Содержание к диссертации
Введение
ГЛАВА 1. Имитационные исследования: обзор и перспективы развития и автоматизации 10
1.1. Классический подход к проведению имитационных исследований 10
1.2. ЭТАП S1: Постановка задачи 13
1.3. ЭТАП S2: Сбор и обработка данных 16
1.4. ЭТАПЫ S3 и S4: разработка и корректировка модели; моделирование 19
1.5. ЭТАП S5: Накопление результатов моделирования 20
1.6. ЭТАП S6: Планирование экспериментов 21
1.7. ЭТАП S7: Анализ результатов 24
1.8. ЭТАП S8: завершение исследований 30
1.9. Постановка задачи диссертационной работы 31
1.10. Выводы по главе 36
ГЛАВА 2. Концепции и архитектура систем автоматизации имитационных исследований 37
2.1. Обзор систем имитационного моделирования 37
2.1.1. Общецелевые системы дискретно - событийного имитационного моделирования 38
2.1.2. Коммерческие симуляторы 48
2.2. КЛАССификация саии 52
2.2.1. Интегрированные моделирующие среды для профессионалов ИМ 55
2.2.2. Универсальные моделирующие среды для широкого круга исследователей из различных отраслей экономики 62
2.2.3. Имитационные приложения для крупных корпораций и предприятий 77
2.3. Разработка архитектура саии 82
2.3.1. Сервис ориентированная архитектура 82
2.3.2. Состав программных сервисов и компонент САИИ 84
2.3.3. Информационная структура САИИ 87
2.4. Выводы по ГЛАВЕ 88
ГЛАВА 3. Разработка и практическая реализация метода анализа статистических данных большой размерности, основанного на распознавании образов 90
3.1. Терминология теории распознавания образов 91
3.2. Разработка метода определения функции распределения (плотности) на базе выборок большой размерности 96
3.2.1. Получение исходных данных 97
3.2.2. Предпроцессная подготовка к распознаванию 99
3.2.3. Выделение законов 107
3.2.4. Пример полученной комбинации законов для реальной статистики 109
3.2.5. Использование метода при обработке выходной статистики имитационных
приложений ПО
3.2.5. Выводы по главе 111
ГЛАВА 4. Практическая реализация саии различных типов 113
4.1. Интегрированная моделирующая среда для профессионалов им 113
4.1.1. Архитектура моделирующей среды 113
4.1.2. Основные функции моделирующей среды 117
4.2. Универсальная моделирующая среда для широкого круга концепции построения и структура УИМ 118
4.3. Имитационное приложение 121
4.3.1. Пример исследования проведенного на имитационном приложении 123
4.4. Анализ значимости практического внедрения САИИ 128
4.5. Выводы по ГЛАВЕ 131
Заключение 133
Литература
- ЭТАПЫ S3 и S4: разработка и корректировка модели; моделирование
- Интегрированные моделирующие среды для профессионалов ИМ
- Разработка метода определения функции распределения (плотности) на базе выборок большой размерности
- Универсальная моделирующая среда для широкого круга концепции построения и структура УИМ
Введение к работе
Актуальность темы. Перед Россией в начале 21 века стоит дилемма – или оставаться страной, поставщиком сырья и энергоносителей, и поэтому зависящей от конъюнктуры и цен на энергоносители на мировом рынке, или играть роль независимого государства с инновационной экономикой, основанной на знаниях и передовых технологиях. Особенно актуальным этот вопрос стал во время мирового экономического кризиса. В настоящее время в России начаты практические действия к переходу к инновационной экономике. Сейчас реализуется множество федеральных целевых программ, появляются современные отечественные разработки во всех областях науки и техники, модернизируются предприятия, внедряются новые технологии.
В связи с этим все более востребованным является умение и возможность своевременно и точно осуществлять прогнозирование функционирования и развития предприятий, технологий и других сложных систем. Чрезвычайно важно ответить на множество вопросов типа - «А что будет, если ….?». Например, «А что будет, если - увеличить загрузку системы? уменьшить время обработки? ввести дополнительные мощности? и т.д.».
Получение точных и своевременных ответов на эти вопросы позволит существенно уменьшить издержки предприятий на эксплуатацию систем или избежать дополнительных затрат в процессе разработки или модернизации. Одним из важнейших и наиболее эффективных инструментов, для получения ответов на эти вопросы, является имитационное моделирование (ИМ).
В отличие от других методов, например, использующих аналитические модели, имитационное моделирование позволяет описать функционирование системы без ограничений по уровню детализации, практически «как есть» в реальной действительности. Особенно эффективность применения ИМ возросла в последнее время, в связи со стремительным ростом вычислительных возможностей и совершенствованием программных технологий.
Для расширения границ применения методов ИМ необходим также кардинальный технологический пересмотр всего процесса организации и проведения имитационных исследований, четкое разделение функций между всеми этапами имитационных исследований. Желательно автоматизировать как можно большую часть этапов имитационных исследований, объединить их в рамках единой программной системы и создать необходимый базис инструментальных средств для разработки имитационных приложений в конкретных прикладных областях.
Предмет исследования. Данная диссертация посвящена анализу всего цикла имитационных исследований (ИИ) дискретных систем, разработке методик, технологий и инструментальных программных средств ИМ и ИИ с целью анализа и проектирования сложных систем различного назначения.
Объект исследования – процесс имитационных исследований, методы и среды имитационного моделирования, средства автоматизации процессов создания и применения имитационных моделей и имитационных систем.
Целью работы является разработка интегрированной программной системы имитационных исследований и ее практическая апробация на конкретных примерах.
Для достижения этой цели вводится понятие системы автоматизации имитационных исследований (САИИ), приведена их классификация. Осуществлена структуризация САИИ.
Научная новизна диссертационной работы:
Проведена структуризация классического процесса имитационных исследований, с целью его последующей автоматизации и интеграции в рамках единого программного комплекса. Выделены основные этапы имитационного исследования и проанализированы их функции и состояния.
Разработана архитектура трех типов САИИ, рассмотренных в диссертации.
Разработан и программно реализован метод распознавания статистических законов для обработки выборок большой размерности.
Проведено исследование и получены зависимости основных показателей функционирования коллективного центра обработки информации (КЦОИ) ЦБ РФ.
Проведена оптимизация и получены оптимальные значения факторов функционирования КЦОИ ЦБ РФ.
Методы исследования. Для достижения поставленных целей в работе применяются: аппарат теории вероятностей; математической статистики; методов оптимизации; методов распознавания образов; имитационного моделирования. При проведении имитационного моделирования применен пакет прикладных программ GPSS World. Для проведения статистических исследований использован пакет прикладных программ Statistica 7.0. Для оптимизации использовался пакет программ MS Excel. Другие программные средства, использованные при проведении исследований, разработаны самостоятельно.
Достоверность. В связи с тем, что все вычисления в диссертационной работе основаны на численных методах, на каждом этапе проводилась проверка адекватности и подсчет погрешности методов по известным критериям. Практическая апробация на конкретном натурном объекте показала верность вычислений.
Теоретическая значимость и практическая ценность полученных результатов.
Введен интегрированный коэффициент оценки качества имитационной среды, вычисленный на основе экспертных оценок.
Разработано описание процесса имитационного моделирования, практическая реализация которого показана в диссертации на ряде реальных применений.
Разработан метод получения аналитической зависимости исходных данных при помощи комбинации статистических законов.
Разработаны инструментальные средства автоматизации имитационного моделирования для разных групп пользователей.
Получена аналитическая запись для общей нагрузки на сервер КЦОИ ЦБ РФ.
Получены оптимальные значения факторов функционирования КЦОИ ЦБ РФ.
Апробация результатов диссертации.
Основные положения и результаты диссертационной работы докладывались на всероссийских научно-технических конференциях: «Информационные технологии в науке, образовании и производстве», г. Казань, 2006, 2007; "Туполевские чтения; на международных конференциях: "ИММОД", г. Санкт-Петербург, 2003, 2005, 2007, 2009; "Information Technologies and Mathematical Simulation of System". Майорка, Испания, 2009 г. и Корсика, Франция, 2010 г.; "13th IFAC Symposium on Information Control Problems in Manufacturing", Moscow, Russia; 33-й Международный семинар-презентация Автоматизация. Программно-технические средства. Системы. Применения (2-3 июня 2009 года); на научно- практической конференции «Инновационный путь развития РФ как важнейшее условие преодоление мирового финансово-экономического кризиса». М.:ВЗФЭИ, 2009
Публикации.
По результатам диссертации опубликовано 18 работ, в том числе 14 - в трудах Международных и национальных научно-технических конференций, 2 – в виде статей в научно-технических журналах, входящих в Перечень ВАК, 2 авторских свидетельства.
Использование результатов диссертации и пути дальнейшей реализации.
Результаты диссертации в виде методик и имитационных приложений, практически используются на ряде предприятий. Например, КЦОИ ЦБ РФ (г. Санкт-Петербург), ОАО РЖД (г. Москва), ИПИ РАН (г. Москва) и др. Компанией ООО «Элина-Компьютер» (г. Казань) сейчас проводится ряд работ с использованием результатов работы в различных областях – судостроение, авиация и т.д.
Положения, выносимые на защиту. На защиту выносятся:
-
Структуризация процесса проведения имитационных исследований.
-
Классификация комплексных систем проведения имитационных исследований, концепции их построения и архитектура.
-
Способы и программные средства интеграции имитационных исследований.
-
Метод распознавания статистических законов для обработки выборок большой размерности.
-
Результаты имитационного исследования с использованием разработанного приложения.
Структура и состав диссертации.
Диссертация состоит из введения, 4 глав и приложения, содержит 183 стр. текста, список использованных источников, включающий 69 наименований, в том числе 18 работ автора.
ЭТАПЫ S3 и S4: разработка и корректировка модели; моделирование
Это этап, на котором закладываются и определяются цель и задачи имитационного исследования. Сначала исследователь, обычно совместно с Заказчиком исследования, осуществляет текстовые и графические описания системы, чтобы получить начальную информацию для успешного проведения всех последующих этапов.
В частности, детально описываются алгоритмы функционирования системы, ее взаимодействие с другими системами, определятся перечень входных и выходных потоков данных.
Затем производится описание источников для получения исходных данных. В современных системах чаще всего это автоматизированные системы мониторинга и базы данных. Но всегда присутствуют и данные собранные вручную из экспертных источников и литературы.
В случае будущей передачи модели Заказчику для эксплуатации, детально описывается предметная область для создания в модели более удобном и доступном для специалистов Заказчика интерфейсе по вводу данных и анализу результатов.
Как видно из вышесказанного, все эти описания позволят аналитикам определить структуру и функции системы, ее исходные данные, варьируемые параметры, наиболее важные показатели функционирования системы. Особо выделяются те показатели, которые требуют тщательного анализа и исследования, являются целевыми при дальнейшем определении эффективности системы.
Основным результатом данного этапа, помимо описания сущности и логики системы, перечня и структуры данных, является постановка цели исследования. В самом общем, формализованном виде ее можно отобразить следующим образом.
Выбирается множество показателей функционирования системы - Y, обычно их число (к) бывает небольшим, так как большое число показателей размоет целостность исследования и не даст исследователю возможности сконцентрироваться на главных задачах. У = {Уг,Уг Ук) 0-3) Чаще всего это совокупность таких показателей как, пропускная способность системы, загрузка отдельных ее компонентов, время обработки и т.д. Далее выделяется определенное количество (1) факторов (параметров) системы влияющих на эти показатели X = {х1,х2,...,х1} (1.4) для проведения серий экспериментов. Хотя высокая степень детализации имитационных моделей и позволяет учитывать любое количество этих факторов, обычно ограничиваются ограниченным числом наиболее значимых и весомых. По результатам проведения серий экспериментов при вариации этих факторов можно будет определить функциональные зависимости их влияния на показатели системы. Чаще всего строятся регрессионные уравнения, позволяющие провести оптимизацию влияния факторов на показатели. ГУ± = /l( l 2 ...,Хі) . Уі = J2\xl x2 — xl) /j c\ \Уй = fk(xi x2 — xl) В результате проведенного анализа выделим основные действия (состояния этапа) исследователя на первом этапе: 1. Описание системы (функций, логики, данных) — S11. 2. Определение перечня основных показателей — Sn. 3. Перечисление и анализ всех параметров системы влияющих на эти показатели и выделение основных факторов - Sn. 4. Составление перечня исходных данных и их источников - Su 5. Формирование целевых функций исследования — Sis. Как автоматизирован этот этап при классических имитационных исследованиях? Рассмотрим последовательно каждое из состояний. Описание системы (функций, логики, данных) - это исключительно сложный для формализации и автоматизации процесс. Обычно при классическом подходе автоматизируется лишь сам процесс описания, а не его суть, с использованием текстовых (например, MS World), табличных редакторов (например, MS Excel) и графических редакторов (например, MS Visio). Лишь в некоторых системах (подробно описано в главе 2), эти описания автоматизируются и связываются со следующими этапами. Результативность выполнения функций данного состояния зависит от заказчика исследования, т.е. насколько полную и достоверную информацию о системе он даст.
Определение перечня основных показателей. Данное состояние также носит в большей степени описательный характер и средства автоматизации для него обычно применяются те же, что и при реализации предыдущего состояния.
Перечисление и анализ всех параметров системы влияющих на эти показатели и выделение основных факторов. Выполнение данной задачи и уровень ее автоматизации аналогичен определению перечня основных показателей.
Составление перечня исходных данных и их источников. Описательная часть данного состояния - составление перечня данных и их структуры, использует те же текстовые и графические редакторы. Способы сбора этих данных могут быть разные -ручной сбор (экспертным путем или из литературы); автоматизированный сбор (из автоматизированных систем мониторинга функционирующих в исследуемой системе). Обычно Заказчик определяет список автоматизированных систем и предоставляет описание способов доступа к ним или к форматам выгружаемых ими данных.
Формирование целевых функций исследования. В большинстве классических исследований, при постановке задачи, это ручной описательный процесс с использованием текстовых или графических редакторов. Продолжая детализацию формализованного описания состояний процесса имитационных исследований (рисунок 1.3), этап постановки задачи можно изобразить следующим образом (рисунок 1.4).
Ручной сбор данных - это сбор данных для модели из не автоматизированных источников - литературы, документации, интернета, экспертных оценок и т.д. В процессе ручного сбора данных, весь уровень автоматизации ограничивается использованием текстовых и табличных редакторов, поисковых интернет систем и других разноплановых программных средств. Основным результатом ручного сбора являются файлы с текстовым описанием значений исходных данных в таблицах форматов .doc, .xls, .txt. Данное состояние очень сложно формализовать и автоматизировать в рамках интегрированной программной системы.
Автоматизированный сбор данных. Все возрастающее использование информационных технологий в экономике, приводит к резкому увеличению данных о системах, которые можно собрать автоматически. Это разнообразные системные LOG журналы базы данных автоматизированных систем, а также различные специализированные системы мониторинга данных. Чаще всего эти данные собираются для других целей и задач. Но большое количество данных собираемых в этих системах подходит (а некоторые можно дополнительно настроить) для моделирования, так как принципы сбора данных и принципы исследуемого способа имитационного моделирования базируются на дискретно-событийном подходе. Обычно формализация исследователем системы достигает именно того уровня детализации, которые позволяет собирать имеющаяся система мониторинга. В современных крупных имитационных исследованиях, только в очень малом количестве используются данные собираемые вручную. С точки зрения автоматизации, данное состояние обладает потенциально всеми признаками формализации и полной автоматизации. Но при классическом подходе все равно образуется разрыв — хотя данные автоматически собраны, для каждого симулятора требуется разработка специальных программ преобразования в вид, требуемый для использования в модели. Обычно исследователи не обладают профессиональными навыками написания таких программ и вследствие этого многие автоматизированные источники данных отбрасываются. Это обстоятельство существенно понижает адекватность моделей разрабатываемых классическим способом.
Интегрированные моделирующие среды для профессионалов ИМ
Достаточно сложно и, наверное, невозможно сделать симулятор универсальным для исследования всего спектра систем. Потому что всегда находятся нюансы и особенности, и для каждого конкретного приложения требуются уникальные доработки. Но можно существенно обобщить порядок и форму взаимодействия исследователя с системой. Причем не нужно для этого каждому разработчику «изобретать велосипед» и для решения каждой задачи создавать собственную программу. Как показал обзор, приведенный выше, существует множество уникальных, проверенных временем и практикой разработок для каждого этапа ИМ. Применение уже готовых программных продуктов (или их компонент) позволит существенно снизить стоимость разработки, увеличить доверие исследователя к ней и повысить мощность и эффективность имитационного исследования в целом.
Хотя и сложно технически объединить самостоятельные программные продукты, например, обработки статистики, имитационного моделирования, планирования экспериментов, оптимизации и анимации — в единый и эффективный программный комплекс. Еще сложнее добиться объединения программных продуктов от различных разработчиков и обеспечить разумное сочетание их экономических интересов, авторских прав и стоимости интегрированного продукта. Обычно разработчики обходят эти сложности за счет разработки собственных компонент, порой в ущерб функциональности. Можно привести только единичные примеры, когда разработчик успешно использовал программные продукты сторонних фирм. Например, это использование системы анимации Proof Animaton [35] в системе ARENA [6].
В любом случае, программная система, интегрирующая весь процесс имитационного исследования, может быть реализована различными способами, наделена существенно отличающимися функциями и иметь свой особый пользовательский интерфейс. Это зависит от множества факторов - ресурсов разработки, профессионализма разработчика, требований заказчика и т.д.
Последние годы развития систем имитационного моделирования (и любой системы автоматизации) и практический опыт внедрения их в реальную экономику показывают, что в основе создания новой системы должен стоять конечный пользователь и задачи, которые он собирается решить с использованием системы, уровень его квалификации, познания в имитационном моделировании и т.д.
Поэтому, классифицировать возможные пути дальнейшего развития средств автоматизации имитационных исследований будем в первую очередь по конечному пользователю этих средств. Можно разделить всех пользователей имитационных исследований на три группы (рисунок 2.2).
Пользователи имитационных исследований Каждой из этих групп требуется средство автоматизации имитационных исследований с существенно отличающимися функциями. Так как они решают, в своей профессиональной деятельности абсолютно разные задачи. Профессионалы ИМ. Это специалисты, профессионально владеющие методами имитационного моделирования. Их основная функция — создание моделей и проведение исследований. Они в любом случае занимались и будут заниматься имитационными исследованиями. Суть разработки новых программных средств автоматизации их работы - повысить скорость создания ими моделей и проведения исследований, их адекватность, наглядность в представлении результатов исследований и способы передачи результатов Заказчикам.
Исследователи из различных отраслей экономики. Это аналитики и руководители, в функции которых входит системный анализ и консалтинг, создание и использование моделей для оперативного и стратегического управления предприятиями, проектами, системами и т.д. Они знакомы с методами ИМ, понимают их суть и значимость, и хотели бы их активнее использовать, но требуется создание более простых для них инструментов исследования, ориентированных на их профессиональную деятельность.
Крупные корпорации и предприятия. Это группа пользователей, которая, с одной стороны, особо нуждается в практическом системном анализе (в силу сложности и размерности систем), а с другой стороны не может самостоятельно его провести (дефицит времени, отсутствие требуемых специалистов и специализированных программных средств анализа). Программные средства имитационных исследований для этой группы должны в наибольшей степени быть автоматизированы, нацелены на решение конкретных задач и интеграцию в их корпоративную сеть, и для использования данных систем мониторинга, и для передачи результатов моделирования в другие системы автоматизации предприятия.
Рассмотрим каждое из этих типов САИИ более подробно. 2.2.1. Интегрированные моделирующие среды для профессионалов ИМ
Под интегрированной моделирующей средой для профессионалов ИМ (далее САИИ типа 1) будем понимать программную систему автоматизации имитационных исследований, которая позволяет оснастить профессионалов ИМ более удобными в применении, автоматизированными средствами разработки моделей и проведения исследований.
Современные программные технологии позволяют оснастить профессионалов ИМ более удобными в применении, интегрированными информационно программными средствами проведения исследований.
Конечно, невозможно создать один единый программный продукт профессионала ИМ на все случаи жизни, да этого и не нужно. Во-первых, не смотря на кажущуюся общность задач профессионалов, они все же отличаются друг от друга. И, во-вторых, постоянно совершенствуются информационные технологии, и всегда хочется соответствовать их уровню. Поэтому разрабатываться САИИ типа 1 должно много и самых разнообразных. При этом всегда нужно максимально автоматизировать действия разработчика имитационных моделей и исследователя.
САИИ типа 1 должна состоять из стандартизованного набора программных компонент информационно совместимых друг с другом, методик и технологий их применения. Причем этот набор должен быть открыт для пополнения и расширения. Каждая компонента должна иметь возможность: гибких настроек параметров, обмена данными с другими компонентами, последовательно реализуя при этом один этап имитационного исследования за другим. Безусловно, набор используемых программ и компонент в САИИ типа 1, будет существенно отличаться от программ, используемых в классическом процессе ИМ.
Разработка метода определения функции распределения (плотности) на базе выборок большой размерности
Следующим шагом алгоритма является предпроцессорная обработка выборки, про необходимость которой говорилось выше. Для распознавания важно использовать не исходные данные в чистом виде, а усредненные и сглаженные графики исходных данных, в силу того, что теоретические функции имеют гладкую форму, следовательно, исходная ломаная не подходит для алгоритма распознавания, для чего было решено использовать сплайны. Было рассмотрено 3 вида сплайнов: линейный сплайн; сплайн Эрмита, сплайн Акимы.
Линейный сплайн - это сплайн, составленный из полиномов первой степени, т.е. из отрезков прямых линий. Точность интерполяции линейными сплайнами невысока, также следует отметить, что они не обеспечивают непрерывности даже первых производных. Однако в некоторых случаях кусочно-линейная аппроксимация функции может оказаться предпочтительнее, чем аппроксимация более высокого порядка. Например, линейный сплайн сохраняет монотонность переданного в него набора точек [46].
Сплайн Эрмита - это сплайн третьего порядка, производная которого принимает в узлах сплайна заданные значения. В каждом узле сплайна Эрмита задано не только значение функции, но и значение её первой производной. Сплайн Эрмита имеет непрерывную первую производную, но вторая производная у него разрывна. Точность интерполяции значительно лучше, чем у линейного сплайна [64].
Сплайн Акимы - это особый вид сплайна, устойчивый к выбросам. Недостатком кубических сплайнов является то, что они склонны осциллировать в окрестностях точки, существенно отличающейся от своих соседей. На рисунке 3-5 приведен набор точек, содержащий один выброс. На нем показан сплайн Акимы. На отрезках интерполяции, граничащих с выбросом, сплайн не отклоняется от интерполируемой функции.
Важным свойством сплайна Акимы является его локальность - значения функции на отрезке [Xi,Xj+1] зависят только от /І-2»/І-І /І /І+ІІ/І+2»/І+З- Вторым свойством, которое следует принимать во внимание, является нелинейность интерполяции сплайнами Акимы - результат интерполяции суммы двух функций не равен сумме интерполяционных схем, построенных на основе отдельных функций. Для построения сплайна Акимы требуется не менее 5 точек. Пример построения сплайна Акима приведен на рис. 3-4.
В разработанном методе при сглаживании графиков был использован сплайн Акимы, как более удовлетворяющий, вследствие своего свойства устойчивости к выбросам. [65].
Пример результата полной обработки исходного графика загрузки сервера КЦОИ изображенного на рис. 3.3 показан на рис. 3.5. Такое представление графика облегчает визуальный анализ графика исследователем.
Третьим шагом алгоритма является распознавание полученного графика при помощи программы распознавания образов.
Выберем метод распознавания образов, который используем в нашем алгоритме. Для этого сначала сделаем сравнительный анализ методов.
Нейронные сети Хебба. В теории распознавания образов используется большое количество методов. Минский и Пейперт отмечали, что недостатки простых персептронов можно преодолеть как с помощью многослойных сетей, так и введением в сеть обратных связей, допускающих циркуляцию сигналов по замкнутым контурам. Использовать свойства такого рода сетей для моделирования функций мозга еще в 1949 г. предложил Хебб [66].
Идеи Хебба оказали большое воздействие на представления о работе мозга и послужили основой для создания нейронных моделей долговременной памяти. Ансамблевую нейронную сеть можно рассматривать как структуру, реализующую функции распределенной ассоциативной памяти. Сигнальный метод обучения Хебба заключается в изменении весов по следующему правилу: WtjCO = wijit - 1) + ay -Vy (3.1) { где уУ1 — выходное значение нейрона і слоя (п — 1); у- - выходное значение нейрона слоя (п); w t) и Wij(t — 1) — весовой коэффициент синапса, соединяющего эти нейроны, на итерациях с и t — 1 соответственно; а — коэффициент скорости обучения; п — произвольный слой сети.
Следует отметить, что вид откликов на каждый класс входных образов не известен заранее и будет представлять собой произвольное сочетание состояний нейронов выходного слоя, обусловленное случайным распределением весов на стадии инициализации. Вместе с тем, сеть способна обобщать схожие образы, относя их к одному классу. Тестирование обученной сети позволяет определить топологию классов в выходном слое. Большим минусом данной сети является достаточно долгое обучение, его будет неудобно применять конечному пользователю, заставляя ожидать, пока сработает алгоритм.
Нейронные сети Хопфилда. Среди различных конфигураций искусственных нейронных сетей встречаются такие, при классификации которых по принципу обучения, строго говоря, не подходят ни обучение с учителем, ни обучение без учителя. В таких сетях весовые коэффициенты синапсов рассчитываются только однажды перед началом функционирования сети на основе информации об обрабатываемых данных, и все обучение сети сводится именно к этому расчету. С одной стороны, предъявление априорной информации можно расценивать, как помощь учителя, но с другой - сеть фактически просто запоминает образцы до того, как на ее вход поступают реальные данные, и не может изменять свое поведение, поэтому говорить о звене обратной связи с "миром" (учителем) не приходится. Из сетей с подобной логикой работы наиболее известны сеть Хопфилда и сеть Хэмминга, которые обычно используются для организации ассоциативной памяти.
Задача, решаемая сетью Хопфилда в качестве ассоциативной памяти, как правило, формулируется следующим образом. Известен некоторый набор двоичных сигналов (изображений, звуковых оцифровок, прочих данных, описывающих некие объекты или характеристики процессов), которые считаются образцовыми. Сеть должна уметь из произвольного неидеального сигнала, поданного на ее вход, выделить ("вспомнить" по частичной информации) соответствующий образец (если такой есть) или "дать заключение" о том, что входные данные не соответствуют ни одному из образцов. В общем случае, любой сигнал может быть описан вектором X = {xt: і = 0, п — 1}, п — число нейронов в сети и размерность входных и выходных векторов. Каждый элемент хі равен либо +1, либо —1. Обозначим вектор, описывающий -ый образец, через Хк, а его компоненты, соответственно — xf,k = l,m — l, т - число образцов. Когда сеть распознает какой-либо образец на основе предъявленных ей данных, ее выходы будут содержать именно его, то есть Y = Хк, где Y — вектор выходных значений сети: Y = {уіш. і = 0,n — 1}. В противном случае, выходной вектор не совпадет ни с одним образцовым.
Универсальная моделирующая среда для широкого круга концепции построения и структура УИМ
В данном разделе приведем краткое описание пользовательского интерфейса моделирующей среды. Пример интерфейса будет проиллюстрирован на первых результатах апробации графического редактора УИМ в ОАО Центр технологий судостроения и судоремонта (г. Санкт-Петербург), а именно для создания электронной библиотеки типовых объектов судостроения.
Программное обеспечение редактора и библиотеки обеспечивает следующие функции по созданию и использованию типовых элементарных блоков (ТЭБ) и объединения их в структурные схемы: - задание иерархии (дерева) категорий и конечных объектов (ТЭБ). Уровень вложенности категорий не ограничивается. В каждой категории может быть несколько ТЭБ; - просмотр структуры ТЭБ объектов в составе библиотеки — наименование, параметры, текст модели и т.д.; - корректировка любых параметров ТЭБ пользователем; - задание графического образа ТЭБ — задание ему соответсвующего графического образа (рисунок, фото и др.);
Кроме этого имеется множество вспомогательных (сервисных) функций по работе со структурными схемами - масштабирование, изменение фоновой картинки и т.д.
Следует отметить, что создание структурной схемы модели является лишь одним элементом имитационного исследования в рамках приложения, хотя и очень важным. Поэтому наибольшую практическую ценность данная программа приобретет в комплексе с другими программами реализующими УИМ. Их внедрение запланировано в течение следующего 2011 года.
Главное меню, в данной версии программы, состоит пока из одного пункта -«Файл». При дальнейшей реализации приложения и ввода новых функций появится множество других пунктов - «Моделирование», «Эксперимент», «Результаты моделирования» и т.д. Пункт «Файл» содержит следующие команды (рисунок 2):
Команда «Новый» — очищает рабочее поле для ввода схемы и открывает новый файл для создания структурной схемы; Команда «Открыть» - обеспечивает пользовательский интерфейс по вводу имени файла, ранее сохраненной схемы, и выгружает ее в рабочее поле структурной схемы; Команда - «Сохранить» - предоставляет пользователю возможность сохранения структурной схемы под ранее введенным именем; Команда «Сохранить как» — реализует пользовательский интерфейс сохранения схемы под новым именем; Использование данных кнопок осуществляется выбором пользователем мышью нужной кнопки и нажатием левой кнопки мьппи. После этого программа вьшолнит необходимую функцию.
Дерево типовых объектов судостроения представляет собой список объектов судостроения, из которых строится схема модели. Пример дерева типовых объектов представлен на рисунке 3.
Данный список может быть изменен и дополнен в описываемом редакторе. Он состоит из перечня категорий объектов, в которые могут входить как дочерние категории, так и объекты.
Манипуляция деревом типовых объектов осуществляется при помощи команд контекстного меню. Контекстные меню могут быть трех типов - общее для работы с деревом, для работы с категорией или дочерней категорией типовых объектов и для работы с объектом - типовым элементарным блоком (ТЭБ).
Вызов контекстного меню для работы с деревом осуществляется посредством выбора мышью любого пустого места в области дерева объектов и нажатием на правую кнопку мьпли. На рисунке 4 изображен пример общего контекстного меню при работе с деревом типовых объектов.
Мостовой кран с магнитной траверсой Перегружатели Портальные краны Планировки І Щ-Щ Произволственные участки ! + Стапельные участкиУчасток изготовления блоков - Участок изготовления блок-секций Участок изготовления секций Прочее оборудование Транспортное оборудование категорию ф Создать ОбнСвИП Рис. 4. Контекстное меню дерева типовых объектов Данное контекстное меню содержит следующие команды: - команда «Создать категорию» - создание категории (дочерней категории) типовых объектов в корне дерева; - команда «Обновить» - обновление дерева. Данная команда обновляет содержание дерева. Например, выстраивает ранее введенные категории и объекты по алфавиту. Вызов контекстного меню для работы с категориями типовых объектов осуществляется выбором мышью нужной категории и нажатием правой кнопкой мыши. На рисунке 5 приведен пример вывода контекстного меню для категории объектов.
