CC BY
56
УДК 004.89; 51.77
ИНТЕГРИРОВАННАЯ ЭКСПЕРТНАЯ СИСТЕМА ДЛЯ ИССЛЕДОВАНИЯ ПРОБЛЕМ РАЗВИТИЯ ТРАНСПОРТНО-ЛОГИСТИЧЕСКОЙ ИНФРАСТРУКТУРЫ РЕГИОНА © А.А. Лемперт1, Д.С. Бухаров2, А.Б. Столбов3
изИнститут динамики систем и теории управления СО РАН,
664033, Россия, г. Иркутск, ул. Лермонтова, 134.
1Иркутский государственный технический университет,
664074, Россия, г Иркутск, ул. Лермонтова, 83.
Дано описание интегрированной экспертной системы для проведения комплексного исследования транспортно -логистической инфраструктуры региона. Задача интеграции рассмотрена на двух уровнях: предметно -содержательном и программном. Для её решения предложены онтологии, описывающие как понятия предметной области, так и используемые модели, методы и программы. Представлена архитектура экспертной системы. Рассмотрен пример поддержки исследования: приведены описания используемых программных модулей и продукционных правил.
Ил. 3. Библиогр. 19 назв.
Ключевые слова: экспертная система; продукционные правила; базы знаний; онтология; интеграция; транспортная логистика.
INTEGRATED EXPERT SYSTEM FOR STUDYING DEVELOPMENT PROBLEMS OF REGIONAL TRANSPORTATION AND LOGISTICS INFRASTRUCTURE A.A. Lempert, D.S. Bukharov, A.B. Stolbov
Institute for System Dynamics and Control Theory SB RAS,
134 Lermontov St., Irkutsk, 664033, Russia.
Irkutsk State Technical University,
83 Lermontov St., Irkutsk, 664074, Russia.
The article deals with the integrated expert system for the complex study of the transportation and logistics infrastructure of the region. Having treated the integration problem at two levels - object domain layer and software - the authors propose the ontologies that describe the concepts of the object domain as well as used models, methods and software. The architecture of the expert system is given. An example for support of the study is considered: the descriptions of the used program modules and production rules are provided.
3 figures. 19 sources.
Key words: expert system; production rules; knowledge bases; ontology; integration; transport logistics.
Использование подхода экспертных систем при разработке программного обеспечения позволяет решать проблемы, для которых не существует универсального алгоритма действий, а цели не могут быть выражены в терминах точно определенной целевой функции. Экспертные системы осуществляют логический вывод на основе формализованного представления закономерностей той или иной предметной области и позволяют частично заменить эксперта-человека в процессе исследований, что в свою очередь повышает уровень интеллектуализации программного обеспечения.
На данный момент накоплен большой опыт разработки и внедрения экспертных систем в различных
сферах. В качестве примера разнообразия предметных областей можно привести следующие проекты: GUIDON - обучение медицинского персонала [1]; GENESIS - планирование экспериментов по изучению ДНК [2]; OMEGAMON - отслеживание состояния корпоративной информационной сети [3]. Динамические экспертные системы, реализованные при помощи коммерческого инструментального средства G2 [4], помогают управлять трубопроводом, выявлять и регистрировать неисправности в нефтехимических комплексах и применяются во многих предметных областях. В настоящее время исследователям и разработчикам стали доступны хорошо документированные и регулярно обновляемые инструментальные средства
1Лемперт Анна Ананьевна, кандидат физико-математических наук, зав. лабораторией системного анализа и вычислительных методов, доцент кафедры автоматизированных систем, тел.: (3952) 453030, e-mail: [email protected]
Lempert Anna, Candidate of Physical and Mathematical sciences, Head of the Laboratory of System Analysis and Computational Techniques, Associated Professor of the Department of Automated Systems, tel.: 453030, e-mail: [email protected]
2Бухаров Дмитрий Сергеевич, программист лаборатории системного анализа и вычислительных методов, тел.: (3952) 453030, e-mail: [email protected]
Bukharov Dmitry, Programmer of the Laboratory of System Analysis and Computational Techniques, tel.: (3952) 453030, e-mail: [email protected]
3Столбов Александр Борисович, младший научный сотрудник лаборатории системного анализа и вычислительных методов, тел.: (3952) 453030, e-mail: [email protected]
Stolbov Alexander, Junior Researcher of the Laboratory of System Analysis and Computational Techniques, tel.: (3952) 453030, email: [email protected]
создания экспертных систем, к наиболее популярным можно отнести JESS (язык Java) и свободно распространяемую систему CLIPS (язык С++). В России разработками экспертных систем занимаются коллективы под руководством В.В. Емельянова (гибридные системы для задач управления и логистики), Б.Е. Федунова (бортовая оперативно-советующая система), Г.В. Рыбиной (проект АТ-технология), А.В. Колесникова (проект PS-технология), Н.Г. Ярушкиной (мягкие гибридные системы).
Одной из основных тенденций развития технологий искусственного интеллекта является объединение в одном комплексе пакетов прикладных программ, СУБД, систем, основанных на знаниях, средств имитационного моделирования, подсистем САПР и т.д. Поэтому в современных условиях все большее значение приобретает разработка интегрированных экспертных систем, использование которых расширяет области применения интеллектуальных технологий. К одной из таких областей относится комплексное изучение развития транспортно-логистичес-кой инфраструктуры региона.
Особенности разработки систем комплексного моделирования транспортных процессов. Тенденции развития современных транспортно-логистических систем направлены, во-первых, на усложнение их структуры за счет увеличения числа вовлеченных объектов различного масштаба и, соответственно, количества вертикальных и горизонтальных связей между ними; во-вторых, на усиление роли транспортной отрасли в межотраслевых связях. В этих условиях для эффективного планирования и прогнозирования необходимо проведение комплексного исследования процессов и объектов транспортно-логис-тической инфраструктуры с учетом их взаимодействия [5].
К первой работе, посвященной проблематике создания экспертных систем для комплексного планирования транспортной инфраструктуры, можно отнести работу P. Bonsall и H. Kirby [6]. Несмотря на то что в последние годы появилось много интеллектуальных систем, которые решают частные задачи (EMME/2, Geogracom, HDM-IV, Intelligent Transport Systems, OLSIM, Project AMTICS and RACS, Project Prometheus, RTA и др.), по-прежнему остаются актуальными работы, связанные с созданием программных комплексов исследования транспортно-логистической инфраструктуры региона в целом.
Сложность разработки комплексных систем заключается в том, что для учета специфики процессов и объектов транспортных систем необходимо использовать разнородные математические модели и методы. В зависимости от типов рассматриваемых объектов, от доступности информации и от целей конкретного исследования транспортные процессы могут описываться как дискретные (или непрерывные) и детерминированные (или стохастические). На сегодняшний день разработано множество разнообразных моделей, методов и программных средств, предназначенных, по большей части, для решения конкретных зачастую
достаточно узких задач транспорта и логистики. Обзор таких моделей может являться предметом отдельной публикации, отметим только работы авторов настоящей статьи, как наиболее близко относящиеся к данному исследованию [7-10].
Архитектура интегрированной экспертной системы (ИЭС). Применение разных подходов при изучении транспортно-логистической инфраструктуры региона приводит к необходимости совместной работы экспертов из разных областей знаний. При этом в процессе комплексного исследования для моделирования и анализа частных проблем могут использоваться сторонние пакеты прикладных программ. Эти особенности определяют два вида интеграции: предметно-содержательная и программная.
Предметно-содержательная интеграция достигается за счет разделения базы знаний экспертной системы на две части: первая описывает понятия предметной области (рис. 1), вторая - понятия, связанные с используемыми моделями и методами (рис. 2). Подобная структура базы знаний позволяет описать правила применения и взаимосвязь инструментальных средств исследования на основе формальной интерпретации их параметров, а также входов и выходов.
Программная интеграция обеспечивает поддержку передачи данных между вычислительными модулями на основе единого коммуникационного интерфейса.
Для разработки базы знаний о предметной области были адаптированы существующие онтологии [11-13], предназначенные для описания частных проблем транспорта и логистики. База знаний содержит набор продукционных правил (примеры представлены ниже), которые описывают связи между представлением инфраструктуры и поставленными задачами, описанными в предметных терминах со способами их решения.
Формализованное описание моделей и методов исследования транспортно-логистической инфраструктуры рассматривается на трех уровнях:
1) прогноз развития транспортной системы региона на основе экономических и эколого-экономических моделей;
2) определение качественного и количественного состава необходимых инфраструктурных объектов, и их размещение на территории региона;
3) моделирование функционирования инфраструктурных объектов, анализ последствий размещения, корректировка принятых решений, формирование новых ограничений.
На каждом уровне моделирования используется специализированный математико-алгоритмический аппарат, реализованный в виде отдельных программных систем. Поэтому для поддержки комплексного исследования осуществлена их программная интеграция в рамках ИЭС, для организации которой каждый используемый модуль должен содержать единый коммуникационный интерфейс с целью обеспечения их распределенного взаимодействия согласно модели информационных потоков (рис. 3).
Рис. 1. Типы ресурсов транспортно-логистической инфраструктуры
Рис. 2. Типы моделей и задач для исследования транспортно-логистической инфраструктуры
Рис. 3. Модель информационных потоков
Для обмена информацией между программными модулями на основе коммуникационного интерфейса используются файлы в формате xml:
<?xml version="1.0" encoding="windows-1251"?> <ModuleList>
<module moduleNumber="1"
moduleName="ВИГОЛТ">
<model name="Сегментация логистических
зон"/>
<method name="Оптико-геометрический
подход"/>
<unit name=" модуль «ВИГОЛТ»"/>
</module >
</ModuleList >
<dataList>
<data dataNumber="1" пате="Данные" >
<type name="Выходные данные"/>
<char name="Cтоимость строительства в
точке х,у"/>
<unitCost unit="рубль" value="500000"/> <time unit="год" value="2013"/>
<region пате="Иркутская область"
ref="..."/>
</data >
</dataList>
В данном примере элемент ModuleList содержит информацию об используемых вычислительных модулях, методах решения транспортно-логистических задач и необходимых данных для выполнения вычислений: moduleNumber - номер модуля в данном файле; model - название математической модели, используемой в вычислительном модуле; method -название численного метода и т.д. Каждый вложенный элемент обладает набором атрибутов, например, элемент time имеет атрибуты value (значение) и unit (единица измерения).
Реализация ИЭС и примеры ее использования. Проектирование и программная реализация экспертной системы осуществляется с помощью современных принципов и средств разработки программного обеспечения. Для определения структуры баз знаний предлагается использовать средство извлечения знаний Protege [14]. На базе инструментального средства CLIPS [15] организована обработка знаний, представленных в форме продукций и фреймов. Для того чтобы показать возможность использования ИЭС для интеграции моделей, методов и программных средств изучения транспортно-логистической инфраструктуры региона в качестве средства моделирования на первом уровне исследования был выбран интеллектуальный программный комплекс «МЭЭМ» [16], для второго уровня - система «ВИГОЛТ» [17], для третьего - программный комплекс «МОДФОРТ» [18].
ИПК «МЭЭМ» реализует анализ и прогнозирование эколого-экономического состояния территории на отраслевом уровне с использованием моделей типа «Регион» [19]. При этом транспортная отрасль может рассматриваться как в целом, так и по отдельным видам: железнодорожный, автомобильный, трубопроводный, внутренний водный и лесосплав, авиационный, морской, погрузочно-разгрузочный транспорт и т.д.
Система «ВИГОЛТ» предназначена для решения прикладных задач оптимизации региональной транспортно-логистической инфраструктуры в непрерывной постановке, спектр которых достаточно широк: от классической задачи определения оптимального маршрута между двумя пунктами до задачи оптимального размещения объектов различной природы с сегментацией зон их обслуживания [17].
ПК «МОДФОРТ» позволяет моделировать работу микрологистических транспортных объектов и систем (например, грузовых терминалов), подверженных существенному влиянию случайных факторов с целью последующей оценки эффективности функционирования и оптимизации их технико-технологических параметров [18].
Далее рассмотрим типичный пример поддержки исследования c помощью интегрированной экспертной системы и приведем набор используемых для этого продукционных правил в формате CLIPS.
1. Пусть в результате анализа сценарных расчетов, проведенных на основе эколого-экономической модели (далее макромодели) с использованием ИПК «МЭЭМ», ИЭС выявляет, что на уровне отраслей региона существуют ограничения по транспортной отрасли, которые не позволяют в полной мере реализовать инвестиционные проекты, заложенные в рассматриваемый сценарий. Для этого в экспертную систему вводятся соответствующие правила:
(defrule MacroBranchAnalysis::QueryRestrictions (currentModel (Model ?m_id)(Module ?module)) (Tasks (Task ScenarioCalculation)(Model ?mod-el)(Module ?module)(ModelState ?inst_ms))
(object (is-a ModelingState)(name ?inst_ms)(Result done))
=>
(GetActiveRestrictions ?module ?m_id))
(defrule MacroBranchAnalysis::DetectRestrictions (currentModel (Model ?m_id)(Module ?module)) (object (is-a MacroModel)(name ?in-stance_name)(Name ?natural_name)(ID ?m_id)))
(object (is-a ModelRestriction)(Model ?in-stance_name) (Branch ?branch_inst_name)(name ?in-stance_name) (ID ?id)(Active "Yes"))
(object (is-a Branch)(name ?branch_inst_name))=> (assert (DevelopmentRestriction (Branch ?branch_inst_name) (Model ?m_id)))
Процедура GetActiveRestrictions - программная функция, получающая активные ограничения по макромодели в форме фрейма ModelRestriction (см. рис. 2, фрейм «ограничения модели») посредством запроса к вычислительному модулю, реализующему расчеты по ней.
2. Тогда ИЭС определяет инфраструктурные объекты, связанные с отраслью, и выбирает способ устранения выявленных ограничений. Пусть в данном примере ИЭС выбирает метод «увеличение пропускной способности».
3. Далее ИЭС определяет действия для инфраструктурных объектов, связанных с увеличением пропускной способности (улучшение типа дорожного покрытия, прокладка новой полосы существующей доро-
ги, прокладка нового маршрута, изменение скоростного режима и т.п.).
4. Следующий шаг - формирование постановки задачи для реализации выбранного действия. Для этого экспертная система создает следующий факт:
(InfrastructureTask (Name "Размещение")(Task "прокладка нового маршрута")(0^ ?obj)(Modules ?mlist)(Region ?reg)),
где ?mlist - переменная, содержащая список вычислительных модулей, предназначенных для решения задач размещения и прокладки маршрута; ?reg - ссылка на экземпляр фрейма с информацией об исследуемом регионе (карта, площадь, рельеф и т.д.).
5. ИЭС предлагает исследователю выбрать программное средство, подходящее для решения поставленной задачи. При этом в правилах могут вызваться дополнительные процедуры, реализующие интерактивное взаимодействие с пользователем. Например, процедура AskUser выводит на экран список предустановленных модулей для решения задач размещения, и пользователь может выбрать необходимое программное средство:
(defrule InfrastructureCalculations::ChooseSoftware ?adr<-(I nfrastructureT ask (T ask?T askName)(Obj
?obj)(Modules ?mlist)(Region ?reg)))
(object (is-a Resource)(name ?obj)(Name ?ppNameRes))
(object (is-a Region)(name ?reg)(Name ?ppNameReg))
=>
(assert (UseModule (Task ?adr) (Module (AskUser ?mlist (str-cat "Выбор расчетного модуля для задачи" ?TaskName "для объектов типа" ?ppNameRes "в регионе" ?ppNameReg)))))
6. Пусть пользователем из предложенных вариантов выбрана система «ВИГОЛТ», тогда согласно её описанию ИЭС формирует исходные данные для решения поставленной задачи с помощью функции Set-ModuleData. Для начала вычислений производится создание и запуск модуля (процедуры CreateModule и LaunchModule):
(defrule InfrastructureCalcula-
tions::DataForModule_137
?adr<-(InfrastructureTask (Task ?TaskName)(Obj ?obj)(Modules ?mlist)(Region ?reg)))
(UseRealModule (Task ?adr)(Module "ВИГОЛТ")(Ю
?id))
(ObjType (Task ?adr) (Obj ?obj)(Type ?t)
(object (is-a RegionMap)(Region ?reg)(file ?rmf))) (object (is-a InfrastructureMap)(Region ?reg) (file ?imf)))
=>
(SetModuleData ?id "Карта" ?rmf) (SetModuleData ?id "Объекты инфраструктуры" ?rmf)
(SetModuleData ?id "Режим работы" ?TaskName) (SetModuleData ?id "Объект" ?t)
(LaunchModule ?id))
В итоге на основе анализа результатов расчетов по модели первого уровня ИЭС подбирает вычислительный модуль, необходимый для решения возникающих задач второго уровня. После этого ИЭС добавляет в базу знаний новые факты, отражающие произведенные модулем вычисления. Аналогичным образом организуется взаимодействие между моделями второго и третьего уровней.
В современных условиях разработка методов и технологий интеллектуализации является одним из важных направлений развития транспортной и инфраструктурной логистики. Разработанная авторами интегрированная экспертная система - один из возможных вариантов применения современных информационных технологий в данной предметной области, позволяющий осуществлять поддержку принятия управленческих решений и частично заменять эксперта в процессе исследований.
В работе описана архитектура ИЭС, которая включает модуль логического вывода, базу знаний, вычислительные модули («МЭЭМ», «ВИГОЛТ», «МОДФОРТ»), при этом разработана оригинальная онтология исследования транспортно-логистической инфраструктуры региона. Онтология включает в себя, с одной стороны, формализованное описание взаимодействия и взаимосвязей различных понятий предметной области (виды и типы транспорта, ресурса, терминалов обслуживания и т.д.), с другой стороны, описание моделей, методов и программных средств, используемых в исследовании. Таким образом, разработанная онтология определяет предметно-содержательный уровень интеграции, а программная интеграция реализована на основе предложенного коммуникационного интерфейса. Представлены примеры правил базы знаний в формате среды CLIPS, с помощью которых экспертная система осуществляет логический вывод.
Работа выполнена при частичной поддержке РФФИ, проекты №№ 12-07-33045, 12-07-31080.
Библиографический список
1. Clancey W.J. Knowledge-based tutoring. The GUIDON program. Cambridge: MIT Press, 1987. 264 p.
2. Bower J.M., Beeman D. The book of GENESIS: exploring realistic neural models with the GEneral neural SImulation system. Berlin: Springer, 1998. 458 p.
3. Рассел Дж. IBM OMEGAMON. М.: Изд-во «Книга по требованию», 2012. 96 c.
4. Gensym: real-time management of mission critical systems [Электронный ресурс]. URL: http://www.gensym.com.
5. Модели и методы теории логистики / под ред. В.С. Лукин-ского. СПб.: Питер, 2007. 448 с.
6. Bonsall P., Kirby H. The role of expert system in transport // Information technology applications in transport. 1986. P. 353--
382.
7. Казаков А.Л., Лемперт А.А. Об одном подходе к решению задач оптимизации, возникающих в транспортной логистике // Автоматика и телемеханика. 2011. № 7. С. 50-57.
8. Казаков А.Л., Лемперт А.А., Бухаров Д.С. К вопросу о сегментации логистических зон для обслуживания непрерывно распределенных потребителей // Автоматика и телемеханика. 2013. № 6. С. 87-100.
9. О методе решения задачи оптимальной прокладки высокоскоростных железнодорожных магистралей с учетом региональных особенностей / М.А. Журавская [и др.] // Транспорт: наука, техника, управление. 2012. № 2. С. 41 -44.
10. Лемперт А.А., Казаков А.Л., Бухаров Д.С. Математиче-
ская модель и программная система для решения задачи размещения логистических объектов // Управление большими системами. 2013. № 41. С. 270-284.
11. Smith S., Lassila O., Becker M. Configurable, mixed-initiative systems for planning and scheduling // Advanced planning technology: technological achievements of the ARPA. MIT/AAAI Press. 1996. P. 235-241.
12. Becker M., Smith S.F. An ontology for multi-modal transportation planning and scheduling Pittsburgh: The Robotics institute Carnegie Mellon University, 1997. 85 p.
13. SUMO: simulation of urban mobility [Электронный ресурс]. URL: http://sumo-sim.org.
14. Protege is a free, open source ontology editor and knowledge-base framework [Электронный ресурс]. URL: http://protege.stanford.edu.
15. CLIPS: a tool for building expert systems [Электронный ресурс]. URL: http://clipsrules.sourceforge.net.
16. Павлов А.И., Столбов А.Б. Программный комплекс для поддержки моделирования медико-эколого-экономических систем // Программные продукты и системы. 2011. № 1. С. 137-140.
17. Бухаров Д.С., Казаков Д.С. Программная система «ВИ-ГОЛТ» для решения задач оптимизации, возникающих в транспортной логистике // Вычислительные методы и программирование. 2012. Т. 13 [Электронный ресурс]. и^: http://num-meth.srcc.msu.ru/zhurnal/tom_2012/р<^/у13г209.р<Л:.
18. Фу Ф.Г., Казаков А.Л. Имитационное моделирование работы грузовых транспортных терминалов // Вестник Иркутского государственного технического университета. 2013. № 9 (80). С. 37-43.
19. Моделирование социо-эколого-экономической системы региона / под ред. В.И. Гурмана, В.Е. Рюминой. М.: Наука, 2001. 175 с.
УДК 004.896
ПРИМЕНЕНИЕ МЕТОДА ПОСЛЕДОВАТЕЛЬНОГО ОЦЕНИВАНИЯ ДЛЯ СРАВНЕНИЯ ЭФФЕКТИВНОСТИ РАЗЛИЧНЫХ ВАРИАНТОВ ГЕНЕТИЧЕСКОГО АЛГОРИТМА © Н.Д. Лукьянов1
Иркутский государственный технический университет,
664074, Россия, г. Иркутск, ул. Лермонтова, 83.
Рассмотрены восемь основных вариантов генетического алгоритма для решения задачи параметрической оптимизации. Представлена методика последовательного оценивания Стейна применительно к задаче оценивания генетического алгоритма с точки зрения быстроты сходимости и точности найденного решения. Данный подход дает возможность ранжировать исследуемые варианты генетического алгоритма по степени эффективности для той или иной задачи. Все вышеизложенное продемонстрировано на примере тестовых функций Растригина и Розенброка.
Табл. 2. Библиогр. 8 назв.
Ключевые слова: генетические алгоритмы; последовательное оценивание; эффективность алгоритмов.
SEQUENTIAL ESTIMATION APPLICATION TO COMPARE EFFICIENCY OF DIFFERENT VARIANTS OF GENETIC
ALGORITHM
N.D. Lukyanov
Irkutsk State Technical University,
83 Lermontov St., Irkutsk, 664074, Russia.
The article examines eight basic variants of the genetic algorithm to solve the problem of parametric optimization. It treats Stein's sequential estimation technique as applied to the problem of genetic algorithm estimation in terms of speed of convergence and accuracy of found solution. Application of the proposed approach enables ranging the variants of the genetic algorithm under investigation by the efficiency degree for a given problem. All of the above has been demonstrated on the example of Rastrigin and Rosenbrock's test functions.
2 tables. 8 sources.
Key words: genetic algorithms; sequential evaluation; algorithm efficiency.
Ввиду большого разнообразия вариантов генетического алгоритма [1-3] возникла необходимость рассмотреть наиболее распространенные из них и сравнить их эффективность относительно решения задачи параметрической оптимизации. Так, основными отличиями между реализациями генетического алгоритма являются различные способы реализации методов отбора и способы перехода в следующее поколение. Поэтому при применении генетического алгоритма к решению задачи параметрической оптимизации в первую очередь предлагается исследовать восемь вариантов алгоритма, составленных из возможных
комбинаций следующих вариантов отбора родителей [3]:
• рулеточный отбор;
• турнирный отбор;
• линейный ранговый отбор;
• экспоненциальный ранговый отбор;
и способов перехода в следующее поколение:
• элитарный способ перехода
• отбор усечением (truncation selection).
Для оценки эффективности традиционно [4] используется процент удачных запусков по отношению к
1Лукьянов Никита Дмитриевич, аспирант, тел.: 89501461922, e-mail: [email protected] Lukyanov Nikita, Postgraduate, tel.: 89501461922, e-mail: [email protected]
