CC BY
95
МИВАРНЫЕ ЭКСПЕРТНЫЕ СИСТЕМЫ ДЛЯ СОПРОВОЖДЕНИЯ ПРОИЗВОДСТВЕННЫХ ПРОЦЕССОВ НА ТРАНСПОРТЕ
Варламов Олег Олегович !,2,3, ovar@mivar.ru, www.mivar.ru
Адамова Лариса Евгеньевна3
Назаров Константин Владимирович1,3
Сараев Дмитрий Владимирович13
Джха Пунам2
Варламова Ирина Александровна4, varlamova_ia@pfur.ru
МГТУ им. Н.Э. Баумана, 2МАДИ, 3НИИ МИВАР, 4РУДН, Москва, Россия
Ключевые слова: искусственный интеллект, миварные сети, автономные роботы, мивар, экспертные системы, понимание смысла, распознавание образов, беспилотные автомобили, интеллектуальные транспортные системы.
Проанализировано современное состояние технологий искусственного интеллекта и показана возможность создания беспилотных транспортных средств и интеллектуальных транспортных систем на основе разработанных в России миварных технологий. Обосновано, что производственные процессы на транспорте необходимо автоматизировать на основе нового поколения систем искусственного интеллекта. Беспилотные автомобили являются частным случаем роботов, а интеллектуальные транспортные системы могут включать в себя различные робототехнические комплексы. Исследована проблема измерения степени автономности робото-технических комплексов или их "интеллектуальности". Предложено над "системами управления роботами рефлексного уровня" добавить новый уровень "принятия решений", назвать его "системы принятия решений" роботов и использовать для его реализации экспертные системы. Показаны основные проблемы создания искусственного интеллекта, связанные с факториальной сложностью логического вывода в известных зарубежных экспертных системах. Проанализированы миварные технологии, объединяющие многомерные базы данных и правил на основе гносеологической модели "Вещь-Свойство-Отношение" и продукционный логический вывод с линейной вычислительной сложностью на миварных двудольных сетях. Показано, что способ автоматизированного построения маршрута логического вывода в миварной базе знаний с линейной вычислительной сложностью запатентован в России. Обосновано, что среди современных технологий искусственного интеллекта для автоматизации транспортных объектов и систем наиболее перспективными являются мивар-ные технологии, которые позволяют создавать как экспертные системы нового поколения, так и другие системы искусственного интеллекта, включая задачи понимания естественных текстов на русском языке. Анализ существующих подходов и инструментальных оболочек создания экспертных систем выявил, что только ми-варные технологии и программный модуль "Конструктор экспертных систем миварный" КЭСМИ Разуматор, внесенный в реестр Российского программного обеспечения Минкомсвязи России, позволяют создавать экспертные системы для сложных предметных областей с тысячами продукционных правил, которые будут обрабатываться за доли секунд, т.е. в реальном времени. Предложено использовать экспертные системы нового поколения, называемые "миварные", для обеспечения производственных процессов на транспорте в целях создания беспилотных автомобилей и новых интеллектуальных транспортных систем.
Информация об авторах:
Варламов Олег Олегович, д.т.н., профессор, МГТУ им. Н.Э. Баумана, профессор, МАДИ, директор Научно-исследовательского института (НИИ) МИВАР, Москва, Россия
Адамова Лариса Евгеньевна, к.психол.н., доцент, зам. генерального директора ООО МИВАР, Москва, Россия
Назаров Константин Владимирович, магистр МГТУ им. Н.Э. Баумана, научный сотрудник, НИИ МИВАР, Москва, Россия
Сараев Дмитрий Владимирович, аспирант МГТУ им. Н.Э. Баумана, научный сотрудник, НИИ МИВАР, Москва, Россия
Джха Пунам, аспирант, Московский автомобильно-дорожный государственный технический университет (МАДИ), Москва, Россия
(Федеративная Демократическая Республика Непал)
Варламова Ирина Александровна, магистр РУДН, ассистент кафедры "Механика и мехатроника" Инженерной академии РУДН, Москва, Россия Для цитирования:
Варламов О.О., Адамова Л.Е., Назаров К.В., Сараев Д.В., Джха Пунам, Варламова И.А. Миварные экспертные системы для сопровождения производственных процессов на транспорте // T-Comm: Телекоммуникации и транспорт. 2017. Том 11. №5. С. 53-59.
For citation:
Varlamov O.O., Adamova L.E., Nazarov K.V., Saraev D.V., Jha Punam, Varlamova I.A. (2017). Mivar expert systems for maintenance of production processes on transport. T-Comm, vol. 11, no. 5, рр. 53-59. (in Russian)
Автоматизация производственных процессов
на транспорте
С развитием технологий искусственного интеллекта (ИИ) возникла возможность создания беспилотных транспортных средств и интеллектуальных транспортных систем (ИТС). Это две взаимосвязанные, но разные задачи активно исследуются в России. Предложено использовать экспертные системы нового поколения, называемые «миварные», для обеспечения производственных процессов на транспорте в целях создания беспилотных автомобилей и новых ИТС. Эта проблема тесно связана с проблемой измерения степени автономности робототехнических комплексов (РТК) или их «интеллектуал ьности». Беспилотные автомобили являются частным случаем роботов, а интеллектуальные транспортные системы могут включать в себя различные робоготехниче-ские комплексы.
На транспорте существует огромное множество производственных процессов, часть из которых можно автоматизировать путем использования экспертных нового поколения. В работе проанализированы несколько производственных процессов па транспорте, включая организацию городского пассажирского транспорта и создание автономных беспилотных автомобилей. Как известно, городской транспорт разделяют на пассажирский, грузовой и специальный; по количеству мест транспортные средства делят на индивидуальные и общественные (автобусы, троллейбусы, трамваи, метрополитен и т.д.). Выделяют маршрутный транспорт, когда движение транспортных средств происходит по запланированным направлениям - маршрутам. Понятно, что городская система транспорта играет одну из ведущих ролей в системе жизнеобеспечения города и имеет градоформирую-щее значение 11 ¡. Более того, в России система городского пассажирского транспорта (ГИТ) играет важную роль в повышении уровня жизни крупных городов [2], так как ежедневно услугами ГИТ пользуются миллионы людей. Анализ основных проблем управления городским пассажирским транспортом современных российских городов выявил недостаточный уровень развития системы контроля и управления общественным транспортом; отсутствие контроля за передвижениями всех единиц городского пассажирского транспорта и т.н. [3]. Для больших городов это осложняется масштабом и количеством транспортных средств. Например, в Москве ГУН «Мосгортранс» имеет в эксплуатации 800 маршрутов наземного городского пассажирского транспорта, в том числе 670 маршрутов автобуса, 84 - троллейбуса, 46 - трамвая [3]. Это огромная сеть ГИТ, которая должна непрерывно управляться 24 часа в сутки и 7 дней в педелю. Проблемы полной автоматизации работы диспетчерской службы подробно проанализированы в [3], где предложено автоматизировать систему диспетчерского контроля городского пассажирского транспорта на основе экспертной системы. В целом такое направление относится к направлению создания интеллектуальных транспортных систем (ИТС), которое является актуальным в настоящее время.
С другой стороны, в настоящее время актуальным является создание беспилотных автономных транспортных средств.
Например, группой российских ученых из МАДИ разработаны алгоритмы управления автомобилем в автоматическом режиме [4], обоснован выбор ключевых технологий
функционирования системы межобъектного взаимодействия интеллектуальных транспортных средств [5], созданы прототипы автономных колесных транспортных средств в составе интеллектуальных транспортных систем [61 и предложена методология создания систем управления движением автономных колесных транспортных средств, инте1риро-ванных в интеллектуальную транспортную среду [7]. В то же время, еще в 2011 г. был проведен анализ возможностей миварпого подхода для систем искусственного интеллекта и робототехники [8], а в 2016 г. были обоснованы перспективы создания автономных интеллектуальных роботов, включая и беспилотные автомобили, на основе миварных технологий |9] и запатентованного способа автоматизированного построения маршрута логического вывода в миВарной базе Знаний с линейной вычислительной сложностью логического вывода на продукциях [10J.
Таким образом, для сопровождения производственных процессов па транспорте необходимо применять системы искусственного интеллекта (ИИ), которые позволят решить актуальные проблемы создания как автономных интеллектуальных транспортных средств, так и в целом интеллектуальные транспортные системы, прежде всего, для городского пассажирского транспорта.
Проблемы создании искусственного
интеллекта и мивары
Проанализируем основные причины сложностей создания систем ИИ. Начнем с вопроса измерения интеллектуальности и/или автономности робототехнических комплексов (РТК), который неразрывно связан с теорией искусственного интеллекта. В этой теории разработано несколько подходов к шкале «интеллектуальности» информационных систем, к которым относятся и РТК. Дш тематики нашей работы важно подчеркнуть, что и беспилотные автомобили, и интеллектуальные транспортные системы с точки зрения информатики можно рассматривать как частные случаи робототехнических комплексов, а в более широком смысле -киберфизических систем. Отметим, что наиболее часто используют подход на основе комбинаторики и вычислительной сложности логического вывода в «широком смысле»: принятия решений и автоматического конструирования алгоритмов. Отметим, что эта метрика базируется на оценке: «количество правил принятия решений и возможное количество комбинаций в ситуации», которая кратко обозначается «переменные, правила» («variables, rules»), а критерием оценки является «самый худший случай сложности» («worst case complexity»), измеряемый в количестве различных вариантов ситуаций и их вычислительной сложности при полном переборе переменных или правил. Термин «интеллектуальность» является достаточно размытым, поэтому еще в 2002 г. в книге [I i j было предложено перейти от антропоморфного термина «интеллектуальность» к изучению степени «активности отражения». В 2007 г. была показана необходимость перехода от теории искусственного интеллекта к разработке теории активного отражения [12], а также обосновано создание теории активного отражения как обобщения теории искусственного интеллекта и возможность ее реализации в мнварном информационном пространстве [13].
Как известно, логический вывод и/или автоматическое конструирование алгоритмов применяется в РТК повсемест-
T-Comm Том 1 1. #5-20 1 7
7ТХ
но. Например, когда РТК может перемещаться, то у него возникает несколько различных действий в разных ситуациях. Если у РТК есть возможность выполнять последовательность нескольких действий, то у такого РТК количество возможных комбинированных реакций - «алгоритмов решения в определенной ситуации» - возрастает и, следовательно, РТК становится более «активным» и «интеллектуальным». С математической точки зрения, лучше использовать термин «активный» и оценивать в разных ситуациях количество возможных комбинированных реакций алгоритмов из наборов минимальных реакций РТК. Чем больше различных ситуаций может «понять» РТК и применить свои алгоритмы ответных реакций, тем более активный («интеллектуальный») будет РТК. В математике существует понятие «вычислительная сложность», которая позволяет оценить: количество вариантов всех возможных ситуаций, количество операций для нахождения решения и время, которое затратит компьютер для решения данной задачи. Как известно, выделяют 3 варианта задач:
1) для задачи известен алгоритм ее решения и оно может быть найдено за «разумное время»;
2) для задачи не известен алгоритм решения (задача не имеет решения);
3) для задачи известен алгоритм решения, но оно не может быть найдено, так как потребуются годы (тысячи и более лет) для его решения - фактически это означает, что решения у таких задач тоже НЕТ.
«... Анализ алгоритмов - одна из важнейших задач дискретной математики. С анализом алгоритма связано время работы алгоритма. Оно также связано с ограничениями на характеристики работы ЭВМ и со сложностью решаемой задачи [14, стр. 207]. «Экспоненциальными алгоритмами называют алгоритмы, у которых время решения экспоненциально растет по мере увеличения размера входных данных. К ним относятся алгоритмы типа 2", п!, пМ и т.п. Здесь п - количество входов алгоритма. К экспоненциальным алгоритмам принадлежат алгоритмы полного перебора при нахождении оптимального решения. Линейный алгоритм - это алгоритм, у которого зависимость времени решения от числа входных данных носит линейный характер» [14, стр. 209-210].
«Отдельный класс составляют задачи, называемые "NP-полными". Для них не найдены полиномиальные алгоритмы, однако и не доказано, что таких алгоритмов не существует. Изучение NP-полных задач связано с нерешенной проблемой P = NP... На пракгике считают, что если для некоторой задачи удается доказать ее NP — полноту, то она является практически неразрешимой. Большинство специалистов полагают, что NP-полные задачи нельзя решить за полиномиальное время» [14, стр. 213].
Проанализируем интересный и показательный пример: у американского агентства DARPA [15] есть программа «познание реального мира», где предложено оценивать «интеллектуальность» в количестве правил описания ситуации и там же приведены оценки «сложности в количестве разнообразных вариантах ситуаций» (см. рис. I «Визуализация задач, решаемых с помощью SAT (dne to Bart Selman)»). Видно, что 100 правил порождают 10 в 30 степени вариантов ситуаций, а 5 млн. правил соответствуют 10 в 301020 степени (десять в трехсот тысячной степени) количестве ситуаций.
Real-World Reasoning
Tackling inherent computational complexity
DARPA Research Program
h«[tfeaDi [ifu
0.HI HfAKvaSo 1H Vwrtcifin
Нн/i-Pe rfprrrwnce Яя asemm g Temporal/ uncertainly reasoning Strategie rum rg Ч.ь||-Ы.-.уог
RiJbc fCcdstraptsj
protein Toldini (DCuMOt tettaCopfeert
Еиетиик Анъчш cur to prtpoimontl nitoning tytton fttrltbf»,. rum).
Pec, 1
Получаем несколько «подзабытый», но очень важный факт того, что е самого начала исследований в ИИ было выявлено важное ограничение: факториальная сложность логического вывода (полный перебор логического вывода и/или автоматического конструирования алгоритмов). Новое поколение миварных экспертных систем позволило преодолеть это ограничение, что расширило возможности применения систем искусственного интеллекта в самых разных областях [10, 16]. В настоящее время, предложено использовать «облачные» миварные экспертные системы для обеспечения производственных процессов на транспорте при создании новых ИТС [17].
Напомним, что миварные технологии - это многомерные базы данных и правил на основе гносеологической модели «Вещь-Свойство-Отношение» и логико-вычислительная обработка с линейной вычислительной сложностью на миварных двудольных сетях. Миварные технологии позволили выйти на новый уровень и ИИ за счет снижения вычислительной сложности логического вывода на продукциях (и/или автоматического конструирования алгоритмов) с ЫР-полной до линейной.
Кроме того, важно отметить, что мивары позволяют перейти с рефлекторного на логический уровень созлания «интеллектуальных» систем управления роботами и выполнять функции естественного высокоразвитого интеллекта, т.е. человека. Предложено использовать миварные технологии в целях разработки автономных интеллектуальных роботов нового поколения на основе создания [18]:
1) систем планирования и принятия решений [3, 9];
2) интерфейсов понимания естественного языка [14];
3) систем смыслового распознавания образов [20].
Отметим, что в основе всех этих наработок лежит методология создания миварных экспертных систем. Например, Программный продукт «Конструктор экспертных систем миварный» (КЭСМИ «Разуматор») позволяет создать такие ЭС, которые за сотые доли секунды способны обрабатывать более пяти миллионов продукционных правил [9]. Такое время логического вывода и/или автоматического конструирования алгоритмов для РТК удовлетворяет требованиям
T-Comm Vol. 1 1. #5-201 7
7Т>
реального времени для систем управления автономных интеллектуальных роботов, включая беспилотные автомобили и ИТС.
Экспертные системы и миварныс технологии
Понятие «экспертные системы» (ЭС) используется сейчас в различных значениях, но изначально под ЭС понимали набор программное обеспечение, которое должно выполнять функции некоторого человека-эксперта при решении какой-либо задачи в области его компетенции [21]. При таком подходе, экспертная система в процессе работы оперирует со знаниями, которые заложены в нее тем самым человеком-экспертом. Конечно же, такие знания о предметной (проблемной) области некоторым образом формализованы и представлены в системе хранения и/или памяти компьютера в виде базы знаний, которая может изменяться и дополняться в процессе развития программной ЭС [22], Как известно, экспертные системы выдают советы, проводят анализ, выполняют классификацию, дают консультации и делают прогнозы. Получаем, что в целом они ориентированы на решение таких задач, которые обычно гребуют проведения экспертизы чел о веком-специалистом, т.е. «экспертом» [22, 23].
В отличие от компьютерных программ, использующих процедурный анализ, экспертные системы были предназначены, прежде всего, для решения задач в конкретной области экспертизы на основе дедуктивных рассуждений. Практика показала, что такие ЭС часто оказываются способны найти решение таких задач, которые не структурированы и, в некотором смысле, плохо определены. Преодоление отсутствия структурированности в ЭС осуществлялось путем внесения «эвристик», т.е. таких правил, которые базируются на интуиции инженера или аналитика. Было принято, что эвристический подход может быть полезным в тех случаях, когда неполнота знаний или нехватка времени исключали возможность проведения полного научного анализа [24, 25]. Важное практическое достоинство ЭС — это возможность накопления знаний, хранение их длительное время, возможность обновления, что в совокупности обеспечивало относительную независимость конкретной организации от наличия в ней квалифицированных специалистов-экспертов. Кроме того, необходимо выделить еще один момент, крайне актуальный для современного отечественного производства: накопление и формализация знаний в ЭС позволяет, кроме всего прочего, повышать квалификацию людей-специалистов, работающих на предприятии, используя наилучшие, проверенные решения, зафиксированные в ЭС.
С точки зрения данного научного исследования, важно отметить следующее важное отличие ЭС от других программных продуктов. В ЭС используются Fie только различные данные и знания (в виде специальных правил), но и специальные механизмы логического вывода решений, которые, в конечном счете, позволяют продуцировать новые знания на основе имеющихся. В научной литературе по ЭС принято говорить, что знания в экспертных системах представляются в такой форме, которая может быть легко обработана на ЭВМ [21, 24]. Получаем важный вывод, что в ЭС известен алгоритм обработки знаний, а не алгоритм решения для каждой конкретной задачи. Во многих случаях можно получить, на основе применения алгоритма обработки знаний, такой результат при решении конкретной задачи, кото-
рый не был заранее предусмотрен или известен людям-экспертам. Специально отметим, что алгоритм решения задачи заранее неизвестен и строится по ходу решения задачи «механизмом логического вывода» па основании имеющихся в ЭС правил и поступивших входных данных. Для «хороших» ЭС принято, что решение задачи сопровождается понятными для людей объяснениями, при этом качество получаемых решений практических задач обычно не хуже достигаемого специалистами. В ЭС или, как их нередко называют, «системах, основанных на знаниях», правила и/или эвристики, по которым решаются задачи в конкретной предметной области, хранятся в специально организованной базе знаний. Затем, задачи или «проблемы» ставятся перед ЭС в виде совокупности фактов, описывающих некоторую ситуацию, а экспертная система с помощью своей базы знаний должна вывести заключение из этих фактов [24].
В процессе исторического развития в области экспертных систем появился новый термин: «оболочка для создания ЭС», что фактически означает экспертные системы с заменяемыми базами знаний. Такие «оболочки» в настоящий момент наиболее широко используются как название таких программных продуктов, которые обладают достаточно универсальными средствами представления и обработки знаний. По сути «оболочки» позволяют создавать конкретные экспертные системы для различных предметных областей [26].
Важным преимуществом использования таких оболочек является то, что человеку-пользователю не надо заниматься непосредственным кодированием или программированием, а достаточно просто формализовывать и вводить знания с использованием предоставленных оболочкой возможностей. Большинство существующих инструментальных оболочек экспертных систем являются оболочками общего назначения. Наиболее широко известны следующие классические универсальные системы: CLIPS, Prolog, Nexpcrl Object, Exsys Corvid, Jess и некоторые другие. Необходимо отметить, что имеются оболочки нового поколения, например, «G2», которые имеют не большие возможности по представления знаний и организации вывода, но обладают достаточной способностью для изменения и адаптации в рамках заранее определенной предметной области с учетом специфики решаемых задач.
Отметим, что на основе миварных технологий [10, 11] созданы различные экспертные системы, которые используются для обработки данных космических систем наблюдений [27], для создания систем понимания компьютерами смысла русских текстов [28] и образов [19, 20]. Кроме того, российские ученые, например, используют нейросетевые технологии, нечёткую кластеризацию и генетические алгоритмы в различных экспертных системах [29], создают гибридные экспертные системы на основе вероятностно-детерминированных моделей [30]. Более того, проведено большое научное исследование и разработана подсистема поддержки принятия решений для сложного технического объекта. В рамках этого исследования выполнен анализ эволюции систем поддержки принятия решений, инструментальных средств для их разработки, показаны особенности разработки гибридных ЭС, которые характеризуются совокупностью применяемых методов и моделей представления знаний: аналитических, имитационных статистических, про-
m
дукционных, □ также нейронных и семантических сетей, нечётких систем, генетических и других алгоритмов для решения различных интеллектуальных задач, объединенных общей целью [31 [.
Таким образом, и настоящее время активно применяются различные подходы и программные продукты для создания экспертных систем, но только миварный подход позволяет создавать ЭС нового поколения с логическим выводом линейной вычислительной сложности. Как уже было отмечено, инструментальная оболочка КЭСМИ «Разуматор» позволяет создать такие ЭС, которые за сотые доли секунды способны обрабатывать более пяти миллионов продукционных правил. Такое время логического вывода и/или автоматического конструирования алгоритмов для РТК удовлетворяет требованиям реального времени для систем управления автономных интеллектуальных роботов, включая беспилотные автомобили и интеллектуальные транспортные системы. Следовательно, целесообразно создавать именно миварные экспертные системы для сопровождения производственных процессов на транспорте.
Выводы
Производственные процессы Fia транспорте необходимо автоматизировать. Среди современных технологий искусственного интеллекта для автоматизации транспортных объектов и систем наиболее перспективными являются миварные технологии, которые позволяют создавать как экспертные системы нового поколения, так и системы понимания естественных текстов на русском языке.
Миварные технологии - это многомерные базы данных и правил на основе гносеологической модели «Вещь-Свойство-Отношение» и логико-вычислительная обработка с линейной вычислительной сложностью па миварных двудольных сетях.
Над «системами управления роботами рефлексного уровня» надо добавить новый уровень «принятия решений», назвать его «системы принятия решений роботов» и использовать для его реализации экспертные системы.
Анализ существующих подходов и оболочек создания экспертных систем выявил, что только миварные технологии и программный модуль КЭСМИ позволяют создавать экспертный системы для сложных предметных областей с тысячами продукционных правил, которые будут обрабатываться за доли секунд, т.е. в реальном времени.
Таким образом, необходимо использовать миварные экспертные системы для обеспечения производственных процессов на транспорте при создании беспилотных автомобилей и интеллектуальных гранспортных систем.
Литература
1. Груничев А. Г. Транспортные проблемы современного города (на примере Нижнего Новгорода) II Современные наукоемкие технологии. 2013. No 8-2. С. 281-283.
2. Зырянон ВВ. 1 [роблемы и некоторые результаты создания устойчивой городской транспортной инфраструктуры на примере Ростова-на-Дону II Устойчивое развитие городского транспорта: вызовы и возможности: сб. материалов Международного семинара. М: НТВ «Энергия», 2013. С. 64-71.
3. Чуваков Д.А.. Теплое Е.В.. Сараев Д.В.. Варламов О.О.. Джха Пунам. Методика автоматизации системы диспетчерского контроля на основе экспертной системы городского пассажирского транспорта // Радиопромышленность. 2016. № 4. С. 85-95.
4. Фадин A.M.. Иванов A.M.. Шадрин С.С. Методика оценки алгоритмов управления автомобилем в автоматическом режиме II Вести и к МАДИ. 2013. Вып. 3(34). С. 3-7.
5. Иванов A.M.. Шадрин С.С. Обоснование выбора ключевых технологий функционирования системы межобъектного взаимодействия интеллектуальных гранспортных средств при движении по скоростным автомагистралям II Вестник МАДИ. 2013. Вып. 1(32), С. 7-13.
6. Шадрин С.С.. Иванов A.M.. Невзоров Д.В. Автономное колесное транспортное средство в составе интеллектуальных транс-нортных систем // Естественные и технические науки. 2015. Вып. 6(84). С. 309-311.
7. Шадрин С.С. Методология создания систем управления движением автономных колесных транспортных средств, интегрированных в интеллектуальную транспортную среду // Автореферат диссертации на соискание ученой степени доктора технических паук. Москва, 2017, 34 с.
8. Давыдова Т.Н., Варламов О.О.. Остроух A.B.. Краснян-ский М.Н Анализ возможностей миварного подхода для систем искусственного интеллекта и современной робототехники II Вестник Тамбовского государственного технического университета. 2011. Т. 17. №3. С. 687-694.
9. Варламов О.О., Лазарев В.М.. Чуткое Д.А., Джха Пунам. О перспективах создания автономных интеллектуальных роботов на основе миварных технологий // Радиопромышленность, 2016. №4. С. 96-105.
10. Варламов О.О., Хадиев A.M.. Чибирова М.О., Сергушин Г.С.. Антонов П.Д. Автоматизированное построение маршрута логического вывода в ми Варной базе знаний // Патент на изобретение RUS 2607995 11.02.2015.
11. Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварнос информационное пространство. М.: Радио и связь, 2002. 288 с.
12. Варламов О.О. О необходимости перехода от теории искусственного интеллекта к разработке теории активного отражения II Известия ЮФУ. Технические науки. 2007. Т. 77. № 2. С. 89-95.
13. Варламов О.О. Создание теории активного отражения как обобщения теории искусственного интеллекта и возможность ее реализации в ми варком инфопространстве // Искусственный интеллект. 2007. № 3. С. 17-24.
14. Гладкое Л.А.. Курейчик В В.. Курейчик В.М. Дискретная математика / Под ред. В.М, Курейчика. М.: ФИЗМАТЛИТ, 2014. 496с. ISBN 978-5-9221-1575-9."
15. Парамонов С. Зачем нам всем нужен SAT и все эти P-NP (часть первая) II littps://liabrahabr.ru/post/207112/ Электронный ресурс. 201 ó.
16. Варламов О.О. Роль и место миваров в компьютерных науках, системах искусственного интеллекта и информатике // Радиопромышленность. 2015. № 3. С. 10-27,
17. Чибирова М.О.. Сергушин Г.С.. Елисеев Д.В.. Варламов О.О. "Облачная" реализация миварного универсального решателя зачач на основе адаптивного активного логического вывода с линейной сложностью относительно правил "если-то-иначс" // Автоматизация и управление в технических системах. 2013. № 2. С. 22-38.
18. Варламов О.О.. Адамова Л.Е.. Елисеев Д.В.. Майборода Ю.И., Антонов П.Д. Сергушин Г.С.. Чибирова МО. Комплексное моделирование процессов понимания компьютерами смысла текстов, речи и образов на основе миварных технологий Н Искусственный интеллект. 2013. № 4 (62). С. 15-27.
19. Varlamov О.О.. Adamovu LE„ Eliseev D.K. Mayboroda Yu.L. Antonov P.D.. Sergushin G.S.. Chibirova M.ü. Mivar thechnologieä in mathematical modeling of natural language, images and human speech understanding II International Journal of Advanced Studies. 2013. T,3. № 3. С. 17-23.
20. Варламов O.O.. Адамова Л.Е.. Елисеев ДВ.. Майборода Ю.И.. Антонов П. Д.. Сергушин Г. С.. Чибирова М.О. О ми вар ном подходе к моделированию процессов понимания компьютерами смысла текстов,
T-Comm Vol. 1 1. #5-201 7
речи и образов. Новые возможности расширения границ автоматизации умственной деятельности человека // Автомати'шция и управление в технических системах. 2013. № 2. С. 38-51,
21. Boley Н. Expert systems shells: very high-level languages for artificial intelligence, Expert Systems, 7 (1990). Pp. 2-8.
22. Luger F.C. Artificial Intelligence: Structure and Strategies for complex problem solving, Pearson, Boston, 2009,
23. Nehel G„ Lakemeyer B. Foundation of Knowledge representation and Reasoning, Pearson, Boston, 2009.
24. Giarratano J. C.. Riley G.D. Expert systems: Principles and Programming. 4th cd,, Course Technology, 2004.
25. Russel S.J., Norvig P. Artificial intelligence: a Modern Approach. 3rd cd., Pearson, Boston, 2009.
26. Buchanan B.C.. Smith R.G. Fundamentals of Expert Systems, Experts annual review of the computer science, 3 (1988) 23-58,
27. Варламов O.O., Лазарев B.M., Атакищев О.И., Чиоирова М.О.. Сергушин Г.С. Анализ возможности использования когнитивных карт и ми парных сетей для построения экспертных систем обработки данных космических систем наблюдения П Известия Юго-
Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2014. № I.C. 76-92.
28. Адамова J1.Е.. Петерсон А .О.. Протопопова Д.А., Скаку-нови Е.А.. Варламов О.О. Исследование подходов и основных проблем понимания естественного русского языка // Автоматизация и управление в технических системах. 2014. № 2(10). С. 107-122.
29. Полковпикова H.A.. Курейчик В.М. 1 (ейросетевые технологии, нечёткая кластеризация н генетические алгоритмы в экспертной системе // Известия ЮФУ. Технические науки. 2014. №7(156). С. 7-15,
30. Полковпикова H.A. Гибридная экспертная система на основе вероятностно-детерминированных моделей // Известия ЮФУ, Технические науки. 2015. №6 (167). С. 168-179.
31. Полковникова H.A. Разработка и исследование подсистемы поддержки принятия решений для сложного технического объекта (на примере главного судового двигателя) И Автореферат диссертации на соискание ученой степени кандидата технических наук. Таганрог, 2015. 24 с.
MIVAR EXPERT SYSTEMS FOR MAINTENANCE OF PRODUCTION PROCESSES ON TRANSPORT
Oleg O. Varlamov1,2,3, 'BMSTU, 2MADI, 3Scientific Research Institute MIVAR, Moscow, Russia, ovar@mivar.ru, www.mivar.ru Larisa E. Adamova, Scientific Research Institute MIVAR, Moscow, Russia, L.Adamova@mivar.ru Konstantin V. Nazarov1,2, 1BMSTU, 2Scientific Research Institute MIVAR, Moscow, Russia, k.nazarov@mivar.ru Dmitry V. Saraev1,2, 1BMSTU, 2Scientific Research Institute MIVAR, Moscow, Russia, d.saraev@mivar.ru Jha Punam, MADI, Moscow, Russia, info@mivar.ru Irina A. Varlamova, PFUR, Moscow, Russia, varlamova_ia@pfur.ru
Abstract
Current state of artificial intelligence technologies has been analyzed and the possibility of creating a self-driven vehicles and intellectual transport systems based on mivar technologies developed in Russia has been established. It has been proved that production processes on transport need to be automated on the basis of new generation of artificial intelligence systems. Self-driven cars are the special case of robots and intellectual transport systems can include various robotic complexes. The problem of measuring degrees of robotic complexes autonomy or their "intellectuality" has been examined. It has been suggested to add new level of "decision making" over "robot control systems of reflex level", name it "robot decision making system" and use expert systems for its implementation. The main problems of creating artificial intelligence associated with factorial complexity of logical inference in known foreign expert systems has been shown. Mivar technologies combining multidimensional databases on the basis of the gnoseological "Thing-Property-Relation" ("VSO") model and productional logical inference with linear computing complexity based on mivar bipartite networks have been analyzed. It has been shown that the way of the automated route construction of logical inference in the mivar knowledge base with linear computing complexity is patented in Russia. It has been proved that the mivar technologies, which allow to create expert systems of new generation and other intellectual systems including task of Russian natural language understanding, is the most perspective among modern technologies of artificial intelligence for transport objects automation. The analysis of existing approaches and expert system shells have been shown that only mivar technologies and software module "Mivar expert system designer" KESMI "Razumator" being in the register of Russian software of the Ministry of Telecom and Mass Communications of the Russian Federation allow to design expert systems for difficult subject domains with thousands of productional rules which could be processed in a fraction of second, i.e. in real time. It has been suggested to use new generation expert systems named "mivar expert systems" for maintenance of production processes on transport to create self-driving cars and new intellectual transport systems.
Keywords: artificial intelligence, mivar networks, autonomous robots, mivar, expert systems, understanding of meaning, pattern recognition, self-driving cars, intellectual transport systems.
References
1. Grunichev A.G. (2013). Transportnye problemy sovremennogo goroda (na primere Nizhnego Novgoroda). Sovremennye naukoemkie tehnologii, no. 8-2, pp. 281-283. (in Russian)
2. Zyryanov V.V. (2013). Problemy i nekotorye rezultaty sozdaniya ustojchivoy gorodskoy transportnoy infrastruktury na primere Rostova-na-Donu. Ustoychivoe razvitie gorodskogo transporta: vyzovy i vozmozhnosti: Proceedings of international seminar. Moscow: NTB "Energiya" Publ., pp. 64-71. (in Russian)
3. Chuvikov D.A., Teplov E.V., Saraev D.V., Varlamov O.O., Jha Punam. (2016). Metodika avtomatizacii sistemy dispetcherskogo kontrolya na osnove ekspertnoy sistemy gorodskogo passazhirskogo transporta. Radiopromyshlennost, no 4, pp. 85-95. (in Russian)
4. Fadin A.M., Ivanov A.M., Shadrin S.S. (2013). Metodika ocenki algoritmov upravleniya avtomobilem v avtomaticheskom rezhime. Vestnik MADI, no. 3
(34), pp. 3-7. (in Russian)
5. Ivanov A.M., Shadrin S.S. (2013). Obosnovanie vybora klyuchevykh texnologiy funkcionirovaniya sistemy mezhobektnogo vzaimodejstviya intellektu-alnykh transportnykh sredstv pri dvizhenii po skorostnym avtomagistralyam. Vestnik MADI, no 1 (32), pp. 7-13. (in Russian)
6. Shadrin S.S., Ivanov A.M., Nevzorov D.V. (2015). Avtonomnoe kolesnoe transportnoe sredstvo v sostave intellektualnykh transportnykh sistem. Estestvennye i tekhnicheskie nauki, no. 6 (84), pp. 309-311. (in Russian)
7. Shadrin S.S. (2017). Metodologiya sozdaniya sistem upravleniya dvizheniem avtonomnykh kolesnykh transportnykh sredstv, integrirovannykh v intellektualnuyu transportnuyu sredu. Extended abstract of PhD dissertation (Engineering). Moscow, 34 p. (in Russian)
8. Davydova T.L., Varlamov O.O., Ostroukh A.V., Krasnyanskiy M.N. (2011). Analiz vozmozhnostey mivarnogo podkhoda dlya sistem iskusstvennogo intellekta i sovremennoy robototekhniki. Vestnik Tambovskogo gosudarstvennogo tekhnicheskogo universiteta, vol. 17, no. 3, pp. 687-694. (in Russian)
9. Varlamov O.O., Lazarev V.M., Chuvikov D.A., Jha Punam. (2016). O perspektivaKh sozdaniya avtonomnyKh intellektualnyKh robotov na osnove mivarnyKh texnologiy. Radiopromyshlennost, no. 4, pp. 96-105. (in Russian)
10. Varlamov O.O., Khadiev A.M., Chibirova M.O., Sergushin G.S., Antonov P.D. (2015). Avtomatizirovannoe postroenie marshruta logicheskogo vyvo-da v mivarnoy baze znaniy. Invention patent RUS 2607995 11.02.2015. (in Russian)
11. Varlamov O.O. (2002). Evolyutsionnye bazy dannykh i znaniy dlya adaptivnogo sinteza intellektualnykh sistem. Mivarnoe informatsionnoe prostranstvo. Moscow: Radio i svyaz Publ.. 288 p. (in Russian)
12. Varlamov O.O. (2007). O neobkhodimosti perekhoda ot teorii iskusstvennogo intellekta k razrabotke teorii aktivnogo otrazheniya. Izvestiya YuFU. Tekhnicheskie nauki, vol. 77, no. 2, pp. 89-95. (in Russian)
13. Varlamov O.O. (2007). Sozdanie teorii aktivnogo otrazheniya kak obobshcheniya teorii iskusstvennogo intellekta i vozmozhnost ee realizatsii v mivarnom infoprostranstve. Iskusstvennyy intellekt, no. 3, pp. 17-24. (in Russian)
14. Gladkov L.A., Kureychik V.V., Kureychik V.M. (2014). Diskretnaya matematika. (Pod red. V.M. Kureychika). Moscow: FIZMATLIT Publ. 496 p. ISBN 978-5-9221-1575-9. (in Russian)
15. Paramonov S. Zachem nam vsem nuzhen SAT i vse eti P-NP (chast pervaya). Available at: https://habrahabr.ru/post/207ll2/ (accessed 23 March 2017). (in Russian)
16. Varlamov O.O. (2015). Rol i mesto mivarov v kompyuternykh naukakh, sistemakh iskusstvennogo intellekta i informatike. Radiopromyshlennost, no. 3, pp. 10-27. (in Russian)
17. Chibirova M.O., Sergushin G.S., Eliseev D.V., Varlamov O.O. (2013). "Oblachnaya" realizatsiya mivarnogo universalnogo reshatelya zadach na osnove adaptivnogo aktivnogo logicheskogo vyvoda s lineynoy slozhnost'yu otnositelno pravil "esli-to-inache". Avtomatizatsiya i upravlenie v tekhnicheskikh sistemakh, no. 2, pp. 22-38. (in Russian)
18. Varlamov O.O., Adamova L.E., Eliseev D.V., Mayboroda Yu.I., Antonov P.D., Sergushin G.S., Chibirova M.O. (2013). Kompleksnoe modelirovanie protsessov ponimaniya kompyuterami smysla tekstov, rechi i obrazov na osnove mivarnykh tekhnologiy. Iskusstvennyy intellekt, no. 4 (62), pp. 15-27. (in Russian)
19. Varlamov O.O., Adamova L.E., Eliseev D.V., Mayboroda Yu.I., Antonov P.D., Sergushin G.S., Chibirova M.O. (2013). Mivar thechnologies in mathematical modeling of natural language, images and human speech understanding. International Journal of Advanced Studies, vol.3, no. 3, pp. 17-23.
20. Varlamov O.O., Adamova L.E., Eliseev D.V., Mayboroda Yu.I., Antonov P.D., Sergushin G.S., Chibirova M.O. (2013). O mivarnom podkhode k mod-elirovaniyu protsessov ponimaniya kompyuterami smysla tekstov, rechi i obrazov. Novye vozmozhnosti rasshireniya granits avtomatizatsii umstvennoy deyatel'nosti cheloveka. Avtomatizatsiya i upravlenie v tekhnicheskikh sistemakh, no. 2, pp. 38-51. (in Russian)
21. Boley H. (1990). Expert systems shells: very high-level languages for artificial intelligence, Expert Systems, 7, pp. 2-8.
22. Luger F.G. (2009). Artificial Intelligence: Structure and Strategies for complex problem solving. Boston: Pearson.
23. Nebel G., Lakemeyer B. (2009). Foundation of Knowledge representation and Reasoning. Boston: Pearson.
24. Giarratano J. C., Riley G.D. (2004). Expert systems: Principles and Programming. 4th ed., Course Technology.
25. Russel S.J., Norvig P. (2009). Artificial Intelligence: a Modern Approach. 3rd ed. Boston: Pearson.
26. Buchanan B.G., Smith R.G. (1988). Fundamentals of Expert Systems, Experts annual review of the computer science, 3, pp. 23-58.
27. Varlamov O.O., Lazarev V.M., Atakishchev O.I., Chibirova M.O., Sergushin G.S. (2014). Analiz vozmozhnosti ispolzovaniya kognitivnykh kart i mivarnykh setey dlya postroeniya ekspertnykh sistem obrabotki dannykh kosmicheskikh sistem nablyudeniya. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta. Seriya: Upravlenie, vychislitel'naya tekhnika, informatika. Meditsinskoe priborostroenie, no. 1, pp. 76-92. (in Russian)
28. Adamova L.E., Peterson A.O., Protopopova D.A., Skakunova E.A., Varlamov O.O. (2014). Issledovanie podkhodov i osnovnykh problem ponimaniya estestvennogo russkogo yazyka. Avtomatizatsiya i upravlenie v tekhnicheskikh sistemakh, no 2 (10), pp. 107-122. (in Russian)
29. Polkovnikova N.A., Kureychik V.M. (2014). Neyrosetevye tekhnologii, nechetkaya klasterizatsiya i geneticheskie algoritmy v ekspertnoy sisteme. Izvestiya YuFU. Tekhnicheskie nauki, no. 7(156), pp. 7-15. (in Russian)
30. Polkovnikova N.A. (2015). Gibridnaya ekspertnaya sistema na osnove veroyatnostno-determinirovannykh modeley. Izvestiya YuFU. Tekhnicheskie nauki, no6 (167), pp. 168-179. (in Russian)
31. Polkovnikova N.A. (2015). Razrabotka i issledovanie podsistemy podderzhki prinyatiya resheniy dlya slozhnogo tekhnicheskogo obyekta (na primere glavnogo sudovogo dvigatelya). Extended abstract of PhD dissertation (Engineering). Taganrog. 24 p. (in Russian)
Information about authors:
Oleg O. Varlamov, Dr. of Tech. Sci., Professor, BMSTU, Professor, MADI, Director, Scientific Research Institute MIVAR, Moscow, Russia Larisa E. Adamova, Ph.D. of Psy. Sci., Docent, Deputy CEO MIVAR LLC, Moscow, Russia
Konstantin V. Nazarov. Graduate student, BMSTU, Research Officer, Scientific Research Institute MIVAR, Moscow, Russia
Dmitry V. Saraev, Postgraduate student, BMSTU, Research Officer, Scientific Research Institute MIVAR, Moscow, Russia
Jha Punam, Postgraduate student, MADI, Moscow, Russia (Federal Democratic Republic of Nepal) Irina A. Varlamova, Graduate Student, PFUR, Assistant of Engineering Academy, PFUR, Moscow, Russia
