CC BY
11
4. Если <" Суровость" последствий в случае сбоя соответствует Категории 4> и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ НижаяУ тогда <Цена НижаяУ
5. Если <" Суровость" последствий в случае сбоя соответствует Категории 4> и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ СредняяУ тогда <Цена УмеретшяУ
6. Если <"Суровость" последствий в случае сбоя соответствует Категории 4> и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ ВысокаяУ тогда <Цена ВысокаяУ
7. Если <" Суровость" последствий в случае сбоя соответствует Категории ЗУ и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ НижаяУ тогда <Цена УмеретшяУ
8. Если <" Суровость" последствий в случае сбоя соответствует Категории ЗУ и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ СредняяУ тогда <Цена Высокая>
9. Если <"Суровость" последствий в случае сбоя соответствует Категории ЗУ и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ ВысокаяУ тогда <Цена Очень высокаяУ
10. Если <"Суровость" последствий в случае сбоя соответствует Категории 2У и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ СредняяУ тогда <Цена ВысокаяУ
11. Если <" Суровость" последствий в случае сбоя соответствует Категории 2У и <БЛИЗОСТЬ ЖИЛЬЯ ОТ ПРЕДПРИЯТИЯ ВысокаяУ тогда <Цена Очень высокаяУ
12. Если <"Суровость" последствий в случае сбоя соответствует Категории 1У тогда <Цена Очень высокаяУ
В соответствии с представленными правилами, атакже применяя алгоритм нечёткого вывода /4—6/, автором были получены оценки выходной стоимость жилья в зависимости от близости к предприятию.
Таким образом, можно получить результат для оценки стоимости жилья в зависимости от таких факторов как: его расположение и близость от предприятия. Настроив систему, у покупателя и продавца появляется мощный и незаменимый инструмент на основе метода нечёткой логики для управления оценкой стоимости жилья.
СПИСОК ЛИТЕРАТУРЫ
1. Антикризисное управление: Учеб. пособие: в 2 т. Т. 2.: Экономические основы / Отв. ред. Г.К. Таль. М.: ИНФРА-М. 2004. 1027 с.
2. Джонс М.Т. Программирование искусственного интеллекта в приложениях. М.: ДМК Пресс. 2004. 312 с.
3. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь. 1982. 432 с.
4. Мартынов H.H. Введение в MATLAB 6. М.: КУДИЦ-Образ. 2002. 352 с.
5. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука. 1986. 312 с.
6. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р. Ягера. М.: Радио и связь. 1986. 391 с.
УДК 519.81
Д. С. Коваленко
МОДЕЛЬ ДИАГНОСТИЧЕСКОЙ СЕТИ НА ОСНОВЕ ОДНОРОДНОЙ СРЕДЫ КОММУТАЦИОННЫХ АГЕНТОВ
Активное развитие методов распределённого искусственного интеллекта, достижения в области аппаратных и программных средств поддержки концепции распределён-
ное™ и открытости в последние 15—20 лет позволили интегрировать агентные технологии в системы, совместно решающие сложные задачи, например, такие как монито-
ринг, контроль и автоматическая диагностика больших, сложных, технологически разнородных и распределённых систем [1—4]. Под большой и распределённой системой понимается система, в реальной действительности существования которой проявляется один или несколько видов её сложности [5]: структурная (архитектурная распределён-ность); функционирования; выбора поведения в многоальтернативных ситуациях; развития.
Представителями рассматриваемых систем являются комплексы технологического оборудования предприятий, имеющих большую удалённость своих производственных объектов или большое количество объектов диагностирования, предприятий нефте-, газоперерабатывающих и химических комплексов, железнодорожного транспорта, газо- и нефтетранспортных компаний, металлургических и машиностроительных заводов.
Особенностью решения задач диагностирования промышленного комплекса посредством непрерывного мониторинга технологического оборудования является требование принятия диагностических решений по информации от распределённых источников, характеризующихся:
переменностью по времени многих измеряемых величин, измерения выполняются с большими и различными частотами опроса;
разнородностью диагностической информации с большим разнообразием смыслового содержания;
избыточностью данных измерений выходных параметров технологического оборудования;
погрешностью измерений выходных параметров оборудования.
По способу организации связей системы сбора и обработки информации в системах управления технологическими процессами выделяют два типа структур: централизованную и децентрализованную.
Наличие нескольких тысяч таких источников информации создаёт алгоритмические и концептуальные трудности сбора, первичной и вторичной обработки диагностической информации для принятия решений в централизованных структурах. В качестве архитектуры децентрализованной системы сбора и обработки данных предлагается использовать аппаратно-
программные реализации интеллектуальных агентов в коммуникационной среде диагностического комплекса.
Архитектура многоагентной среды сбора
и анализа диагностической информации
Идея многоагентности системы сбора и анализа информации предполагает кооперацию агентов при коллективном решении диагностической задачи. В многоагентной системе агент, который не способен решить задачу сбора и первичного анализа измерительной информации самостоятельно инициирует использование коллектива агентов для решения общей задачи анализа и диагностики. При этом агенты в диагностической сети планируют свои действия, основываясь уже не только на своих коммуникационных возможностях, но и с учётом планов и намерений других агентов. Однако использование идеи коллективного поведения приводит к массе проблем [3]: формирования совместных планов действий, возможности учёта интересов контрагента, синхронизации, наличия конфликтующих целей, наличия конкуренции за совместные ресурсы, распознавания необходимости кооперации, обучения поведению в коллективе, декомпозиция задач и разделение обязанностей, правила поведения в коллективе, и т. д. В настоящей статье многоагентная системарас-сматривается как множество интеллектуальных коммуникационных агентов, распределённых по узлам слабосвязанной (в графовом представлении) диагностической сети, кооперирующихся в процессе передачи измерительной информации и ее поэтапного анализа для выработки диагностических решений, при этом, использование математического аппарата теории пер-коляции позволяет частично решить проблемы наличия конфликтующих целей и наличие конкуренции за совместные коммуникационные ресурсы.
Основной задачей предлагаемой коммуникационной многоагентной среды, является адаптивное формирование мультиагентного управления трафиком разнородных данных большого объёма с надёжными гарантиями доставки телеметрических сообщений и достоверности промежуточного анализа измерений. Решение этой задачи распадается на локальные задачи управления потоками данных, адаптации
к изменяющемуся трафику, предотвращения перегрузок, разрешения сетевых конфликтов и т. п.
Совместное поведение различных объектов изучается в рамках многих научных дисциплин. Подход к формализации задач сбора и обработки, решаемых на уровне кооперации агентов использует теорию коллективного поведения автоматов [2, 3], исследующую поведение больших коллективов автоматов с примитивными функциями.
Для управляемой адресной передачи и навигации потоков данных, разрешения сетевых конфликтов, функциональной диагностики и распознавания состояний традиционных телекоммуникационных сред, на уровне маршрутизации потоков данных, используют координационные механизмы управления связью.
Отличием модели коммутационной много-агентной среды от моделей телекоммуникационных сред, состоит в учёте геометрии среды агентов на макроскопическом уровне. Завершённость процесса оценки технического состояния распределённого производственного ком-
плекса предполагает конечный и единственный элемент оконечного оборудования данных. Следовательно, геометрическую форму многоагент-ной среды, в общем случае, можно представить многомерным конусом, в основание которого подаются сигналы (векторы сигналов датчико-преобразующей аппаратуры промышленных телеметрических систем), ас вершины конуса снимается результат анализа, прошедший стадии промежуточного анализа и трансляции через коммуникационные узлы, управляемые агентами (рис. 1).
Моделирование процессов коммутации (и промежуточного анализа) при передаче теле-метрируемых параметров от датчико-преобразу-ющей аппаратуры к оконечному оборудованию данных, в достаточно развитой распределённой диагностической среде, позволяет оценить характеристики компонентов многоагентной сети, при которых вероятность своевременной доставки, первичной обработки и достоверности анализа диагностической информации в промышленном комплексе приближается к своему критическому значению. Представляя модель
а)
V с
\ с >» 4 -«0*
ИчвИ 000
\ с \ с
11
Анализ
Рис. 1. Трансформация а) трёхступенчатой системы сбора данных на основе коммутаторов
в б) распределённую многоагентную среду 5 — датчик; с — коммутационный агент, выполняющий две основные функции: промежуточный анализ измерительной информации, пришедшей на его вход и трансляцию измерительных сигналов другим агентам среды
диагностической сети как систему коммутационных агентов со случайным числом ближних связей и случайным радиусом их взаимодействия, задача о сборе и анализе диагностической информации становится эквивалентной задаче узлов на случайной решетке при достаточно большом числе слоёв V ближайших соседей (рис. 16).
Угол коммутационной среды агентов можно определить выражением:
е=—£ ^ о
т <=1 I
где т — число уровней многоагентной коммутационной среды; N1 — количество агентов на 1-м уровне.
Каждый коммуникационный агент в процессе работы выполняет действия следующего типа:
активно принимает и фильтрует измерительную информацию от других агентов или датчи-ко-преобразующей аппаратуры;
осуществляет промежуточный анализ измерительной информации по данным сообщениям;
инициализирует и выполняет коммуникации с другими агентами в интересах диагностической кооперации;
обучается по диагностическим данным с указанием учителя или с подкреплением знаний.
Задача сбора и передачи диагностических данных в системе случайно взаимосвязанных агентов, корректно эквивалентна задаче узлов на решётке при достаточно большом числе слоёв V (на квадратной решётке к одному узлу при V = 1 число ближайших узлов г = 4, при V = 2 г = &, при V = 3 г = 12) [7]. Для осуществления передачи измерительной информации посредством случайных агентов коммуникационной среды можно записать:
к 2 4-#/ 2 ,
/ Кг
для трёхмерной среды:
^ .
где Ыс — критическое значение концентрации проводящих агентов на единицу объёма коммутационной среды, г — радиус взаимодействия агентов.
В ходе экспериментальных исследований доли задействованных агентов в процентах от общего числа коммутационных агентов, пропускная способность которых соответствует критическому уровню, в зависимости от размерности решётки диагностической сети и величины угла
Процент "закрытых" элементов коммутационной среды
Угол коммутационной среды
Рис. 2. Зависимости процента непроводящих коммутационных агентов от величины угла
при вершине конуса коммутационной многоагентной среды Сеть со слабосвязанными элементами в слое (—■—); двумерная сеть (—■—); трехмерная сеть (—■—)
(*) в вершине конуса, установлено, что распараллеливание коммутационной среды увеличивает информационный порог (рис. 2), т. е. увеличивается процент непроводящих коммутационных агентов, при котором обеспечивается заданное качество функционирования диагностической сети.
Предположительно сказывается влияние агентов при вершине конуса, где преобладает эффект линейной цепочки, т. е. сколь угодно малое количество коммутационных агентов, пропускная способность которых ниже критического уровня, прерывает передачу диагностической информации оконечному оборудованию данных — центру принятия решений.
Уменьшение связности между агентами коммутационной среды одного уровня приближает значение информационного порога к значению порога для решётки Бете (рис. 3), критическая концентрация узлов которой определяется из условия [7]
Хс=1/Ц,
где ц — усредненное количество агентов, связанных с одним агентом предыдущего уровня:
1 '» / ч у. Ч ^ -^{N1 ) ' >
т <=1
ныхузлов на /-муровне, /= !,.../«.
Ограничением на применимость предложенной модели для оценки надёжности сети сбора и обработки диагностических данных является зависимость дисперсии величины от размеров коммутационной среды (общего числа агентов в сети). Имитационное моделирование показало, что для тридцати агентов дисперсия составляет около 80 % максимальной величины Хс, а для
Рис. 3. Решетка Бете с q = 3 Заштрихованные узлы — агенты с пропускной способностью ниже критической
среды размером двести коммутационных агентов — около 25 %.
Таким образом, предложенная модель диагностической среды как однородной архитектуры коммутационных агентов основана на поведении систем реактивной архитектуры (reactive architecture — реакция агента на входящие измерительные сообщения из вне). Поведение каждого агента может рассматриваться как недетерминированное, что позволяет развивать различные вероятностные модели. Допускается обучение каждого агента при помощи различных парадигм обучения, при этом агент должен быть наделён памятью, в которой он в некоторой форме запоминает предыдущие штрафы и поощрения, и может использовать эту информацию для улучшения своего и коллективного поведения в соответствии с критерием качества диагностического обеспечения распределённых промышленных комплексов.
СПИСОК ЛИТЕРАТУРЫ
1. Спицнадель В. Н. Основы системного анализа: Учеб. пособие. СПб.: Изд. дом "Бизнесс-прес-са". 2000. 326 с.
2. Городецкий В.И., Груишнский М.С., Хабалов А.В. Многоагентные системы // Новости искусственного интеллекта. 1997. № 1. С. 15—30.
3. Городецкий В.И., Груишнский М.С., Хабалов А.В. Многоагентные системы (обзор) // Новости искус-
№
4. P. Maes. Agent that Reduce Work and Information Overload. In: Communication of the
№
5. Клир Дж. Наука о системах: новое измерение науки // Системные исследования: Методологические проблемы. Ежегодник. М.: Наука. 1983. С. 26-76.
6. М. Wooldridge and N.R. Jennings. Agent Theories, Architectures, and Languages: A Survey. In: Intelligent Agents. ECA1-94 Workshop on Agent Theories, Architecture and Languages. Amsterdam. The Netherlands / August 8—9, 1994 / Proceedings. Springer Verlag: 1994. P. 3-39.
7. D. Stauffer. Introduction to percolation theory. Taylor & Francis. 1985.
УДК 519.632.4
A.B. Пашковский
РЕШЕНИЕ ТЕСТОВЫХ ПОЛЕВЫХ ЗАДАЧ В КУСОЧНО-ОДНОРОДНОЙ ОБЛАСТИ МЕТОДОМ СТАНДАРТНЫХ ЭЛЕМЕНТОВ
Решение современных задач проектирования, разработка новых технологий, получение материалов и устройств с заранее заданными свойствами невозможны без привлечения программных средств, осуществляющих необходимые расчёты и сочетающих высокую точность и приемлемое время их выполнения. Среди современных численных методов наиболее популярен метод конечных элементов (МКЭ). По своей сущности — это вариационный метод с кусочно-полиномиальными пробными функциями, обладающий геометрической гибкостью и применяемый к большому классу уравнений с частными производными. Он позволяет достаточно точно описать сложные криволинейные границы области определения решений и краевые условия. Однако использование МКЭ для точного расчёта двух-и трехмерных электромагнитных и температурных полей в кусочно-однородных средах (КОС) при наличии в окрестностях угловых точек особенности решения, многофазных сред с тонкими включениями или неудовлетворительными свойствами решений, затруднено.
Таким образом, все насущнее становится задача создания новых численных методов, внедрения новых идей в их подходах, обеспечивающих при реальных затратах компьютерных памяти и времени высокую точность решения, в частности, полевых задач в КОС с особенностями решения, неудовлетворительными свойствами решений на границах.
Основная идея метода стандартных элементов (МСЭ) состоит в заполнении расчётной области совокупностью стандартных элементов (СЭ), в которых известны аналитические решения соответствующих краевых задач, найденные классическими методами. Такой подход позволяет не только резко сократить степень дискретизации расчётной области, но и на порядки повысить точность решения. Метод стандартных элементов, впервые введенный в [1] для тепловых расчётов электрических машин, при заполнении расчётных областей предполагал исполь-
зование таких СЭ, как: круг, сектор, сектор кольца и др. Комбинированное использование МСЭ с МКЭ также отличалось резким повышением точности расчётов.
Дальнейший анализ геометрии электромагнитных устройств (ЭУ), а также разнообразных КОС, показал значительные перспективы использования в моделировании электромагнитных и температурных полей СЭ типа: прямоугольник и параллелепипед. Результаты, полученные в [2, 3], показали стройность лежащей в основе метода математической теории и соответствующих выводов. Данные [4], кроме того, проиллюстрировали достаточную простоту использования СЭ прямоугольной геометрии для заполнения двух-и трехмерных расчётных областей, удобную склейку СЭ между собой, возможность комбинирования подобных СЭ с конечными элементами в расчётной области при сохранении высокой точности расчётов.
Разработка нового численного метода, оценка его преимуществ и недостатков, естественно, предполагает оценки его точности на разнообразных краевых задачах, геометриях расчётных областей и граничных условиях. Рассмотрим некоторые данные сравнительного анализаточ-ности МСЭ и МКЭ при решении тестовых задач в однородных и кусочно-однородных средах. Следует отметить, что большинство результатов, приведенных ниже, получены на соответствующих аналитических примерах и специально разработанной математической модели кусочно-неоднородной в магнитном отношении расчётной области. Такой подход — единственный способ объективной оценки точности и эффективности двух современных численных методов.
Первоначально для сравнительной оценки МСЭ и МКЭ получены распределения магнитного потенциала в однородной области (рис. 1). Геометрия области аналогична замкнутой системе П-образного магнита. Зазор в магнитопро-воде принимался равным 2 мм, что соответствовало размерам в реальной системе. Ставилась
