CC BY
34
Оригинальная статья / Original article УДК 004.896
DOI: 10.21285/1814-3520-2017-4-90-99
ИНТЕГРАЦИЯ ОНТОЛОГИЧЕСКОГО МОДЕЛИРОВАНИЯ И РАССУЖДЕНИЙ ПО ПРЕЦЕДЕНТАМ ДЛЯ ОБРАБОТКИ КОНТЕКСТА В ИССЛЕДОВАНИЯХ ЭНЕРГЕТИЧЕСКОЙ БЕЗОПАСНОСТИ
л
© Д.П. Проскуряков1
Иркутский национальный исследовательский технический университет, Российская Федерация, 664074, г. Иркутск, ул. Лермонтова, 83.
РЕЗЮМЕ. ЦЕЛЬ. Статья посвящена вопросам формализации и обработки контекста в продукционных экспертных системах в исследованиях энергетической безопасности. Рассматривается предлагаемый автором подход к обработке контекста в стратегии управления продукциями. МЕТОДЫ. Для представления и обработки контекста в работе используются методы онтологического моделирования и рассуждений по прецедентам. РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ. При анализе сценариев развития топливно-энергетического комплекса с учетом требований энергетической безопасности необходимо учитывать обстоятельства предметной области, в которых применение экспертных знаний будет корректно. Такие обстоятельства составляют контекст использования экспертных знаний. Проанализированы проблемы существующих методов верификации продукционных экспертных систем и предложен подход к обработке контекста в стратегии управления продукциями, который основывается на представлении контекста с помощью языка моделирования онтологий OWL-DL и рассуждений по прецедентам. Также предложен методический подход к организации базы знаний с учетом контекста. ВЫВОДЫ. Применение языка OWL-DL для представления контекста позволяет использовать средства автоматического вывода в онтологии и учитывать контекст в процессе вывода в продукционной базе знаний. Предложенный подход позволяет обеспечить непротиворечивый вывод даже при наличии противоречивых правил в базе знаний. Ключевые слова: энергетическая безопасность, обработка контекста, продукционные экспертные системы, онтологическое моделирование, рассуждения по прецедентам.
Формат цитирования: Проскуряков Д.П. Интеграция онтологического моделирования и рассуждений по прецедентам для обработки контекста в исследованиях энергетической безопасности // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 4. С. 90-99 DOI: 10.21285/1814-3520-2017-4-90-99
INTEGRATION OF ONTOLOGICAL MODELING AND CASE-BASED REASONING FOR CONTEXT PROCESSING IN ENERGY SECURITY RESEARCHES D.P. Proskuryakov
Irkutsk National Research Technical University,
83, Lermontov St., Irkutsk, 664074, Russian Federation.
ABSTRACT. PURPOSE. The paper focuses on the issues of context formalization and processing in rule-based expert systems in energy security researches. The author's approach to context processing in the conflict resolution strategy is considered. METHODS. The methods of ontological modeling and case-based reasoning are used for context representation and processing. RESULTS AND THEIR DISCUSSION. The analysis of development scenarios of the fuel and energy complex considering energy security requirements involves consideration of the circumstances of the object domain allowing correct application of expert knowledge. Such circumstances constitute the context of expert knowledge application. The problems of state-of-the-art verification methods of rule-based systems have been analyzed. An approach to context processing within the conflict resolution strategy has been introduced. The approach is based on context representation by means of OWL-DL ontology modeling language and case-based reasoning. A methodical approach to context-wise knowledge base organization has been proposed as well. CONCLUSIONS. Application of OWL-DL for context representation allows to use automatic reasoners in ontology as well as to consider the context while reasoning in the rule-based knowledge base. The proposed approach ensures a consistent inference even in the presence of contradictory rules in the knowledge base.
Keywords: energy security, context processing, rule-based expert systems, ontological modeling, case-based reasoning
For citation: Proskuryakov D.P. Integration of ontological modeling and case-based reasoning for context processing in energy security researches. Proceedings of Irkutsk State Technical University. 2017, vol. 21, no. 4, pp. 90-99. (In Russian) DOI: 10.21285/1814-3520-2017-4-90-99
1
Проскуряков Дмитрий Павлович, программист кафедры автоматизированных систем, e-mail: [email protected] Dmitrii P. Proskuriakov, programmer, e-mail: [email protected]
Введение
Для исследования направлений развития энергетики с учетом требований энергетической безопасности (ЭБ) в работах [1, 2] предложено использовать двухуровневую технологию поддержки принятия решений. На первом, верхнем, уровне выполняется экспресс-оценка экстремальных ситуаций с помощью систем, основанных на знаниях, реализующих интеллектуальные технологии когнитивного моделирования угроз энергетической безопасности, событийного моделирования возможного развития критических и чрезвычайных ситуаций и оценки рисков их возникновения с помощью байесовских сетей доверия (БСД-моделирования). На втором уровне технологии выполняется выбор наиболее вероятных вариантов развития ситуаций и их детальный расчет с применением математических моделей и традиционных программных комплексов.
Таким образом, первый уровень нацелен на решение слабо структуризо-ванных и неструктуризованных проблем принятия решений [3]. В связи с тем, что исследования направлений развития топ-
ливно-энергетического комплекса с учетом требований ЭБ носят многовариантный характер, причем количество вариантов развития может достигать 10 млн, качественный анализ, выполняемый на первом уровне, позволяет определить наиболее вероятные сценарии развития событий, количественная оценка которых выполняется затем на втором уровне [2].
Двухуровневая технология поддержки принятия решений реализуется средствами интеллектуальной ИТ-среды [4]. Интеллектуальная ИТ-среда определяется как У|Т={0,Е,Мс,М3}иТу, где {0} - множество онтологий; {Е} - множество описаний прецедентов чрезвычайных ситуаций; {Мс} -множество когнитивных моделей; {Мб} -множество событийных моделей; Ту - инструментальные средства поддержки ИТ-среды, включающие описание знаний, представленных в виде онтологий, описаний прецедентов чрезвычайных ситуаций, вероятностных, когнитивных и событийных моделей, и средства оперирования ими.
Верификация систем, основанных на знаниях
Важным требованием, предъявляемым к системам, основанным на знаниях, является требование обеспечения надежности. Вопросы обеспечения надежности программного обеспечения относятся к области компетенции специального направления исследований, получившего название валидации и верификации программного обеспечения [5]. Как отмечается в работе [5], применение методов валидации и верификации к системам, основанным на знаниях, существенно ограничено в связи с большими различиями между такими системами и традиционным программным обеспечением.
Одним из наиболее распространенных подходов к верификации, применяемых к продукционным экспертным системам (ЭС), является статическая верифика-
ция - поиск формальных аномалий в базе знаний (БЗ) [5]. Для выполнения статической верификации продукционных ЭС разработано множество программных средств. Методы статической верификации, на которых основываются эти программные средства, можно условно структурировать на методы, основанные [5]:
1) на таблицах решений;
2) на генерации меток;
3) на графах, которые подразделяются на методы, использующие ориентированные графы и сети Петри.
Все эти методы имеют недостатки, существенно ограничивающие их применение. Так, недостаток методов, основанных на таблицах решений, связан с тем, что на их основе могут быть обнаружены только простейшие случаи аномалий. К недостат-
кам методов, основанных на генерации меток и основанных на графах, следует отнести высокую зависимость успешности обнаружения противоречий от полноты семантических ограничений, задаваемых пользователем. Кроме того, алгоритмы, реализованные на основе данных методов, имеют экспоненциальную сложность [5]. Также стоит отметить, что все эти подходы абстрагируются от предметной области и основываются только на синтаксисе правил. Наличие аномалий в базе знаний говорит о возможности ошибки, и только инженер решает, что именно является причиной возникновения аномалий и требуется ли их устранение.
Кроме того, даже при отсутствии в БЗ формальных аномалий вывод в такой БЗ все же может давать неверные результаты [6]. Причина этого состоит, во-первых, в наличии смысловых ошибок, характерных для конкретной предметной области, и, во-вторых, в том, что машина вывода и стратегия управления продукциями выполняют действия над правилами механически, не учитывая множество существенных в предметной области обстоятельств, в которых применение правил будет актуально и корректно [7]. Эти обстоятельства составляют контекст использования экспертных
знаний. Важность явного представления контекста при работе с продукционной моделью подробно рассматривалась автором в работах [8, 9].
Причинами серьезных ограничений существующих методов верификации, помимо указанных выше, являются следующие [8, 9]. При описании экспертных знаний средствами продукционной (или эквивалентной) модели представления знаний необходимо отслеживать неявные предположения и другую подразумеваемую информацию, на которой основывается моделирование. Однако для описания всего многообразия контекстной информации предоставляемых продукционной моделью средств, таких как ограничивающее условие (screening clause) и разбиение правил на независимые модули, явно недостаточно. Существующие стратегии управления продукциями также не позволяют учитывать контекст в том смысле, что при принятии решения об активации правил не принимается во внимание ситуация, возникающая в процессе вывода. В связи с этим в работах [7, 9] автором был предложен подход к разрешению конфликтов активации, основанный на использовании онтологического моделирования и рассуждения по прецедентам (case-based reasoning).
Обработка контекста в стратегии управления продукциями
Для представления разных видов контекстных знаний в [9] было предложено использовать онтологическую модель, в частности язык моделирования онтологий OWL-DL, и память, основанную на эпизодических пакетах (Episodic Memory Organization Packets E-MOPs) [10]. Предлагаемая структура БЗ состоит из следующих элементов:
• Онтология предметной области. В рамках интеллектуальной ИТ-среды используются «легкие» онтологии [11]. Определяя онтологию как O = {H,E,A}, где {H} - множество концептов предметной области; {E} - множество отношений между ними; {A} - множество аксиом, тяжелыми называют онтологии, которые содержат ак-
сиомы, а легкими - онтологии, не содержащие аксиом. Основной целью аксиом является формальное определение смысла концептов, что позволяет применять средства автоматического вывода в онтологии [12]. Для того чтобы обеспечить переход от существующих легких онтологий к более формализованным, в качестве языка представления онтологий автором было предложено использовать OWL-DL [9].
• Продукционная база знаний, состоящая из множества фактов, описанных на основе онтологии, и множества продукционных правил.
• Эпизодическая память, в которой сохраняются прецеденты, описывающие произошедшие конфликты активации
между правилами. Прецедент состоит из трех частей:
- описание конфликта активации в терминах предметной области на основе онтологии;
- контекст конфликтной ситуации -дополнительная информация, которая учитывалась в процессе вывода;
- обоснования - те элементы описания конфликтной ситуации и контекста, которые, по мнению эксперта, являются причиной разрешения конфликта активации определенным образом.
В предлагаемой структуре БЗ факты продукционной БЗ формулируются на основе концептов, представленных в онтологии. При этом онтология и продукционные правила описывают разные аспекты экспертных знаний о предметной области. Правила содержат знания, необходимые для решения задач, стоящих перед ЭС. Онтология используется для систематического описания этих знаний и интеграции в единую модель знаний, полученных от разных экспертов. Кроме того, онтология используется для представления контекста.
Семантика онтологий, описанных средствами языка OWL, может быть задана двумя способами - основываясь на RDF (RDF-based semantics) и с помощью прямой
семантики (direct semantics), основанной на дескрипционных логиках [13]. В основе OWL-DL лежит дескрипционная логика SROIQ [14]. При использовании прямой семантики OWL-DL может рассматриваться как синтаксический вариант SROIQ с некоторыми различиями в терминологии.
Предложенный автором в статье [7] подход к разрешению конфликтов активации между правилами основывается на анализе конфликтной ситуации, возникающей в процессе вывода. Было предложено использовать методы рассуждения по прецедентам для вывода информации, необходимой для корректного разрешения конфликта. В прецедентах конфликтам активации сопоставляется релевантный контекст, который необходим для принятия решения об активации того или иного правила. В связи с тем, что задача описания вручную всех возможных конфликтов между правилами является трудновыполнимой, было предложено использовать конструкционную адаптацию для модификации имеющихся прецедентов в соответствии с новым конфликтом [15]. Последовательность действий, выполняемая стратегией управления продукциями при возникновении конфликта активации, представлена на рис. 1.
Разбор конфликтного множества, основываясь на онтологии / Ontology based parsing of a conflict set
Построение описания конфликтной ситуации / Conflict situation description construction
ч_
Извлечение наиболее похожего прецедента из эпизодической памяти/ Retrieval of the most similar case from episodic memory
Построение гипотезы на основе возможных модификаций прецедента / Hypothesis generation based on possible case ^
modifications
\
Проверка гипотезы / __
Hypothesis verification
\ _
Сохранение корректной гипотезы в базу прецедентов / Saving of the correct hypothesis in the case base
Рис. 1. Этапы разрешения конфликта активации Fig. 1. Steps of resolving activation conflict
Рассуждения в продукционной БЗ выполняет машина вывода. Разрешение конфликтов активации правил выполняет стратегия управления продукциями. На начальном этапе пользователь указывает стартовые факты и стартовый контекст. Стартовые факты добавляются в множество активных фактов. Основываясь на содержимом множества активных фактов, машина вывода ищет правила, которые могут быть активированы на данном шаге вывода. Стартовый контекст не влияет непосредственно на работу машины вывода, но используется стратегией управления продукциями для разрешения конфликтов активации между правилами. Схема взаимодействия машины вывода и стратегии управления продукциями на начальном этапе вывода представлена на рис. 2.
В стартовом контексте эксперт указывает цели, которые должны быть достигнуты в результате диалога с ЭС. Эти цели описываются с помощью абстрактных концептов, которые представлены в онтологии предметной области и соответствуют искомым понятиям. В результате вывода происходит уточнение этих понятий. Например, в стартовом контексте в качестве цели может быть указан выбор компенсационного мероприятия для некоторой угрозы ЭБ.
Правила, которые могут быть активированы на данном шаге вывода, добавляются в конфликтное множество. Чтобы разрешить конфликт активации, стратегия управления продукциями строит описание конфликтной ситуации в терминах предметной области. Описание конфликтной ситуации состоит из трех частей: активных
фактов; фактов, входящих в следствия конфликтующих правил; контекста, в котором выполняется вывод. Чтобы построить описание конфликтной ситуации, выполняется, основываясь на онтологии, разбор множества активных фактов и конфликтного множества на понятия предметной области. Полученное описание используется как целевой прецедент (target event) для поиска в эпизодической памяти. На его основе выполняется проход по индексам эпизодической памяти в соответствии с алгоритмом, описанном в [16]. Так как в эпизодической памяти используется семантическое индексирование, в результате прохода по индексам извлекается прецедент, наиболее похожий на целевой прецедент, в нашем случае - на текущую конфликтную ситуацию. В случае, если описание конфликта, представленное в прецеденте, отличается от текущего конфликта, необходимо модифицировать прецедент в соответствии с новыми условиями. Для этого средствами конструкционной адаптации выполняется построение гипотез. Следуя формальному описанию конструкционной адаптации, приведенному в [17], определим запрос Q = (Bq,Aq), где B - это условия, определяющие, что является истинным перед началом поиска возможных модификаций; A - цели, характеризующие, что должно присутствовать в результате модификаций. Таким образом, BQ представляет собой концепты, входящие в описание конфликтной ситуации, AQ соответствует целям анализа, указанным пользователем в стартовом контексте.
Рис. 2. Схема взаимодействия машины вывода и стратегии управления продукциями
на начальном этапе вывода Fig. 2. Outline of interactions between inference engine and conflict resolution strategy
at the initial stage of inference
Построение модификаций выполняется в соответствии с алгоритмом, представленным в [17]. Однако в связи с тем что извлечение необходимой информации предлагается выполнять из онтологии предметной области, этап сбора компонентов (component gathering) предлагается заменить следующим алгоритмом:
1. Для концептов, которые содержатся в Bq, выполнить вывод неявных знаний. Если онтология представлена с помощью языка OWL-DL, то для вывода неявных знаний могут использоваться различные средства автоматического вывода [18].
2. Для полученных в результате концептов выполнить поиск отношений, связывающих их с контекстом, входящим в описание текущего конфликта.
3. Вернуть концепты, для которых найдены такие отношения.
Каждая возможная модификация прецедента составляет отдельную гипотезу. После построения гипотез выполняется их сортировка. Предпочтение отдается гипотезам, в которых реализовано максимальное число целей анализа и которые наиболее похожи на исходный прецедент. Сравнение гипотез с прецедентом предлагается выполнять на основе теоретико-множественного подхода Тверски [19], в котором мера близости двух объектов определяется через сопоставление свойств. В нашем случае свойствами являются концепты и отношения, составляющие описание прецедента и гипотезы. Для сравнения гипотезы и прецедента предлагается использовать нормализованную модель, в которой все элементы обладают одинаковым весом [20]:
S(x,y) = -.-, X ^ 7| ,-:, (1)
\X n Y\ + |X\Y| + \Y\X\
где X и Y представляют множества элементов гипотезы и прецедента, состоящие из концептов и отношений онтологии.
После того как гипотезы были отсортированы, стратегия управления продукциями последовательно проверяет каждую из
них. Проверка гипотезы заключается в попытке разрешения конфликта активации на основе этой гипотезы. Главным принципом является повторное использование обоснований, описанных в прецеденте. При этом возможны два случая: концепты и отношения, составляющие множество обоснований в прецеденте, могут присутствовать в проверяемой гипотезе полностью либо частично. В первом случае для разрешения конфликта принимается то же решение, что и в прецеденте. Во втором случае нужно найти концепты, которые могли бы в данной гипотезе заменить недостающие элементы обоснований. Для этого каждый из концептов гипотезы сравнивается с искомым элементом на основании ассиметричной меры семантической близости понятий онтологии [21]:
где с/ = {с1,...,сп] - путь в вершинах между вершинами с и си; 5(<Л) и g(<Л) - число
ребер от дочерней вершины до родительской (в этом пути и от родительской до дочерней соответственно); д - вес ребра в направлении от дочерней вершины до родительской; у - от родительской вершины до дочерней.
Наиболее похожий концепт и используется в гипотезе в роли искомого элемента обоснования. Алгоритм разрешения конфликта активации состоит из следующих этапов:
1. Изначально множество обоснований гипотезы является пустым. Проверить, все ли элементы, составляющие обоснования в прецеденте, присутствуют в гипотезе (в описании конфликтной ситуации, либо в ее контексте). Если да, то внести эти элементы в множество обоснований гипотезы и принять то же решение, что и в прецеденте. Если нет — перейти к шагу 2.
2. Те элементы обоснований прецедента, которые присутствуют и в прецеден-
те, и в гипотезе, добавить в множество обоснований гипотезы.
3. Для каждого из элементов обоснований, которые присутствуют в прецеденте, но отсутствуют в гипотезе, выполнить сравнение с концептами гипотезы по формуле (2). Концепт с максимальным значением S добавить в множество обоснований гипотезы как аналог соответствующего обоснования из прецедента.
4. Модифицировать решение об активации правил, описанное в прецеденте, с учетом изменений соответствующих элементов обоснований.
Проверку результатов работы конструкционной адаптации выполняет инженер. В случае если конфликт разрешен корректно, полученная гипотеза сохраняется в базу прецедентов. В противном случае выполняется проверка следующей гипотезы [7].
Методический подход к организации базы знаний с учетом контекста
В связи с тем, что для корректной работы конструкционной адаптации необходимо участие инженера, предлагается выделить два режима работы - обучение и использование. Режим обучения включает итеративное внесение знаний в БЗ, поиск возможных конфликтов между правилами, построение и решение тестовых задач. В результате решения тестовых задач выполняется заполнение базы прецедентов средствами конструкционной адаптации.
Предлагаемый методический подход к организации БЗ с учетом контекста состоит из следующих этапов:
1. Заполнение онтологии. На этом этапе происходит представление знаний, на основе которых на данной итерации будут формулироваться продукционные правила, а также знаний, составляющих контекст применения этих правил.
2. Описание экспертных знаний в базе правил. На этом этапе в БЗ вносятся новые правила. Так как стратегия управления продукциями при разрешении конфликтов активации опирается на прецеденты и может модифицировать их при возникновении непредвиденных конфликтов, нет необходимости в тщательном согласовании новых правил с уже имеющимися и в проверке всех возможных цепочек вывода существующими методами верификации. Однако для корректной работы конструкционной адаптации в базе прецедентов должны содержаться описания прецедентов, на основе которых могут выполняться модификации. Для того чтобы определить возмож-
ные конфликты между правилами, предлагается описывать их с помощью событийных карт [22].
3. Заполнение базы прецедентов. На начальной итерации в базу прецедентов вносятся обобщенные описания возможных конфликтов между правилами. Поиск возможных конфликтов также основывается на модели рассуждений эксперта, представленной с помощью событийных карт. Благодаря тому что конструкционная адаптация позволяет получить контекстную информацию, необходимую для разрешения конфликта, нет необходимости учитывать каждый конфликт в отдельности -достаточно описать типовую ситуацию, которая будет извлечена из эпизодической памяти при возникновении похожего конфликта и будет использована конструкционной адаптацией для вывода недостающей информации из онтологии.
4. Создание и решение тестовых задач. Целью применения тестовых задач является максимально разнообразное использование БЗ, в результате которого возникают непредвиденные конфликты между правилами, и, следовательно, система использует конструкционную адаптацию для пополнения базы прецедентов. Фактически в процессе решения тестовых задач система выполняет вывод метазнаний, необходимых для корректного разрешения конфликтов активации. Создание тестовых задач основывается на поиске цепочек рассуждений, которые могут приводить к конфликтам активации, поэтому
здесь также предлагается использовать событийное моделирование. Важной особенностью является возможность преобразования событийных карт в формальное представление в виде joiner-сетей [22]. Это позволит автоматизировать анализ рассуждений эксперта и поиск возможных конфликтов.
5. Анализ результатов работы конструкционной адаптации и планирова-
Заполнение онтологии !
Рис. 3. Схема предлагаемого методического подхода к организации БЗ с учетом контекста Fig. 3. Scheme of proposed methodical approach to organizing knowledge base considering context
ние следующей итерации. Основываясь на используемой на данной итерации событийной модели и прецедентах, полученных в результате решения тестовых задач, инженер определяет, какие правила будут внесены в базу правил на следующей итерации.
Последовательность этапов предлагаемого подхода представлена на рис. 3.
Заключение
Ограничения, присущие существующим методам верификации, делают очень трудоемкой задачу обеспечения непротиворечивых результатов вывода в ситуации постоянного внесения в БЗ новых знаний. Использование OWL-DL позволит формализовать применяемые в рамках интеллектуальной ИТ-среды легкие онтологии и использовать содержащиеся в них знания в процессе вывода. Предложенный подход объединяет продукционную модель представления знаний, онтологическое и событийное моделирование и рассуждения по прецедентам для обеспечения непротиворечивого вывода даже при наличии противоречивых правил в базе правил. Разрешение конфликтов активации продукционных правил на основе анализа контекста позволяет выявлять противоречивые правила в процессе вывода, тем самым
делая ненужным применение методов верификации.
Несмотря на то что на первых итерациях предложенный подход может быть громоздким по сравнению с существующими методами верификации, накопление достаточного числа прецедентов в эпизодической памяти позволит корректно разрешать непредвиденные конфликты, что позволит избавить инженера от необходимости согласовывать добавляемые знания с уже имеющимися. Также данный подход облегчает извлечение знаний благодаря использованию событийных моделей для описания рассуждений эксперта, абстрагируясь от деталей формализации.
Работа выполнена при частичной поддержке по гранту РФФИ «Методы ситуационного управления и семантического моделирования в энергетике» № 15-07-01284.
Библиографический список
1. Массель Л.В., Массель А.Г. Технологии и инструментальные средства интеллектуальной поддержки принятия решений в экстремальных ситуациях в энергетике // Вычислительные технологии. 2013. Т. 18. С. 37-44.
2. Массель Л.В., Массель А.Г. Интеллектуальные вычисления в исследованиях направлений развития энергетики // Известия Томского политехнического университета. Инжиниринг георесурсов. 2012. Т. 321. № 5. С. 135-140.
3. Катулев А.Н., Северцев Н.А. Математические методы в системах поддержки принятия решений. М.: Высш. шк., 2005. 312 с.
4. Массель А.Г. Интеллектуальная ИТ-среда для исследований проблемы энергетической безопасности // Информационные технологии в науке, образовании, телекоммуникации и бизнесе: труды XXXVII Междунар. конф. Украина, Гурзуф. 2010. С. 306-309.
5. Яловец А.Л. Представление и обработка знаний с точки зрения математического моделирования. Проблемы и решения: монография. Киев: Наукова думка. 2011. 339 с.
6. Долинина О.Н. Классификация ошибок в базах знаний экспертных систем // Вестник СГТУ. 2010. Т. 4. № 2 (50). С. 125-130.
7. Проскуряков Д.П. Управление разрешением конфликтов в продукционных экспертных системах // Вестник ИрГТУ. 2015. № 8 (103). С. 47-51.
8. Проскуряков Д.П. Использование контекстной информации в стратегии управления продукциями // Винеровские чтения 2015: труды VII Всерос. молодежной науч.-практ. конф. (г. Иркутск, 16-18 апреля 2015 г.). Иркутск: Изд-во ИРНИТУ, 2015. С. 83-86.
9. Аршинский В.Л., Проскуряков Д.П. Применение онтологий и рассуждения по прецедентам для обработки контекста в событийном моделировании в исследованиях энергетики // Современные технологии. Системный анализ. Моделирование. 2016. № 4 (52). С. 94-100.
10. Kolodner J. Maintaining organization in a dynamic long-term memory // Cognitive Science. 1983. Vol. 7. P. 243-280.
11. Ворожцова Т.Н., Костюченко А.П., Макагонова Н.Н., Скрипкин С.К. Применение онтологий для моделирования IT-инфраструктуры и описания систем энергетики // Вычислительные технологии. 2008. Т. 13. № 51. С. 4-10.
12. Uschold M., Gruninger M. Ontologies and semantics for seamless connectivity // ACM SIGMOD Record. 2004. 33 (4). P. 58-64.
13. Krotzsch M., Simancik F., Horrocks I. A Description Logic Primer. CoRR, abs/1201.4089, 2012.
14. Horrocks I., Kutz O., Sattler U. The Even More Irresistible SROIQ // Proc of the 10th Int. Conf. on Principles of Knowledge Representation and Reasoning. AAAI Press. 2006. P. 57-67.
15. Plaza E., Arcos J.L. Constructive adaptation // Advances in case-based reasoning. Springer Verlag. 2002. Vol. 2416. P. 306-320.
16. Kolodner J. Reconstructive memory: a computer model // Cognitive Science. 1983. Vol. 7. P. 281-328.
17. Plaza E. Cooperative reuse for compositional cases in multi-agent systems // International conference «Case-based reasoning research and development». Springer. 2005. P. 382-396.
18. Bock J., Haase, P., Ji, Q., Volz, R. Benchmarking OWL Reasoners // ESWC 2008. LNCS. Vol. 5021. Springer. 2008. P. 1-15.
19. Tversky A. Features of similarity // Psychological Review. 1977. 84 (4). P. 327-352.
20. Cunningham P. A taxonomy of similarity mechanisms for case-based reasoning // IEEE Transactions on Knowledge and Data Engineering. 2009. Vol. 21. No. 11. P. 1532-1543.
21. Bulskov H., Knappe R., Andreasen T. On measuring similarity for conceptual querying // FQAS 2002. LNAI 2522. 2002. P. 100-111.
22. Аршинский В.Л., Массель А.Г., Сендеров С.М. Информационная технология интеллектуальной поддержки исследований проблем энергетической безопасности // Вестник ИрГТУ. 2010. № 7 (47). С. 8-11.
References
1. Massel' L.V., Massel' A.G. Tekhnologii i instrumen-tal'nye sredstva intellektua'noi podderzhki prinyatiya reshenii v ekstremal'nykh situatsiyakh v energetike [Technologies and tools for intelligent decision-making support in extreme situations in the energy sector]. Vychislitel'nye tekhnologii [Computational Technologies]. 2013, vol. 18, pp. 37-44. (In Russian)
2. Massel' L.V., Massel' A.G. Intellektual'nye vychisleni-ya v issledovaniyakh napravlenii razvitiya energetiki [Intelligent computing in power engineering development directions researches]. Izvestiya Tomskogo politekhnicheskogo universiteta. Inzhiniring georesursov
[Bulletin of the Tomsk Polytechnic University. GEO assets engineering]. 2012, vol. 321, no. 5, pp. 135-140. (In Russian)
3. Katulev A.N., Severtsev N.A. Matematicheskie meto-dy v sistemakh podderzhki prinyatiya reshenii [Mathematical methods in decision support systems]. Moscow, Vysshaya shkola Publ., 2005, 312 p. (In Russian)
4. Massel' A.G. Intellektual'naya IT-sreda dlya issledo-vanii problemy energeticheskoi bezopasnosti [Intelligent IT-environment for energy security problems research]. Trudy XXXVII Mezhdunarodnoi konferentsii "Infor-matsionnye tekhnologii v nauke, obrazovanii, telekom-
munikatsii i biznese" [Proceedings of XXXVII International conference "Information Technologies in Science, Education, Telecommunications and Business"]. Ukraina, Gurzuf, 2010, pp. 306-309.
5. Yalovets A.L. Predstavlenie i obrabotka znanii s tochki zreniya matematicheskogo modelirovaniya. Prob-lemy i resheniya [Knowledge representation and processing in terms of mathematical modeling. Problems and solutions]. Kiev, Naukova dumka Publ., 2011, 339 p.
6. Dolinina O.N. Klassifikatsiya oshibok v bazakh znanii ekspertnykh sistem [Classification of errors in knowledge bases of expert systems]. Vestnik SGTU [Vestnik Saratov State Technical University]. 2010, vol. 4, no. 2 (50), pp. 125-130. (In Russian)
7. Proskuryakov D.P. Upravlenie razresheniem kon-fliktov v produktsionnykh ekspertnykh sistemakh [Conflict resolution management in rule-based expert systems]. Vestnik IrGTU [Proceedings of Irkutsk State Technical University]. 2015, no. 8 (103), pp. 47-51. (In Russian)
8. Proskuryakov D.P. Ispol'zovanie kontekstnoi infor-matsii v strategii upravleniya produktsiyami [Application of context information in conflict resolution strategy]. Trudy VII Vserossiiskoi molodezhnoi nauchno-prakticheskoi konferentsii "Vinerovskie chteniya 2015" [Proceedings of VII All-Russia Youth Scientific and Practical Conference "Vinerov's Readings 2015"]. Irkutsk, IRNITU Publ., 2015, pp. 83-86. (In Russian)
9. Arshinskii V.L., Proskuryakov D.P. Primenenie on-tologii i rassuzhdeniya po pretsedentam dlya obrabotki konteksta v sobytiinom modelirovanii v issledovaniyakh energetiki [Application of ontologies and case-based reasoning to processing context in event modeling in energy security research]. Sovremennye tekhnologii. Sistemnyi analiz. Modelirovanie [Modern technologies. System analysis. Modeling]. 2016, no. 4 (52), pp. 94-100. (In Russian)
10. Kolodner J. Maintaining organization in a dynamic long-term memory. Cognitive Science. 1983, vol. 7, pp. 243-280.
11. Vorozhtsova T.N., Kostyuchenko A.P., Makagonova N.N., Skripkin S.K. Primenenie ontologii dlya modeliro-
Критерии авторства
Проскуряков Д.П. разработал подход к обработке контекста в стратегии управления продукциями, методический подход к организации базы знаний с учетом контекста и оформил полученные научные результаты для публикации. Проскуряков Д.П. несет ответственность за плагиат.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Статья поступила 13.03.2017 г.
vaniya IT-infrastruktury i opisaniya sistem energetiki [Applying ontologies for IT-infrastructure modeling and energy systems description]. Vychislitel'nye tekhnologii. [Computational Technologies]. 2008, vol. 13, no. 51. pp. 4-10. (In Russian)
12. Uschold M., Gruninger M. Ontologies and semantics for seamless connectivity // ACM SIGMOD Record. 2004, 33 (4), pp. 58-64.
13. Krotzsch M., Simancik F., Horrocks I. A Description Logic Primer. CoRR, abs/1201.4089, 2012.
14. Horrocks I., Kutz O., Sattler U. The Even More Irresistible SROIQ // Proc of the 10th Int. Conf. on Principles of Knowledge Representation and Reasoning. AAAI Press. 2006, pp. 57-67.
15. Plaza E., Arcos J.L. Constructive adaptation // Advances in case-based reasoning. Springer Verlag. 2002, vol. 2416, pp. 306-320.
16. Kolodner J. Reconstructive memory: a computer model // Cognitive Science. 1983, vol. 7, pp. 281-328.
17. Plaza E. Cooperative reuse for compositional cases in multi-agent systems // International conference «Case-based reasoning research and development». Springer. 2005, pp. 382-396.
18. Bock J., Haase, P., Ji, Q., Volz, R. Benchmarking OWL Reasoners // ESWC 2008. LNCS. Vol. 5021. Springer. 2008, pp. 1-15.
19. Tversky A. Features of similarity // Psychological Review. 1977. 84 (4), pp. 327-352.
20. Cunningham P. A taxonomy of similarity mechanisms for case-based reasoning // IEEE Transactions on Knowledge and Data Engineering. 2009, vol. 21, no. 11, pp. 1532-1543.
21. Bulskov H., Knappe R., Andreasen T. On measuring similarity for conceptual querying // FQAS 2002. LNAI 2522. 2002, pp. 100-111.
22. Arshinskii V.L., Massel' A.G., Senderov S.M. Infor-matsionnaya tekhnologiya intellektual'noi podderzhki issledovanii problem energeticheskoi bezopasnosti [Information technology of intellectual support for researches on energy safety problems]. Vestnik IrGTU [Proceedings of Irkutsk State Technical University]. 2010, no. 7 (47), pp. 8-11. (In Russian)
Authorship criteria
Proskuryakov D.P. has developed an approach to context processing within the strategy of product management, elaborated a methodical approach to context-wise organization of a knowledge base and formalized the scientific results for the publication. Proskuryakov D.P. is responsible for plagiarism.
Conflict of interest
The author declares that there is no conflict of interests regarding the publication of this article.
The article was received on 13 March 2017
