополагающих систематизированных правил управления, обеспечивающих перевод контролируемого объекта или процесса управления из текущего St в заданное целевое состояние SG в соответствии с выбранной стратегией и критериями качества.
Анализ современных трендов системного анализа показывает, что одним из перспективных подходов к формализации стратегий управления системной динамикой может стать аппарат логико-математического моделирования поведения систем, передающий через формальную семантику смысл естественных или формальных языков. В наиболее общем случае такая онтологическая структура может быть формализована как граф знаний, который определяется упорядоченной тройкой
Ont = {£, R F},
представляющей собой наборы семантически структурированных реляционных данных, связывающих предикатами R отношений множества сущностей — объектов предметной области E с наборами фактов F, формально интерпретирующими их смысловое понимание с точки зрения причинно-следственных связей.
Применительно к понятию формального графа знания управления в такой онтологии под множеством предметных сущностей можно понимать множество классов задач управления, а под наборами фактов интерпретации — возможные концептуальные решения задач в форме стратегий или моделей управления в соответствии с заданными целевыми функциями и критериями качества управления. Логика в данной интерпретации становится важной частью понимания и объяснения процессов принятия решений в теории управления. Именно логика является основой понимания и языком формализации «круговых причинно-следственных и обратных механизмов в биологических и социальных системах», являющихся основой моделей управления [6]. Логическая составляющая формулируется на языках формализации стратегии управления, на котором удобно формулировать смысл управления как способ
движения системы к ее целевому состоянию, а также использовать для объяснения получения, хранения и обработки информаци для достижения поставленной цели [8].
Следующим важным этапом формирования графа знаний интеллектуального управления является выбор модели формализации стратегии управления, отражающей семантику правил принятия управляющих решений. В наиболее общем случае формализованное представление правил принятия решений можно рассматривать как логико-лингвистическую составляющую модели базы знаний, формально записываемую как множество управляющих решений или правил принятия решений Я^, I = 1, ..., т вида:
¡8 & S2 ¡8 &. & 8^ ¡8 Ь8„т Тквп (у ¡8 г),
где т — количество правил; 8х, 82, ... , 8п — входные переменные лингвистической модели; у — выходная переменная лингвистической модели; Г — числовой параметр, который используется для параметризации управляющего решения.
Наиболее распространенной в этом случае является модель системы с нечеткой логикой поведения, определяемой как система с п входными переменными управляемого состояния s = {¿ь 82, ... , 8п}, определяемая на входной области рассуждений LS = Ь8\ х ЬБ2 х ... х ЬБп и одной выходной переменной Y, определенной на выходной области рассуждений LY. Переходя от нечеткой модели к четкой параметризации, система оперирует значениями параметрами 8у состояния 8{ и выходной переменной У с параметрами у^. Поиск управляющих решений на графах / гиперграфах движения в пространстве состояний приводит к необходимости введения понятия мета-знания, как верхнего уровня формирования общих знаний.
Графы являются существенным элементом математических моделей в самых разнообразных областях науки и практики, помогающие наглядно представить взаимоотношения между объектами или событиями в сложных системах. В этом контексте удобной графической интерпретацией становятся деревья решений, рассматриваемые как математические модели, компактно описываемые графами, на которых выделяются на ветвях точки принятия решений на предшествующие им событиях, и последствия принятия решений.
Формальным аппаратом представления динамики систем принятия решений логического типа часто выступают конечные автоматы, описывающие системами уравнений линейной последовательной машины [4, с. 31]. В наиболее общей форме динамические системы логического типа могут быть формализованы аппаратом конечных автоматов, что
позволяет описать математическую модель произвольной логической системы уравнениями типа:
Зн-1 = А&$£ 0В&Щ 0 С&Ук 0 В&^ъ
где sk+1, sк — векторы логических переменных, принимающих двоичные значения 0 либо 1, характеризующих переходы состояния системы из £ в £+1;
и£ — вектор логических переменных, принимающих бинарные значения 0 либо 1 и характеризующих управляющие воздействия в £-й момент времени;
Ук — вектор логических переменных, принимающих бинарные значения 0 либо 1 и характеризующих задание на управление в £-й момент времени;
¥к — вектор логических переменных, принимающих бинарные значения 0 либо 1 и характеризующих возмущающие воздействия в £-й момент времени;
А, В, С, В — матрицы из 0 либо 1, характеризующие систему в £-й момент времени;
& — знак операции логиче кого умножения матрицы на вектор; — знак операции сложения по модулю 2.
В моделях данного типа логические переменные, как аргументы логических функций, характеризуются набором атрибутов. Главным, а во многих случаях и единственным атрибутом логической переменной является ее вероятность, т. е. вероятность ее истинности или ложности. Например, если ожидается событие Si в момент времени ¿0 с вероятностью Р (/0) = 1} = р, то можно предположить, что если есть событие Si,
то и должно произойти событие Sj, т. е. переход (sj (/0) ^ sJ■ (¿1)) произойдет с вероятностью
Р {^ (О ^ (О) = Р(Т), где Т = ¿1 - /0, 1 - Р < Р(Т) < 1. (1)
Существенным фактором, влияющим на дальнейшее уточнение обобщенной логической модели (1), является ограничения на полноту информации об объекте управления.
Ограничения, связанные со спецификой предметной области (нечеткость и неполнота экспертных знаний) привели к тому, что в последние годы в отрасли построения систем искусственного интеллекта приобрели особую популярность квази аксиоматические логические системы (подход, развиваемый отечественным ученым Д.А. Поспеловым [5]). Такие логические системы заведомо неполны и для них не выполняется полный комплекс требований, характерных для классических (аксиоматических)
систем. Более того — для большинства логических высказываний, образующих такую систему, задается область определения, в пределах которой эти высказывания сохраняют свою значимость, а все множество высказываний, на основе которых осуществляется анализ, делится на общезначимые высказывания (справедливые для всей модели) и высказывания, имеющие значимость лишь в рамках локальной системы аксиом.
Те же причины (неполнота и нечеткость экспертных знаний) сделали популярными такие направления логики, как многозначные логики (первые работы в этой области принадлежат польским ученым Я. Лукасевичу и А. Тарскому 1920-30-е годы), вероятностные логики и нечеткие логики (Fuzzy Logic — автор теории Л. Заде — 1960-е годы [13]). Этот класс логик активно используется при синтезе логических моделей для систем искусственного интеллекта, предназначенных для ситуационного анализа.
При минимальной информационной неопределенности предметной области для формализации объекта и цели управления, когда каждой альтернативе соответствует строго определенный исход, используются логико-детерминированные поведенческие модели, описывающее динамику поведения объекта управления классом линейных:
Sk+i = ASk + BU + CV + DF, или, в наиболее общем случае — нелинейных:
Sk+i = T(ASk , U, V, F, t) моделей поведения в пространстве состояний,
где ¥ — п-мерная нелинейная векторная функция от «-мерного вектора Sk состояния системы; m-мерного вектора V заданий на управление, r-мерного вектора U управляющих воздействий, /-мерного вектора F возмущающих воздействий;
A — (п х п)-мерная постоянная матрица;
B — (п х г)-мерная постоянная матрица;
C — (п х т)-мерная постоянная матрица;
D — (п х /)-мерная постоянная матрица.
Другим примером логических моделей являются логико-лингвистические модели, описывающие сценарии или сценарные модели объектов или процессов управления. Сценарные модели (сценарии) можно рассматривать как разновидность логико-лингвистических моделей, предназначенных для отображения развернутых во времени последовательностей взаимосвязанных состояний, операций или процессов. Сценарии могут иметь как линейную, так и ветвящуюся структуру, в которой могут быть установлены условия перехода к той или иной частной стратегии, либо просто отображены возможные альтернативы без указа-
ния условий. Требование взаимосвязанности применительно к сценарным моделям не является строгим и носит довольно условный характер, поскольку устанавливается на основе субъективных суждений экспертов, а также определяется спецификой формулировки целей деятельности.
Сценарии, как разновидность логико-лингвистических моделей, широко распространены в отраслях деятельности, связанных с моделированием социально-политической, экономической и военной обстановки, созданием информационных систем поддержки управленческой деятельности и во многих других.
Следует отметить, что в ряде случаев трудно провести грань между сценарной моделью и алгоритмом. Однако между сценарной моделью и алгоритмом существует достаточно существенное различие, а заключено оно в том, что алгоритм — это совокупность инструкций, выполнение которых должно привести к некоторому результату, в то время как сценарная модель — это не обязательно алгоритм, например, она может представлять собой протокол событий, повторение которых в той же последовательности не обязательно приведет к той же ситуации, что и в предыдущий раз. То есть, понятие сценарной модели — это более широкое понятие, нежели понятие алгоритма. Понятие алгоритма связано с операционным подходом к моделированию, а алгоритмический подход к анализу причинно-следственных отношений имеет много общего с детерминизмом (правда, многими алгоритмами предусматриваются процедуры обработки различных исключительных ситуаций — вплоть до отказа от принятия решения). Сценарная модель налагает менее строгие ограничения на характер причинно-следственных отношений.
Все приведенные модели являются только небольшой частью существующих подходов, позволяющих строить теорию графов знаний интеллектуальных систем управления.
Список литературы
1. ГОСТ Р 59276-2020. Системы искусственного интеллекта. Способы обеспечения доверия. Дата введения 03.01.2021.
2. ГОСТ P 59277-2020. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. Дата введения 03.01.2021.
3. ГОСТ P 59895-2021. Технологии искусственного интеллекта в образовании. Общие положения и терминология. Дата введения: 03.01.2022.
4. Городецкий А.Е., Тарасова И.Л. Управление и нейронные сети. - СПб.: Изд-во Политехнического ун-та, 2005. - 312 с.
5. Нечеткие множества в моделях управления и искусственного интеллекта / А. Н. Аверкин, И.З. Батыршин, А.Ф. Блишун и др.; под ред. Д. А. Поспелова. - М.: Наука, 1986. - 311 с.
6. Foerster, H., Mead, M., & Teuber, H. L. (Eds.). Cybernetics: Circular causal and feedback mechanisms in biological and social systems. // Transactions of the seventh conference. New York: Josiah Macy, Jr. Foundation, 1951.
7. Khokhlovskiy V., Oleinikov V., Shkodyrev V. Development of Control Automation for Energy Objects Based on the Unified Process Approach. // In: Radionov, A.A.,
Gasiyarov, V.R. (eds.) Advances in Automation II. RusAutoCon 2020. Lecture Notes in Electrical Engineering, vol 729. - Springer, Cham, 2021. - Pp. 822-831. - URL: https://doi.org/10.1007/978-3-030-71119-1_80.
8. Kolmogorov A. Foundations of the Theory of Probability (2nd ed.). - New York: Chelsea, 1956. - ISBN 978-0-8284-0023-7.
9. Kostenko D., Shkodyrev V., Onufriev V. Solving Multicriteria Optimization Problem for an Oil Refinery Plant. // In: Voinov, N., Schreck, T., Khan, S. (eds.) Proceedings of International Scientific Conference on Telecommunications, Computing and Control. Smart Innovation, Systems and Technologies, vol 220. Springer, Singapore, 2021. - Pp. 131-140.
- URL: https://doi.org/10.1007/978-981-33-6632-9_11.
10. Lee J., Bagheri B., Kao H.A., Recent Advances and Trends of Cyber Physical Systems and Big Data Analytics in Industrial Informatics // Int. Conf. on Industrial Informatics "INDIN-2014".
11. Machine Learning for Cyber Physical Systems. Selected papers from the International Conference ML4CPS 2015 / Beyerer, J. (et al.) (Eds.), 2017.
12. Yassine, H.M., Shkodyrev, V.P. Optimal Production Manufacturing Based on Intelligent Control System. // In: Schaumburg, H., Korablev, V., Ungvari, L. (eds.) Technological Transformation: A New Role For Human, Machines And Management. TT 2020. Lecture Notes in Networks and Systems, vol 157. - Springer, Cham, 2021. - Pp. 210-220.
- URL: https://doi.org/10.1007/978-3-030-64430-7_18.7.
13. Zadeh, L.A.: Fuzzy sets as a basis for a theory of possibility. // Fuzzy Sets and Systems. - 1978. - 3-28.
УДК 004. 89:656.078 doi:10.18720/SPBPU/2/id23-35
Искандеров Юрий Марсович,
заведующий лабораторией интеллектуальных систем СПб ФИЦ РАН,
д-р техн. наук, профессор
ИНФОРМАТИЗАЦИЯ ТРАНСПОРТНО-ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В ЦЕПЯХ ПОСТАВОК
Россия, Санкт-Петербург, Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН),
iskanderov_y_m@mail .ru
Аннотация. В статье изложен подход, формирующий вполне определенные взгляды на процесс информатизации в предметной области транспортных систем. Отмечены особенности исследуемой предметной области, оказывающие влияние на организацию и оптимизацию информационных потоков. Дано представление транспортной системы как большой сложной многоуровневой гетерогенной динамической системы, фундаментальной целевой функцией которой является реализация процесса физического перемещения физических объектов в физическом пространстве. Следуя подходу, дана характеристика ключевым элементам транспортных систем, показано основное содержание логистических процессов, на эффективную реализацию которых должна быть направлена информатизация. Сформированы основные направления информатизации транспортно-
