CC BY
33
граф, 1997.
4. Информационная экономика и управление динамикой сложных систем: Сборник трудов/ под. ред. Иванова Е.Ю., Нижегородцева Р.М.- М.-Барнаул: «Бизнес-Юнитек», 2004.
5. Ермаков С.М., Михайлов Г.А. Статистическое моделирование.- М.: Наука, 1982.
6. Веревкин С.А. Практика разработки унифицированной информационной системы: Молодёжь и современные информационные технологии. Сборник трудов 11-ой Всероссийской научно-практической конференции студентов.- Томск: Изд-во ТПУ, 2004.- С. 116-117.
7. Веревкин С.А. Иерархическая взаимосвязь объектов как основа построения унифицированной информационной системы: Информационные недра Кузбасса: Труды III региональной научнопрактической конференции.- Кемерово: ИНТ, 2004.- С. 205-207.
8. Веревкин С.А. Архитектура системы дистанционного контроля знаний: опыт разработки: Материалы ХЬШ Международной научной студенческой конференции «Студент и научно-технический прогресс»: Информационные технологии.- Новосибирск: Изд-во НГУ, 2005.- С.56-58.
9. Веревкин С.А. Образовательный информационный минипортал «Виртуальная случайность»: Информационные недра Кузбасса: Труды IV Всероссийской научно-практической конференции.- Кемерово: ИНТ, 2005. - С.129-131.
10. Веревкин С. А. Об информационной поддержке курса «Имитационное моделирование экономических систем»: Системы автоматизации в образовании, науке и производстве: Труды V Всероссийской научно-практической конференции.- Новокузнецк: СибГИУ, 2005.- С.327-328.
□ Авторы статьи:
Веревкин Сергей Анатольевич
- выпускник каф. вычислительной техники и информационных технологий ( гр. ПИ-001)
Пимонов Александр Григорьевич
- докт. техн. наук, проф. каф. вычислительной техники и информационных технологий
УДК 681.3
В.Ф. Шуршев, О.В. Демич
ИСПОЛЬЗОВАНИЕ МЕТОДА САМООРГАНИЗАЦИИ ПОИСКА В ЗАДАЧЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ПРИ ОПРЕДЕЛЕНИИ КОМПОНЕНТОВ СИСТЕМЫ ЭНЕРГОУЧЕТА
Функциональные характеристики систем энергоучета почти полностью зависят от технических средств - счетчиков, контроллеров, устройств сбора и передачи данных. На сегодняшний день представлено огромное количество этих устройств. Учитывая то, что каждое предприятие предъявляет свои требования и ставит свои цели перед разрабатываемой автоматизированной системой контроля и учета энергоресурсов (АСКУЭ), проектирование систем энергоучета становится трудоемким и занимает на крупных предприятиях не один месяц исследований.
Отсутствие методов проектирования систем энергоучета и, как следствие, возможности автоматизации процессов принятия решений на начальных этапах проектирования, привело к необходимости разработки
метода и создания автоматизированной системы поддержки принятия решения о выборе технических средств АСКУЭ.
Проблема выбора компонентов АСКУЭ является многокритериальной оптимизационной задачей, т. к. технические средства различаются между собой по многим параметрам: классу точности, функциональным возможностям, размеру памяти, поверочному интервалу, интерфейсам и т.д.
Для решения этой задачи, во-первых, необходимо разработать концепцию задачи поиска компонентов АСКУЭ. Во-вторых, нужно разработать метод оптимизации поиска, который подходил бы к особенностям данной задачи: существуют как качественные, так и количественные критерии выбора, множество альтернатив - дискретно, большой объем данных
предъявляет высокие требования к скорости нахождения решения. Причем качество решения тоже немаловажно, поэтому необходима также возможность выбора между более быстрым и более качественным решением. Метод должен обладать более высокой точностью и эффективностью по сравнению с традиционными методами.
Наилучшие результаты дает совмещение метаэвристических методов и методов локального поиска (точных методов).
Предложен метод многокритериального поиска решений во множестве альтернатив большой мощности - Метод самоорганизации поиска
(МСП). Здесь для нахождения начальных решений применен видоизмененный и дополненный Метод муравьиных колоний (ММК), как наиболее современная метаэвристическая
2б
В.Ф. Шуршев, О.В. Демич
Таблица
Параметры алгоритма МСП
№ п/п Параметр Обозначение Значение
1 Отношение согласованности Q 10-15%
2 Параметр остановки D Задается ЛПР
3 Связность генетического алгоритма Y 0<Y<1
4 Вектор предпочтений R* Задается ЛПР
5 Число агентов M m<n
б Весовой параметр уровня популярности А 1<a <3
7 Весовой параметр желательности пути B 1<b<3
8 Устойчивость уровня популярности R r = 0.3
9 Глубина поиска G Задается ЛПР
технология, основанная на природных явлениях. Затем эти решения улучшаются с помощью метода локального поиска.
Концепция задачи поиска компонент АСКУЭ Цель: найти упорядоченное по приоритетам подмножество лучших альтернатив, максимально приближенных к заданному идеальному вектору (Я*).
Для выполнения указанной цели была разработана концепция задачи поиска компонентов АСКУЭ.
Множество альтернативных компонентов представлено в виде графа, в вершинах которого находятся вектора решений:
Я1 = {х11>х12>->х1п }->
Я1 = {ХЫ1’ХЫ2’-’ХЫП } где N - количество альтернатив; п - количество критериев;
x11,...,x ]
- значения
^ 11 >•••>•* N критериев.
Вершины соединяются между собой, если евклидово расстояние между векторами, соответствующими данным вершинам, меньше заданного У
Е| lxik- xjk
k=1
где У - связность графа альтернатив, чем больше У, тем больше дуг будет между вершинами.
После построения графа альтернатив задача поиска подмножества лучших альтернатив превращается в задачу поиска на графе.
В качестве весового коэффициента дуги выступает евклидово расстояние между за-
данным вектором Я и вектором соответствующего узла, вычисляемое по формуле:
Vij =, Е
n * 2 xk — xjk
\к=1
где Vj - весовой коэффициент дуги (i, j);
x к - значения к-го критерия у заданного вектора R *;
Xjk - значения к-го критерия у вектора Rj ;
n - количество критериев выбора технического средства.
Идея разработанного метода заключается в том, что агент, находящийся в узле i с большей вероятностью пойдет по пути с наибольшей популярностью и наименьшим весом.
Описание алгоритма МСП
Алгоритм предложенного метода МСП заключается в следующем.
1. Инициализация.
- Для каждого ребра графа (i,j) устанавливается исходный уровень популярности tj =t0 . Здесь t0 - начальный уровень популярности маршрута, принимаемый как незначительное положительное значение, равномерно распределенное на всех маршрутах графа.
- Размещаем m агентов в N узлах.
- Задаем количество циклов поиска G.
2. Заполнение запрещенного списка.
- Размещаем стартовый узел каждого агента в его запрещенный список tabu uk .
3. Перемещение агентов.
- Каждый агент к, находящийся в узле /, выбирает следующий узел у с вероятностью
Pk = ij
[tj Ґ
■ [с]]
p
[с„ ]'
I j
kGallowedk
если _ к, j е allowedк;
0, в противном случае
где а - весовой параметр, управляющий уровнем популярности;
b - весовой параметр, управляющий степенью желательности пути;
tij - накопленный уровень популярности на маршруте (i,j) всеми агентами;
cij =1 / Vj - желательность пути, остается постоянной на всем протяжении работы алгоритма;
allowed к = N _ tabu к }
- множество узлов, которые может исследовать агент к, находящийся в узле i;
tabu ик - запрещенный список к-го агента.
- Перемещаем к-го агента в узел j.
- Помещаем узел j в tabu uk.
4. Обновление уровня популярности.
- Проходя из i в j, агент обновляет tj, используя следующее соотношение:
tj = (1-r) ■ t j + r ■ to , где r - устойчивость уровня популярности маршрута.
Уровень популярности снижается при большом значении r, а это уменьшает шанс
2
того, что другой агент выберет то же самое решение и последовательность поиска будет более разнообразной.
5. Обновление списка лучших решений (СЛР).
- Сравниваем новое решение каждого агента с лучшим, найденным ранее этим же агентом, и обновляем, если новое решение лучше:
Если
ZII *11 V ч II *
\\xk— xjk\\ <Е x—
nx — x лр\
" k xk
k=1
k=1
но-
6. Если (N0 < G) и (нет застоя) тогда
- Освобождаем все запрещённые списки,
- Возвращаемся на шаг 2.
- Иначе переходим к шагу 7.
7. Метод локального поиска. Для каждого вектора Я, , принадлежащего СЛР и находящегося в узле ,:
7.1. Вычисляется значение целевой функции по формуле:
то Яу заносится в СЛР, где
я,лр = {Х*,..., хлр}
лучшее решение ,-го агента;
Яу = {Х,,,..., Хи } -
вое решение;
СЛР = (ялр,..., Ялр,..., ят лр)
- содержание списка лучших решений.
p(R , Ri) =
n
Е x*— xik
k=1
в узле , и во всех смежных с ним узлах.
7.2. Находим минимум целевой функции среди найденных значений.
7.3. Если р(Я*,Яу) = тт и р(Я*,Яу) < р(Я*,Я) , то переходим в узел у (делаем шаг в направлении убывания значения
целевой функции).
7.4. Если р(Я*,Яу) < В, то Яу заносится в множество решений (МР).
7.5. Повторяем шаги с 7.1 по 7.4, пока не будет выполнено условие останова:
р(Я*,Яу) > р(Я*,Я) .
В результате опытных исследований, был определен диапазон значений параметров алгоритма МСП (таблица).
Заключение
Благодаря разработке концепции задачи поиска компонентов АСКУЭ и метода многокритериального поиска, ориентированного на данную задачу, становится возможным создание автоматизированной системы поддержки принятия решения о выборе технических средств АСКУЭ.
СПИСОК ЛИТЕРАТУРЫ
2
1. M.Dorigo, A.Colorni, V.Maniezzo. Optimization by a colony of cooperating agents // IEEE Transactions on Systems, Man, and Cybernetics. 1996. V.26. №.1. P.1-13.
2. M. Dorigo, T. Stutzle. Ant Colony Optimization // Bradford Books, 2004. 328 pp.
□ Авторы статьи:
Шуршев Валерий Федорович
- канд. техн. наук, доц. каф. «Информационные системы» (Астраханский государственный технический университет)
Демич Ольга Валерьевна
- аспирант каф. «Информационные системы» (Астраханский государственный технический университет)
УДК 681.5 В. Ф. Шуршев, А. Н. Умеров МОДЕЛИРОВАНИЕ ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ ПРИ ИДЕНТИФИКАЦИИ РЕЖИМОВ ТЕЧЕНИЯ СМЕСЕЙ ХОЛОДИЛЬНЫХ АГЕНТОВ
Одной из важных задач, возникающей при идентификации режимов течения двухфазных потоков смеси холодильных агентов, и требующей решения, в первую очередь, является задача согласования режимов течения. Согласование режимов течения осуществляется человеком-экспертом на основании его профессионального опыта и имеющихся данных по
режимам течения и свойствам холодильных агентов.
Для того чтобы можно было автоматизировать задачи идентификации и согласования режимов течения, необходимо соответствующим образом систематизировать знания экспертов, которые используются при решении данных задач. Для качественного решения поставленной задачи целесообразным
является применение методов искусственного интеллекта, а именно экспертных систем [1].
Одним из вариантов решения данных задач является использование фазовых диаграмм режимов течения, которые обобщают экспериментальные данные по режимам течения и, вместе с тем, содержат знания эксперта, составлявшего данные диаграммы [2].
