CC BY
74
- локальный поиск с использованием методов случайного поиска с линейной и нелинейной тактикой и метода Хука-Дживса;
- совместная работа метода Монте-Карло и локальных методов (набросовый алгоритм).
Модуль анализа полученных решений позволяет дать ответ, устойчива ли система в области полученного решения, и оценить ограничения на параметры, при которых она оказывается устойчивой (Бусленко Н.П. Моделирование сложных систем. М., 1978).
Модуль экспертных оценок реализован для того, чтобы в режиме диалога с ЭВМ позволить проектировщику принимать участие в процессе оптимизационного исследования (Ларичев О.И., Мошко-вич Е.М. Качественные методы принятия решений. М., 1996). Такая необходимость может возникнуть в случае, если требуется оценить информативность оптимизируемых параметров проектируемого объекта, назначить критериальные ограничения для построения допустимого множества или установить приоритет между критериями оптимальности на этапе выбора окончательного решения и т.д. В модуле используются методы взвешивания экспертных оценок с учетом компетентности экспертов, последовательных сопоставлений и метод ранга.
Основными задачами, решаемыми модулем вспомогательных подсистем, являются:
- ведение и предоставление пользователю возможности просмотра «Журнала работы»;
- получение и просмотр всех последних результатов работы системы без необходимости их повторения;
- предоставление пользователю помощи по работе с системой.
Все модули могут работать как комплексно, так и автономно при решении частных задач исследования модели или поиска решения.
Работоспособность диалоговой СППР БМ8 была проверена и подтверждена в ходе решения задач определения рациональных конструктивных и режимных параметров трубчатых воздухоподогревателей паровых котлов (Карницкий Н.Б., Ка-дач Т.В. К построению оптимизационной модели трубчатых воздухоподогревателей паровых котлов. // Вест. БНТУ, 2006, № 6), а также при параметрическом синтезе типовых зубчатых передач (Кадач Т.В., Попов В.Б. Принятие решений при автоматизированном проектировании типовых зубчатых редукторов. // Вест. ГГТУ им. П.О. Сухого, 2007, № 1). При этом значительно сократились сроки и трудоемкость проектирования при повышении качества полученных проектных решений.
ОЦЕНКА СЛОЖНОСТИ ИНФОРМАЦИОННЫХ СИСТЕМ С УЧЕТОМ ЧЕЛОВЕЧЕСКОГО ФАКТОРА
В.В. Фомин, д.т.н.
(Российский государственный педагогический университет им. А.И. Герцена, г. Санкт-Петербург)
Если провести классификацию топологических мер сложности качества программных информационных систем (Холстед, Чепен, Майерс, Джилба и др.) по группам сложности проектирования и функционирования, можно отметить, что:
• часть мер сложности функционирования косвенно или напрямую зависит от мер сложности проектных спецификаций;
• подавляющее множество топологических мер сложности носят эмпирический, относительный характер и принадлежат к средствам оценки качества «внутреннего проектирования»;
• понятие сложности носит сугубо замкнутый структурно-организационный характер, каждая метрика направлена на оценку только определенного вида спецификации структур, хотя и выделена часть метрик, направленных и унифицированных на информационную оценку сложности.
Обратимся к методам оценки качества интерфейса управления информационных систем на основе технологии GOMS - «правила для целей, объектов, методов и выделения» (the model of goals,
objects, methods and selection rules). В эту технологию интегрированы законы манипуляции элементами интерфейса (управление) - законы Фитса и Хика. Важной прерогативой этой технологии является то, что она позволяет раскрыть и формально зафиксировать важнейшие аспекты взаимодействия человека с машиной.
Главной составляющей процесса разработки информационных систем является учет человеческого фактора как сложной системы формирования (восприятия, преобразования, хранения) знаний о программно-технических системах, основанной на манипуляции символьными конструкциями.
Используем меру информации (для равновероятных событий) для оценки и расчета качества представления информации по управлению (интерфейс, алгоритм, спецификация) с позиции человеческого фактора «сложности восприятия»: H=logc(n), где n - количество элементов (символов) языка управления; а - критерий оценки параллельности восприятия человеком информации
(показатель, уточняющий метрики сложности, ориентированные на оценку информационной энтропии).
Проведенные статистические исследования множества разноязычных текстов (русский, английский, немецкий, французский) позволяют оценить характеристики человека как канала связи (восприятия) с присущими ему пропускными показателями. Была разработана программа (язык С++) с алгоритмом, подсчитывающим количество букв в словах и количество слов в предложении. Результатом исследований явилось среднестатистическое значение показателя а=8 - количество параллельного восприятия человеком отдельных символов. Экспериментальный результат подтверждает вывод теории информодинамики о дискретности восприятия человеком с «мерой восприятия» а=2 =8. Сделанные выводы позволяют говорить о возможности применения «ментальных» мер сложности для оценки разноаспектных информационных структур.
Ментальные меры сложности. Процесс объективирования будем рассматривать с позиции двух составляющих.
1. Процесс обучения (education), осознания. В человеческом мозгу формируется множество A ментальных символов на основе новых визуальных образов и (или) нового семантического наполнения уже существующих, в зависимости от внешних условий (ограничений) и состава определяющих поведенческих задач. Формируется синтаксическое пространство B языка активного восприятия, воздействия, управления. В этом случае количество сравнительных операций внутри множества A равняется: ke=log2A\, где ke - коэффициент обучения; \A\ - мощность множества А.
Основанием логарифма выступает 2, так как необходимо классифицировать (сравнить попарно) каждый элемент множества А друг с другом.
2. Процесс манипуляции (manipulation), действия, восприятия. Манипулируя ментальными образами B, человек формирует команды (на основе
синтаксиса выработанного языка) и осуществляет целенаправленное воздействие на систему или анализ системы (управление). Процесс действия или восприятия характеризуем коэффициентом манипуляции кт: кт=^8А\.
Основываясь на двух введенных коэффициентах, введем понятие информационной меры мен-тальности: коэффициент сложности управления (соиХго\) Кс - количество ментальных операций, необходимых человеку для работы с системой управления, чтобы задействовать максимум операций за минимум времени:
Кс=ке+кт=1о22А\+1о28А\=1о22А\+1/3-1о22А\= =4/3Щ2А\.
Если мы хотим рассчитать производительность интерфейса по образу «закона Хика», то можно воспользоваться формулой:
Время(мс)=с-^2А\+й-^8А\, (1)
где с и й - физические характеристики человека: с - время, затрачиваемое на ментальное сравнение одного символа; й - время, затрачиваемое на ментальное сравнение восьми символов.
По существу, можно предположить, что величины с и й совпадают (¿=с=й), так как являются показателями одной и той же производительности мозга («количество времени, затрачиваемое мозгом на обработку информации за один «такт») и тогда формула (1) примет вид:
Время (мс) = г4/3-1о^2А\. (2)
На основании введенных характеристик мы можем проводить оценку сложности программного обеспечения. Для этого необходимо рассматривать программу как управляющую систему. Тогда можно говорить о метрике ментальной структурной сложности «алгоритмических» программ М5:
м=ьошт+р)+ьош8т, (3)
где ^ - количество переменных; М2 - количество операций всего; Р - количество подпрограмм.
Аналогично можно осуществить расчет объектно-ориентированных и потоковых программ, манипулируя понятием обучение и управление.
ОПТИМИЗАЦИЯ ХРАНЕНИЯ КОРПОРАТИВНЫХ ДАННЫХ
И.Н. Ефимов, д.т.н.; С.А. Жукова
(Чайковский технологический институт (филиал) ИжГТУ, Пермский край, г. Чайковский)
В настоящее время наблюдается серьезное увеличение объема корпоративной информации. В соответствии с отчетами IDC, рост объемов хранимых и обрабатываемых данных составляет более 70 % в год. В некоторых специфичных отраслях, например в медицине, наблюдается экспоненциальный рост информационных объемов. Ситуация осложняется требованиями нормативных
актов и внутрикорпоративных стандартов, предписывающих длительное хранение некоторых видов информации, иногда в течение 5-10 лет. А это значит, что компания, имеющая корпоративные данные скромного объема в 1 Тбайт и показывающая рост этих объемов на 60 % в год, через 10 лет будет хранить уже 110 Тбайт информации. Проблема взрывного роста объемов данных тесно
