CC BY
10УДК: 004.8 EDN: УМЛ\МО
DOI: https://doi.org/10.47813/2782-5280-2023-2-3-0125-0137
Минимизация объемов матричного представления информации при взаимодействии автономных интеллектуальных систем
Е. В. Туева1, Ю. С. Бешимов2
1 Красноярский краевой Дом науки и техники РосСНИО, Красноярск, Россия 2Бухарский инженерно-технологический институт, Бухара, Узбекистан
Аннотация. В статье представлен подход к минимизации объемов матричного представления информации при взаимодействии автономных интеллектуальных систем. Показано, что важным этапом при анализе ограничений на значения параметров в пространстве действий автономных интеллектуальных систем является этап заполнения матриц зависимости параметров, а также матриц ограничений параметров. Ставится задача о необходимости минимизировать рост матриц с увеличением числа зависимостей и ограничений в системе. Изучены области влияния параметров, дана их графическая иллюстрация. Предложена процедура минимизации хранящейся информации в матрицах путем ограничения набора параметров. Введено понятие порога чувствительности матрицы зависимости. Сформулирована задача сохранения баланса повышения производительности и сохранения универсальности, для решения которой предложена процедура с динамическим распределением параметров для формирования матриц зависимости по областям значений.
Ключевые слова: матричное представление информации, автономная интеллектуальная система, минимизация, параметр, зависимость.
Для цитирования: Туева, Е. В., & Бешимов, Ю. С. (2023). Минимизация объемов матричного представления информации при взаимодействии автономных интеллектуальных систем. Информатика. Экономика. Управление - Informatics. Economics. Management, 2(3), 0125-0137. https://doi.org/10.47813/2782-5280-2023-2-3-0125-0137
© Е. В. Туева, Ю. С. Бешимов, 2023
0125
Minimizing the volume of matrix representation of information in the interaction of autonomous intelligent
systems
E. V. Tueva1, Yu. S. Beshimov1
Krasnoyarsk Science and Technology City Hall, Krasnoyarsk, Russia 2Bukhara Engineering and Technological Institute, Bukhara, Uzbekistan
Abstract. The article presents an approach to minimizing the volume of matrix representation of information in the interaction of autonomous intelligent systems. It is shown that an important step in the analysis of constraints on parameter values in the action space of autonomous intelligent systems is the stage of filling in the parameter dependency matrices, as well as parameter constraint matrices. The problem is posed of the need to minimize the growth of matrices with an increase in the number of dependencies and constraints in the system. Areas of influence of parameters are studied, their graphic illustration is given. A procedure for minimizing the information stored in matrices by limiting the set of parameters is proposed. The concept of sensitivity threshold of the dependency matrix is introduced. The problem of maintaining the balance of increasing productivity and maintaining universality is formulated, for the solution of which a procedure with dynamic distribution of parameters for the formation of dependency matrices by ranges is proposed.
Keywords: matrix representation of information, autonomous intelligent system, minimization, parameter, dependency.
For citation: Tueva, E. V., & Beshimov, Y. S. (2023). Minimizing the volume of matrix representation of information in the interaction of autonomous intelligent systems. Informatics. Economics. Management, 2(3), 0125-0137. https://doi.org/10.47813/2782-5280-2023-2-3-0125-0137
ВВЕДЕНИЕ
Важным этапом при анализе ограничений на значения параметров в пространстве действий автономных интеллектуальных систем (АИС) является этап заполнения матриц зависимости параметров АИС, а также матриц ограничений параметров [1-3]. При этом объём данных, хранимых в таких матрицах, стремится к бесконечности. И тем быстрее растет объём этих данных, чем точнее представление информации, то есть, чем выше уровень дискретизации [4-6].
Ряд авторов отмечает, что это, конечно, неприемлемо для реальных приложений [7-10]. Это касается АИС на базе беспилотных летательных аппаратов (БПЛА), интеллектуальных робототехнических комплексов (ИРК), применяемых как в промышленности, так и в области точного земледелия при оптимизации транспортно-технологических циклов БПЛА и ИРК. Очевидно, что необходимо минимизировать рост матриц с увеличением числа зависимостей и ограничений. Для этого, как правило,
вводится дискретизация значений параметра и его ограничений с определенным шагом. В результате этого можно получить конечный набор значений параметра и его ограничений, что приводит к задаче минимизации объемов информации [11-13].
МАТЕРИАЛЫ И МЕТОДЫ
В целях минимизации хранящейся информации введем ограничение степени влияния значений входных параметров матрицы. При этом, получим, что, допуская определенные погрешности при формировании матрицы зависимости, имеется гораздо меньше значений параметров в каждом измерении. Известные методы [14-17] не позволяют минимизировать объем данных, хранящихся в матричной форме, в прикладных задачах, описывающих взаимодействие АИС.
Области влияния параметров
Итак, взяв матрицу размерности М х N х О, и зная, что значение входного параметра по измерению М слабо влияет на выходной параметр до определенного значения, и это значение хранится, как М , то для всех значений этого параметра меньших М матрица зависимости будет на одно измерение меньше, т.е. как Nх О. Рисунок 1 иллюстрирует взаимовлияние параметров а, Ь, с.
_I_I_I_I_I_р.
Значения параметров
Рисунок 1. График влияния параметров: a, b, c - параметры. Figure 1. Graph of the influence of parameters: a, b, c are parameters.
Однако, исходя из предыдущего утверждения, будет очевидно, что объём этих матриц, будет равен (М +1) х N х О.
Таким образом, получаем, что выделение отдельной матрицы меньшей размерности не имеет смысла. К тому же, для корректной работы с каждой матрицей необходимо дополнительно хранить информацию о списке параметров и области значений матрицы. Причем области значений не только тех параметров, которые задействованы в ней самой, но и тех, которые не учтены в ней, и не используются. Это требуется, так как необходимо отразить область значений других параметров, при которых эта матрица становится применима. Таким образом, добавляя дополнительное значение несущественного входного параметра в матрицу зависимости, мы тем самым отражаем степень его влияния на значение выходного параметра. Причем значение этого несущественного входного параметра должно лежать за пределами порогового значения штрафной функции. Это необходимо, для того чтобы при проведении интерполяции исключить случаи проверки и применения значений этого несущественного параметра, лишь применяя область его значений между значениями М и М . Так как значение М лежит за пределами порогового значения штрафа, то применяемая область будет использоваться всегда, когда значения параметра будут меньше М .
\a1 a2 .■a7 a3 / / a4 /а5 ■у
/ B2 / B4 a10
B1 /' B7 B6 ; .••' a9 .■•'а6
a11
/ ' / I / I / I / i / ' Sa8 i B8 ..•• a12
Рисунок 2. Куб значений параметров. Figure 2. Cube of parameter values.
На рисунке 2 представлена иллюстрация значений параметров в виде куба. Внутри куба находятся значения выходного параметра, на пересечении значений входных параметров. Имеется три входных параметра. Линии, лежащие за пределами куба, иллюстрируют незначащие значения параметров, стремящиеся к М .
Рисунок 3. Зависимость одного параметра от двух других с двумя незначащими значениями одного параметра (помечены стрелками).
Figure 3. Dependence of one parameter on two others with two insignificant values of one
parameter (marked with arrows).
Следует заметить, что в матрице зависимости краевые значения параметров, за пределами которых, параметры становятся незначащими, нужно указывать явно лишь один раз, остальные значения параметров, лежащие за пределами указанных, будем принимать такими-же, как и краевые. Это позволяет вообще отказаться от применения какой-либо интерполяции, а просто применять краевые значения параметров. На рисунке 3 представлена зависимость одного параметра от двух других, с двумя незначащими значениями одного параметра, которые помечены стрелками.
РЕЗУЛЬТАТЫ И обсуждение
При формировании матрицы зависимости параметра от других параметров возникает ситуация, когда параметр зависит от очень большого числа других параметров, и их число стремится к бесконечности. При работе в условиях реального мира скорость реакции системы понижается, и в конечном итоге система может
заниматься вычислением значения какого-либо параметра неопределенно долгое время, так как при этом учитывается слишком большое число других параметров. Например, при добавлении в матрицу зависимости одного параметра, количество её измерений увеличивается, и объём данных таким образом увеличивается во столько раз, сколько значений имеет новый добавленный параметр. Таким образом, матрица растет слишком быстро.
Минимизация хранящейся информации в матрицах путем ограничения набора
параметров
Для минимизации хранящейся информации в матрицах необходимо ввести ограничение на число параметров в матрице зависимости, сократив тем самым количество её измерений. Следует оценивать степень необходимости наличия какого-либо входного параметра в матрице зависимости по его влиянию на значение выходного параметра.
Введем понятие порога чувствительности матрицы зависимости. При некотором отклонении вычисленного значения параметра от его реального значения, не превышающем X, изменением параметра, влияющего на такое изменение, можно пренебречь. И как отмечалось ранее, можно увеличить расстояние между точками его дискретизации, но, проанализировав все его такие значения, можно прийти к выводу, что во всех случаях его изменение не приводит к значительному изменению итогового параметра, превышающему X.
В начале работы системы матрицы имеют очень ограниченный набор значений. В дальнейшем в ходе работы происходит коррекция значений (построение) матрицы, добавление новых значений влияющих параметров и зависимого параметра, добавляются значения и в матрицу ограничений. Таким образом, происходит «обучение» системы работе и обработке данных. Во многих случаях в ходе работы необходимо добавлять не только значения параметров, но и новые влияющие параметры в матрицу зависимости, таким образом, увеличивается размерность матрицы, что, конечно, увеличивает вычислительную нагрузку. Необходимо согласовывать изменение размерности матрицы с изменением числа значений в ней. Это необходимо для того, чтобы исключать дублирование значений как измерений, так и параметров.
Представление информации в матричном виде позволяет существенно повысить универсальность математической модели автономной системы, но приводит к
некоторым сложностям как со стороны реализации определенных функций, так и со стороны оптимизаций по быстродействию. Как правило, чем больше проводится оптимизационных операций в рамках технологии хранения информации, тем менее универсальной она становится.
В то же время, применяя современные вычислительные комплексы, в которых аппаратно реализованы операции по обработке матриц, можно говорить о том, что производительность будет обеспечена на необходимом уровне.
Мы получаем задачу сохранения баланса повышения производительности и сохранения универсальности. Для ее решения предлагается ввести динамические наборы параметров для различных наборов значений с тем, чтобы в каждой области значений итогового параметра была своя матрица зависимости этого параметра от других. Тогда можно в наименее критичных случаях резко уменьшить размерность матриц и при необходимости установить её большей для повышения точности расчетов. Назовем этот процесс динамическим распределением параметров для формирования матриц зависимости по областям значений.
Для дальнейшего снижения количества значений параметров в матрице зависимости целесообразно применять различные методы интерполяции значений выходного параметра. Информация о примененной интерполяции может храниться как для всей матрицы в целом, так и для областей её значений. Это повышает гибкость применения данного метода сокращения количества значений параметров. Однако описание методов интерполяции и их применения к областям значений параметров в матрице зависимости должно быть стандартизовано и едино для всех взаимодействующих систем.
Изменение шага дискретизации
Первый наиболее простой способ по ограничению хранящейся информации - это изменение шага дискретизации в сторону его увеличения. Но так как в наборе значений одного и того же параметра могут встречаться области значений, где требуется повышенная точность вычислений, необходимо сохранять шаг дискретизации довольно маленьким, что приводит к увеличению объемов информации, хранимой в матрицах. Для того чтобы уменьшить объем информации, не влияя на точность там, где это необходимо, предлагается ввести изменяемую дискретизацию значений. В тех областях значений, где требуется повышенная точность, шаг дискретизации уменьшается до
необходимых значений, а там, где в этом нет необходимости, шаг дискретизации увеличивается до значений, не приводящих к существенной погрешности вычислений.
На рисунках 3, 4 и 5 дана иллюстрация зависимости одного параметра от двух других. Но на рисунках есть существенные различия, на которых остановимся ниже.
Рисунок 4. Зависимость одного параметра от двух других с двумя незначащими значениями одного параметра и с двумя отсутствующими значениями одного из
входных параметров.
Figure 4. Dependence of one parameter on two others with two insignificant values of one parameter and two missing values of one of the input parameters.
Рисунок 5. Зависимость одного параметра от двух других, с двумя незначащими значениями одного параметра с удаленными промежуточными значениями второго
входного параметра.
Figure 5. Dependence of one parameter on two others, with two non-significant values of one parameter with intermediate values of the second input parameter removed.
На рисунке 3 указаны все значения параметров через определенный шаг. На рисунке 4 представлены значения параметров, с двумя отсутствующими значениями одного из входных параметров.
Для дальнейшего сокращения хранящейся информации в матрице зависимости необходимо удалить промежуточные значения второго входного параметра, что отражено на рисунке 5.
ЗАКЛЮЧЕНИЕ
Таким образом, предложен и проиллюстрирован один из возможных подходов к минимизации объемов матричного представления информации при взаимодействии автономных интеллектуальных систем. Решение задачи базируется на сохранении баланса повышения производительности и сохранения универсальности в процессе динамического распределения параметров для формирования матриц зависимости по областям значений.
Предложен метод хранения и обработки информации о параметрах интеллектуальных автономных систем, обеспечивающий оптимизацию хранящейся информации в целях минимизации её объемов. Также предложен метод хранения и обработки информации об ограничениях параметров автономных систем и разработаны процедуры минимизации объёмов информации об ограничениях.
СПИСОК ЛИТЕРАТУРЫ
[1] Романовский М.В. Автономные системы. Фундаментальные исследования. 2005; 4: 84-85.
[2] Мелехин В.Б., Хачумов М.В. Нечеткие семантические сети как адаптивная модель представления знаний автономных интеллектуальных систем. Искусственный интеллект и принятие решений. 2020; 3: 61-72. https://doi.org/10.14357/20718594200306
[3] Варламов О.О. О возможности создания интеллектуальных систем на основе GRID, систем адаптивного синтеза ИВК, сервисно-ориентированной архитектуры и миварного информационного пространства. Известия Южного федерального университета. Технические науки. 2005; 54(10): 130-140.
[4] Самойлов Л.К. Структурный подход к выбору частоты дискретизации сигналов датчиков и исполнительных устройств в системах управления. Известия Южного федерального университета. Технические науки. 2015; 2(163): 18-29.
[5] Chen Q., Huang M. Rough fuzzy model based feature discretization in intelligent data preprocess. Journal of Cloud Computing: Advances, Systems and Applications. 2021; 10(1): 5. https://doi.org/10.1186/s13677-020-00216-4
[6] Ramirezgallego S., Garcia S., Mourinotalin H., et al. Data discretization:taxonomy and big data challenge. Wiley Interdisciplin Rev Data Mining Knowl Discov. 2016; 6(1): 5-21. https://doi.org/10.1002/widm.1173
[7] Huang M., Chen Q., Wang H. A multivariable optical remote sensingimage feature discretization method applied to marine vessel targetsrecognition. Multimed Tools Appl. 2020: 4597-4618. https://doi.org/10.1007/s11042-019-07920-7
[8] Fernando N., Loke S.W., Rahayu W., et al. Computing with nearbyMobile devices: a work sharing algorithm for Mobile edge-clouds. IEEE Transact Cloud Comput. 2019; 7(2): 329-343. https://doi.org/10.1109/TCC.2016.2560163
[9] Kovalev I.V., Losev V.V., Kovalev D.I., Astanakulov K.D., Voroshilova A.A., Podoplelova V.A., Borovinsky D.V. Adaptive Computing Technologies for Diagnostics and Control of UAVs with Fault-Tolerant On-Board Software. European Proceedings of Computers and Technology. 2023; 1: 387-393. https://doi.org/10.15405/epct.23021.48
[10] Kovalev I.V., Losev V.V., Saramud M.V., Kuznetsov P.A., Lifar A.S. Formalization of the software module development using matrix forms. CEUR Workshop Proceedings. 2021; 2899: 169-174. https://doi.org/10.47813/dnit-mip3/2021 -2899-169-174
[11] Будко Н.П. Сокращение объема измерительной информации на основе интеллектуального подхода к построению подсистемы мониторинга информационно-телекоммуникационной системы. Техника средств связи. 2021; 1(153): 86-97.
[12] Aljarbouh A., Ahmed Md.Sh., Vaquera M., Dunka B. Dirting. Intellectualization of information processing systems for monitoring complex objects and systems. Modern Innovations, Systems and Technologies. 2022; 2(1): 9-17. doi:10.47813/2782-2818-2022-2-1-9-17. https://doi .org/10.47813/2782-2818-2022-2-1-9-17
[13] Wi^cek-Janka E., Slawinska M. Improvement of Interactive Products Based on an Algorithm Minimizing Information Gap. 2018: 101-109. https://doi.org/10.1007/978-3-319-60828-0 11
[14] Ковалев И.В., Семенько Т.И., Царев Р.Ю. Методология оценки и повышения надежности программно-информационных технологий и структур. Красноярк: КГТУ; 2005. 160.
[15] Распопин Н.А., Карасева М.В., Зеленков П.В., Каюков Е.В., Ковалев И.В. Модели
и методы оптимизации сбора и обработки информации. Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2012; 2(42): 69-72.
[16] Ковалев И.В., Зеленков П.В., Яркова С.А., Шевчук С.Ф. Оптимизация обработки данных в распределенных образовательных средах. Программные продукты и системы. 2007; 3: 28.
[17] Engel E.A., Kovalev I.V. Information processing using intelligent algorithms by solving WCCI 2010 tasks. Vestnik SibSAU. Aerospace tehnologies and control systems. 2011; 3(36): 4-8.
REFERENCES
[1] Romanovskij M.V. Avtonomnye sistemy. Fundamental'nye issledovaniya. 2005; 4: 8485. (in Russian)
[2] Melekhin V.B., Hachumov M.V. Nechetkie semanticheskie seti kak adaptivnaya model' predstavleniya znanij avtonomnyh intellektual'nyh sistem. Iskusstvennyj intellekt i prinyatie reshenij. 2020; 3: 61-72. https://doi.org/10.14357/20718594200306 (in Russian)
[3] Varlamov O.O. O vozmozhnosti sozdaniya intellektual'nyh sistem na osnove GRID, sistem adaptivnogo sinteza IVK, servisno-orientirovannoj arhitektury i mivarnogo informacionnogo prostranstva. Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki. 2005; 54(10): 130-140. (in Russian)
[4] Samojlov L.K. Strukturnyj podhod k vyboru chastoty diskretizacii signalov datchikov i ispolnitel'nyh ustrojstv v sistemah upravleniya. Izvestiya Yuzhnogo federal'nogo universiteta. Tekhnicheskie nauki. 2015; 2(163): 18-29. (in Russian)
[5] Chen Q., Huang M. Rough fuzzy model based feature discretization in intelligent data preprocess. Journal of Cloud Computing: Advances, Systems and Applications. 2021; 10(1): 5. https://doi.org/10.1186/s13677-020-00216-4
[6] Ramirezgallego S., Garcia S., Mourinotalin H., et al. Data discretization:taxonomy and big data challenge. Wiley Interdisciplin Rev Data Mining Knowl Discov. 2016; 6(1): 5-21. https://doi.org/10.1002/widm.1173
[7] Huang M., Chen Q., Wang H. A multivariable optical remote sensingimage feature discretization method applied to marine vessel targetsrecognition. Multimed Tools Appl. 2020: 4597-4618. https://doi.org/10.1007/s11042-019-07920-7
[8] Fernando N., Loke S.W., Rahayu W., et al. Computing with nearbyMobile devices: a
work sharing algorithm for Mobile edge-clouds. IEEE Transact Cloud Comput. 2019; 7(2): 329-343. https://doi.org/10.1109/TCC.2016.2560163
[9] Kovalev I.V., Losev V.V., Kovalev D.I., Astanakulov K.D., Voroshilova A.A., Podoplelova V.A., Borovinsky D.V. Adaptive Computing Technologies for Diagnostics and Control of UAVs with Fault-Tolerant On-Board Software. European Proceedings of Computers and Technology. 2023; 1: 387-393. https://doi.org/10.15405/epct.23021.48
[10] Kovalev I.V., Losev V.V., Saramud M.V., Kuznetsov P.A., Lifar A.S. Formalization of the software module development using matrix forms. CEUR Workshop Proceedings. 2021; 2899: 169-174. https://doi.org/10.47813/dnit-mip3/2021 -2899-169-174
[11] Budko N.P. Sokrashchenie ob"ema izmeritel'noj informacii na osnove intellektual'nogo podhoda k postroeniyu podsistemy monitoringa informacionno-telekommunikacionnoj sistemy. Tekhnika sredstv svyazi. 2021; 1(153): 86-97. (in Russian)
[12] Aljarbouh A., Ahmed Md.Sh., Vaquera M., Dunka B. Dirting. Intellectualization of information processing systems for monitoring complex objects and systems. Modern Innovations, Systems and Technologies. 2022; 2(1): 9-17. doi:10.47813/2782-2818-2022-2-1-9-17. https://doi .org/10.47813/2782-2818-2022-2-1-9-17
[13] Wi^cek-Janka E., Slawinska M. Improvement of Interactive Products Based on an Algorithm Minimizing Information Gap. 2018: 101-109. https://doi.org/10.1007/978-3-319-60828-0 11
[14] Kovalev I.V., Semen'ko T.I., Carev R.Yu. Metodologiya ocenki i povysheniya nadezhnosti programmno-informacionnyh tekhnologij i struktur. Krasnoyark: KGTU; 2005. 160. (in Russian)
[15] Raspopin N.A., Karaseva M.V., Zelenkov P.V., Kayukov E.V., Kovalev I.V. Modeli i metody optimizacii sbora i obrabotki informacii. Vestnik Sibirskogo gosudarstvennogo aerokosmicheskogo universiteta im. akademika M.F. Reshetneva. 2012; 2(42): 69-72. (in Russian)
[16] Kovalev I.V., Zelenkov P.V., YArkova S.A., Shevchuk S.F. Optimizaciya obrabotki dannyh v raspredelennyh obrazovatel'nyh sredah. Programmnye produkty i sistemy. 2007; 3: 28. (in Russian)
[17] Engel E.A., Kovalev I.V. Information processing using intelligent algorithms by solving WCCI 2010 tasks. Vestnik SibSAU. Aerospace tehnologies and control systems. 2011; 3(36): 4-8.
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Туева Евгения Вячеславовна, младший научный сотрудник Красноярского краевого Дома науки и техники РосСНИО, Красноярск, Россия e-mail: tueva@sibsau.ru
Evgenia Tueva, Junior Researcher, Krasnoyarsk Science and TechnologyCity Hall, Krasnoyarsk, Russia
Бешимов Юсуфжон Саидович, PhD, доцент кафедры «Промышленная экология» Бухарского инженерно-технологического института, Бухара, Узбекистан
Yusuf Beshimov, PhD, Associate Professor of the department of Industrial Ecology of Bukhara Institute of Engineering and Technology, Uzbekistan
Статья поступила в редакцию 18.06.2023; одобрена после рецензирования 31.07.2023; принята
к публикации 02.08.2023.
The article was submitted 18.06.2023; approved after reviewing 31.07.2023; accepted for publication
02.08.2023.
