Содержание к диссертации
Введение
1. Постановка задачи синтеза специлизированных гибридных экспертных систем 11
1.1. Краткий обзор экспертных систем 11
1.2. Классификация гибридных экспертных систем 15
1.3. Описание методов построения экспертных систем поддержки принятия решений 19
1.4. Характеристика задачи синтеза гибридных экспертных систем поддержки принятия решений '. 30
1.5. Постановка задачи работы 32
1.6. Заключение 33
2. Разработка метода синтеза специализированных Гибридных экспертных систем 35
2.1. Описание области применения гибридных экспертных систем 35
2.2. Формализация знаний в гибридной экспертной системе 38
2.2.1. Характеристика основных моделей представления знаний 39
2.2.2. Построение модели представления знаний для специализированной гибридной экспертной системы 44
2.3. Разработка обобщенного метода синтеза специализированной гибридной экспертной системы 53
2.3.1. Описание типовой архитектуры специализированной гибридной экспертной системы 55
2.3.2. Обзор методов структурного синтеза систем 60
2.3.3. Синтез специализированной гибридной экспертной системы 67
2.3.4. Многокритериальная оптимизация структуры специализированной гибридной экспертной системы 73
2.4. Разработка комбинированного метода анализа и устранения неопределенности в исходных данных... 76
2.5. Выбор инструментальных программных средств построения гибридных экспертных систем поддержки принятия решений 80
2.6. Заключение ." 84
3. Синтез гибридных экспертных систем поддержки принятия решений в экологии и медицине 86
3.1. Разработка гибридной экспертной системы поддержки принятия решений в области использования природных цеолитов 86
3.1.1. Постановка задачи и анализ исходных данных 86
3.1.2. Построение гибридной экспертной системы «Цеолит» 89
3.1.2.1 Представление знаний в виде объектно-семантической сети с механизмом логического вывода 90
3.1.2.2. Построение архитектуры гибридной экспертной системы «Цеолит» 98
3.1.3. Описание программного комплекса «Цеолит» 101
3.1.4. Анализ результатов 102
3.2. Построение гибридной экспертной системы поддержки принятия решений в области медицинской диагностики 103
3.2.1. Постановка задачи и анализ исходных данных 104
3.2.2. Построение интеллектуальной системы медицинской диагностики легочных заболеваний 105
3.2.3. Описание программного комплекса «Диагностик» 109
3.2.4. Анализ результатов ПО
3.3. Заключение 110
4. Разработка гибридной системы поддержки принятия решений при анализе и планировании платежного баланса железной дороги 111
4.1. Постановка задачи и анализ исходных данных 111
4.2. Построение интеллектуальной системы для анализа и планирования доходной и расходной частей платежного баланса ... 115
4.3. Описание программного комплекса «платежный баланс» 119
4.4. Заключение; 121
Заключение 122
Список использованной литературы
- Описание методов построения экспертных систем поддержки принятия решений
- Многокритериальная оптимизация структуры специализированной гибридной экспертной системы
- Представление знаний в виде объектно-семантической сети с механизмом логического вывода
- Построение интеллектуальной системы для анализа и планирования доходной и расходной частей платежного баланса
Введение к работе
Увеличивающаяся сложность современных систем управления в промышленности, экономике, социальной сфере, их взаимная интеграция, а также жесткая конкуренция вызывает необходимость рассмотрения новых классов задач, возникающих при их взаимной интеграции. Каждая из указанных областей имеет свою специфику, проблемы, и сложившие в результате многолетней практики способы и методы решения.
Технический прогресс в этих областях характеризуется внедрением компьютерных технологий и комплексной автоматизации производственных, экономических и других процессов. При этом возникают задачи создания эффективных в определенном смысле систем управления разнородными организационно-техническими, социально-экономическими процессами.
Особую важность представляют задачи, связанные с выработкой и принятием управленческих, производственных, маркетинговых и др. решений, лицом, принимающим решения (ЛПР), от качества которых зависит эффективность функционирования систем управления в этих сферах человеческой жизнедеятельности.
Нередко принятие управленческих решений в этих областях связано с совокупностью задач, которые относятся как к хорошо, так и к плохо формализуемым. Для первых обычно используются регулярные, формализованные методы, неприменимые для плохо и слабо формализуемых задач. Одним из наиболее перспективных способов решения задач второго класса (поддержки принятия решений) являются методы искусственного интеллекта, которые позволяют уменьшить последствия таких отрицательных явлений, связанных с «человеческим фактором», как снижение надежности, качества управления в реальном времени, точности из-за плохого прогноза, а также медленное освоение новых управляющих функций и т.д.
Поэтому для решения задач, характеризующихся одновременно элементами двух вышеуказанных классов, возникает потребность создания ком- плексных, или гибридных систем автоматизации, а также поддержки принятия решений, которые позволяли бы решать задачи, возникающие на стыке некоторых областей знаний и требующих использования как различных функциональных, так и научных подходов.
Таким образом,создание комплексных систем требует комбинирования или гибридизации различных методов, а именно гибридных экспертных систем автоматизации или поддержки принятия решений.
Гибридные экспертные системы (ГЭС) получают все более широкое распространение в различных областях материального производства и непроизводственной сферы. Основные причины этого заключаются в следующем: во-первых, ГЭС используются для решения относительно более широкого круга неформализованных или плохо формализованных задач, а также рассчитаны на приложения, которые считались малодоступными для вычислительной техники. Во-вторых, ГЭС при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности экспертов. В-третьих, с помощью ГЭС специалисты, не знакомые с программированием, могут самостоятельно разрабатывать интересующие их приложения, что резко расширяет сферу применения вычислительной техники. В-четвертых, комбинирование методов искусственного интеллекта с регулярными позволяет расширить круг решаемых задач. К ним, в частности, относятся анализ и классификация данных, принятие решений в условиях неопределенности: при пропуске данных, сильной зашумленности и т.д.
Вопросам создания интеллектуальных систем поддержки принятия . решения посвящены работы Д. Ф. Люггера, Ж. Л. Лорьера, В. П. Мешалкина, Н. Нильсона, С. Осуга, Э. В. Попова, Г. С. Поспелова, Дж. Слейгла, П. Уинстона и др. В них изложены основные методы синтеза экспертных систем, а также выделено новое направление развития в виде гибридных экспертных систем. Частные случаи применения гибридных экспертных систем для решения ряда прикладных задач в химической промыш- ленности, сфере образования и экономике рассматриваются в трудах Л.С. Берштейна, А. В. Гаврилова, В. П. Мешалкина, Л. Л. Михайлова.
Однако до сих пор не сформулированы общие принципы и подходы разработки структуры гибридных экспертных систем в связи с тем, что для выбранной предметной области не имеется строго формализованного решения. Обычно подобные задачи сводятся к параметрическому синтезу с некоторым возможным набором структурных изменений. Этап синтеза структурных проектных решений может быть формализован методами искусственного интеллекта (ИИ). Для этого используются методы генерации решений экспертами с последующей обработкой проектных решений и далее выбором лучшего согласно заданному критерию. Последним этапом решения задачи является параметрическая оптимизация при «закрепленном» структурном решении.
В процессе создания ГЭС наиболее сложной является работа со знаниями на этапах сбора, формализации, представления и использования. Показатели эффективности функционирования гибридной экспертной системы могут быть улучшены при обоснованном выборе модели представления знаний для наиболее полного описания предметной области.
Существует множество моделей представления знаний. К наиболее распространенным относятся логические, фреймовые и продукционные модели, а также семантические сети. Каждая из них имеет как преимущества, так и недостатки. Поэтому при создании ГЭС необходимо выбрать такую модель представления знаний, которая с требуемой точностью описывает предметную область.
От правильности организации структуры ГЭС зависит не только скорость и качество полученных решений как результата работы экспертной системы, но и возможность ее функционирования в целом.
Сложность решения указанных задач обусловливает необходимость проведения научных исследований методов синтеза гибридных экспертных систем поддержки принятия решений в условиях неопределенности.
Цель работы. Повышение эффективности решения задач производственной и непроизводственной сферы жизнедеятельности на основе разработки методов синтеза гибридных экспертных систем поддержки при принятии решений в условиях неопределенности и их апробации при практическом использовании.
Направление исследований связано с использованием принципов совместного применения как регулярных и интеллектуальных методов, так и эвристических способов, предложенных в работах А.А. Большакова, для синтеза ГЭС поддержки принятия решений в условиях неопределенности.
Методика работы. В диссертационной работе применяются методы искусственного интеллекта, математического моделирования, теория графов, статистический анализ, объектно-ориентированное программирование.
Достоверность ,и обоснованность диссертационного исследования определяется корректным применением методов исследований и подтверждается результатами моделирования, успешным внедрением разработанных алгоритмов и программных средств в различных организациях и предприятиях.
На защиту выносятся:
Гибридная модель представления знаний для наиболее точного описания предметной области в ГЭС.
Комбинированный метод синтеза структуры гибридных экспертных систем поддержки принятия решений и алгоритм его реализации.
Разработанная гибридная экспертная система «Цеолит», осуществляющая поддержку принятия решений по использованию природных цеолитов.
Созданная гибридная экспертная система «Диагностик», позволяющая проводить диагностику и выявление туберкулезных заболеваний.
Разработанная гибридная система «Платежный баланс» поддержки принятия решений для анализа и планирования финансовых потоков на железнодорожном транспорте.
Инструментальная программная среда создания многоинтерфейсных систем, позволяющая реализовывать многофункциональные пользова- тельские интерфейсы для гибридных экспертных систем, функционирующих в условиях часто изменяющихся и нечетких спецификаций с использованием Интернет и Интранет-ресурсов.
Научная новизна. Создана гибридная модель представления знаний для описания предметной области, основанная на применении трех функциональных подходов: правил продукций, семантических сетей, элементов теории объектно-ориентированного подхода, что позволило устранить основные недостатки используемых моделей представления знаний при их обособленном применении в организации баз знаний.
Установлена экспериментальная зависимость скорости принятия решения в базе знаний, построенной на основе комбинированной модели, от мощности множества методов знаний, которая позволяет формировать оценочную характеристику скорости принятия решения в специализированных гибридных экспертных системах поддержки принятия решений.
Синтез гибридных экспертных систем представлен как многокритериальная оптимизационная задача и предложен обобщенный комбинированный метод построения структуры ГЭС поддержки принятий решений на основе принципа декомпозиции в сочетании с методами искусственного интеллекта, а также алгоритм его реализации, отличающийся от общепринятых подходов к структурному синтезу, систем. Наличие в комбинированном методе интеллектуальной компоненты позволяет осуществлять структурный синтез ГЭС на начальном этапе проектирования.
Предложена эвристическая процедура, построенная на основе генетического алгоритма, для решения задачи оптимизации структуры ГЭС с учетом достижения необходимой точности решения в условиях ограничений на время принятия решений. Исследована ее эффективность и определены оптимальные значения параметров.
Сформулированы принципы построения инструментальных программных средств при создании современных пользовательских интерфейсов специализированных гибридных экспертных систем, отличающихся использованием Интернет и Интранет-ресурсов, что позволяет оперативно осуществлять их адаптивную настройку в условиях часто изменяющихся, нечетких спецификаций.
Практическая значимость. Предложенный метод представления знаний позволяет наиболее точно описать предметную область и существенно улучшить характеристики специализированных гибридных систем поддержки принятия решений по таким показателям, как скорость и достоверность вырабатываемых рекомендаций.
Показана применимость разработанных функциональных подходов при синтезе и реализации гибридных экспертных систем поддержки принятия решений в различных областях: для диагностики медицинских заболеваний; идентификации природных цеолитов и сфер их применения; анализа и планирования финансовых потоков в условиях неопределенности.
На основе предложенных моделей и методов разработана гибридная экспертная система «Цеолит», позволяющая осуществлять поддержку принятия решений в области определения природных цеолитов по набору физико-химических свойств минерала.
Созданные функциональные подходы применены при проектировании и реализации гибридной системы поддержки принятия решений в области медицинской диагностики, для выявления значимых факторов легочных заболеваний.
Разработана и внедрена гибридная система поддержки принятия решений в области планирования и анализа финансовых потоков, формирования платежного баланса более чем на 30 предприятиях железной дороги.
Результаты работы также используются в учебном процессе в Астраханском, Саратовском и Тамбовском государственных технических университетах, в Московском государственном университете инженерной экологии.
Реализация и внедрение результатов работы. Результаты диссертационной работы использованы при создании ряда гибридных экспертных систем и систем поддержки принятия решений, внедренных в промышленности, медицине, экологии: «Цеолит» (выбор цеолитов для использования в промышленности, медицине и экологии); «Диагностик» (диагностика легочных заболеваний); «Платежный баланс» (поддержка принятия решений анализа и планирования финансовых потоков).
Апробация работы. Результаты работы докладывались на международных научных конференциях: Математические методы в технике и технологиях (ММТТ) - ММТТ-15 (Тамбов, 2002), ММТТ-16 (Ростов-на-Дону, 2003), ММТТ-17 (Кострома, 2004), ММТТ-18 (Казань, 2005), Современные информационные технологии в медицине и экологии ИТМЭ-2003 (Смоленск, 2003), Новые информационные технологии в медицине и экологии (Украина, Крым, Гурзуф. 2000), на научных семинарах кафедры «Системы искусственного интеллекта» СГТУ 2001-2005 гг.
Публикации. Основные положения диссертации отражены в 14 публикациях, в том числе 4 свидетельствах Роспатента на программы для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка использованной литературы и приложения. Основная часть диссертации изложена на 136 страницах, содержит 33 рисунка, 8 таблиц. В приложении приведены копии авторских свидетельств и акты внедрения разработанных программных систем.
Описание методов построения экспертных систем поддержки принятия решений
На этом этапе определяются существенные особенности задачи (ее тип и ширина постановки), участники процесса разработки, требуемые ресурсы, а также цели и задачи создания экспертной системы. Здесь составляется описание задачи, осуществляется ее разбиение на подзадачи, определяются входные данные [5]. В разработке ЭС обычно участвуют не менее трех-четырех человек - один эксперт, один или два инженера по знаниям и один программист, привлекаемый для модификации и согласования инструментальных средств. Также к процессу разработки ЭС могут, по мере необходимости, привлекаться и другие участники.
Эксперт - это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста, умеющего находить правильные решения проблем, возникающих при исследовании задачи в некоторой предметной области. Инженер по знаниям - человек, как правило, имеющий познания в информатике и искусственном интеллекте и знающий, как надо создавать экспертную систему. Инженер по знаниям опрашивает экспертов, организует знания, решает, каким образом они должны быть представлены в системе.
Для сложных систем целесообразно привлекать к основному циклу разработки несколько экспертов. Однако в этом случае требуется, чтобы один из экспертов отвечал за непротиворечивость знаний коллектива экспертов, или организовывать человеко-машинную процедуру их согласования. Идентификация задачи заключается в составлении неформального (вербального) описания, в котором указываются общие характеристики; подзадачи, выделяемые внутри данной задачи; ключевые понятия (объекты), их входные (выходные) данные; предположительный вид решения, а также знания, относящиеся к решаемой задаче.
Начальное неформальное описание задачи экспертом используется инженером по знаниям для уточнения терминов и ключевых понятий. Эксперт корректирует описание задачи, объясняет, как решать ее и какие рассуждения лежат в основе того или иного решения. После нескольких циклов, уточняющих описание, эксперт и инженер по знаниям получают окончательное неформальное описание задачи.
При проектировании ЭС типичными ресурсами являются источники знаний, время разработки, вычислительные средства и объем финансирования. Для эксперта источниками знаний служат его предшествующий опыт по решению задач, книги, известные примеры решения задач, а для инженера по знаниям - опыт в решении аналогичных задач, методы представления знаний и манипулирования ими, программные инструментальные средства. При определении времени разработки обычно имеется в виду, что сроки раз работки и внедрения ЭС составляют, как правило, не менее года (при трудоемкости 5 чел.-лет). Определение объема финансирования оказывает существенное влияние на процесс разработки, так как, например, при недостаточном финансировании предпочтение может быть отдано не разработке оригинальной новой системы, а адаптации существующей. При идентификации целей важно отличать цели, ради которых создается ЭС, от задач, которые она должна решать. Примерами возможных целей являются: формализация знаний экспертов; улучшение качества решений, принимаемых экспертом; автоматизация рутинных аспектов работы эксперта (пользователя); тиражирование знаний эксперта.
На данном этапе проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этот этап завершается созданием модели предметной области (ПО), включающей основные концепты и отношения. На этапе концептуализации определяются следующие особенности задачи: - типы доступных данных; - исходные и выводимые данные; - подзадачи общей задачи; - используемые стратегии и гипотезы; - виды взаимосвязей между объектами ПО, типы используемых отношений (иерархия, причина - следствие, часть - целое и т.п.);
- процессы, используемые в ходе решения; состав знаний, используемых при решении задачи; типы ограничений, накладываемых на процессы, используемые в процессе решения; состав знаний, используемых для обоснования решений.
Существует два подхода к процессу построения модели предметной области, которая является целью разработчиков ЭС на этапе концептуализации:
— признаковый или атрибутивный подход предполагает наличие по лученной от экспертов информации в виде троек объект - атрибут - значение атрибута, а также наличие обучающей информации. Этот подход развивает ся в рамках направления, получившего название формирование знаний или «машинное обучение» (machine learning);
- второй подход, называемый структурным (или когнитивным), осу ществляется на основе выделения элементов предметной области, их взаи мосвязей и семантических отношений;
Многокритериальная оптимизация структуры специализированной гибридной экспертной системы
На практике сложно, а порой и невозможно, выявить и задать в явном (регулярном) виде функциональную зависимость выходных параметров от входных величин. Это обстоятельство значительно затрудняет применение на стадии проектирования классических методов оптимизации, поскольку большинство из них основываются на использовании априорной информации о характере поведения целевой функции, а задача определения принадлежности функции тому или другому классу сопоставима по сложности с исходной. В связи с этим возникает задача построения таких методов оптимизации, которые были бы способны отыскивать решения практически при полном отсутствии предположений о характере исследуемой функции. Одними из таких методов являются так называемые эволюционные методы поиска и, в частности, генетические алгоритмы (ГА), моделирующие процессы природной эволюции.
Структурную оптимизацию ГЭС представим как задачу построения архитектуры системы с минимальным количеством функциональных блоков, обеспечивающих требуемую функциональность при технической реализации в условиях ограничений на время получения приемлемого по точности решения.
Таким образом, для заданной модели поведения системы Н и времени получения решения 7, требуется определить минимальное число функциональных блоков Лідля реализации решения поставленной задачи и провести оценку общего времени решения на основе подпрограмм HgsP - {SgsP{\, і = [І..Щ, реализующихся в виде структурных блоков системы HgsA. При этом время получения решения не должно превышать заданное Т и.
Архитектура HgsA представляет собой полносвязный граф, вершинами которого являются функциональные блоки, а дуги - связи между ними. Время выполнения Т программы HgsP на архитектуре HgsA зависит от мощности пересечения множеств графовых структур HgsP со структурами HgsA.
Для решения поставленной задачи автором предложена эвристическая процедура на основе генетического алгоритма Холланда - Simple Genetic Algorithm (SGA) [97]. Идею этого метода можно описать следующим образом: [задание начальной популяции; вычисление критерия выживаемости пока не достигнут критерий останова; [селекция; скрещивание; мутация; вычисление критерия выживаемости] ] Кодирование данных для ГА проводится следующим образом: к битовая строка = (Y поле подпрограммы 1), (=1 поле подпрограммы = { номер подпрограммы U приоритеты интервалов ), h приоритеты интервалов ={ { приоритет интервала ) i где U - операция конкатенации (склейки) битовых строк, К - число подпрограмм в программе, /- число рабочих интервалов в /-ой подпрограмме, к N = Ii - число вершин в графе Н.
Поле «приоритеты интервалов» используется для оценки времени выполнения прикладной, программы. Выбранный способ кодирования позволяет исключить появление недопустимых конфигураций в результате выполнения операций скрещивания и мутации [96].
Целевая функция позволяет оценивать решение комплексно по набору критериев. В качестве таких критериев используются число функциональных блоков и время выполнения прикладной программы, которое не должно превышать заданное допустимое значение 1. Пусть к, - оценка решения по времени выполнения программы, кт - оценка по числу функциональных блоков. Целевую функцию зададим соотношением: F(„„,) = C1, + C2M, где О и С1 - весовые коэффициенты, О + С1 = 1 Аргументы kt и кт принадлежат интервалу (0, 1] и вычисляются следующим образом: кт — I -М/К, ҐГ/г , при -Т Т где К- максимально возможное число подпрограмм, М [1, при -Т Т _ число подпрограмм, использованных в решении.
Для поставленной задачи всегда выполняется условие: М где ] [ - округление до ближайшего большего целого и // - число рабочих интервалов в і-ой подпрограмме. При нахождении значения М, удовлетворяющего заданному условию, оно будет оптимальным.
Если алгоритм при соблюдении ограничений на директивные сроки находит число функциональных блоков (подпрограмм), которое удовлетворяет строгому равенству для М, то происходит его останов. В противном случае алгоритм останавливается, если за заданное число итераций, максимальное значение Целевой фуНКЦИИ НЄ быЛО улучшено - ЦР4 6 „ж - FeK max\\ aO.
Для селекции в данном алгоритме используются комбинация схемы пропорциональной селекции и схемы рулетки [96,97]. Для вычисления целого числа потомков используется схема пропорциональной селекции, а для распределения остатка - схема рулетки.
При скрещивании и мутации используется операция скрещивания SGA: одноточечное скрещивание со случайным выбором битовых строк для скрещивания и точки скрещивания [97].
Представление знаний в виде объектно-семантической сети с механизмом логического вывода
Описание предметной области является важнейшим аспектом построения экспертной.системы. Предметная область, охватываемая ЭС «Цеолит», характеризуется следующими понятиями [100]: состав и структура минералов, физико-химические свойства сырья, тип сырья, генетический тип месторождений, адсорбционные свойства, состав обменных катионов, области применения.
По областям применения различают промышленность, сельское хозяйство, бытовое применение, экологическая сфера, медицина.
Так в области охраны окружающей среды цеолиты используются для обезвреживания отходящих газов от оксидов азота и углекислого газа, паров аммония, ртути, серной кислоты; для очистки городских, промышленных и сельскохозяйственных сточных вод от NH4, ионов меди, свинца, цинка, кадмия, смазочных масел, нефтепродуктов, капролактама, трихло-рэтилена и других вредных примесей, для очистки природных сред от радионуклидов, дезактивации почв и природных вод, извлечения цезия и стронция из отходов атомных реакторов.
В медицине цеолиты могут применяться для изготовления лекарственных препаратов, например таких, как биокорректоры и биостимуляторы иммунной системы человека. Подобные препараты, использующие катионообменные и каталитические свойства цеолитов, опробованы на животных и дали хорошие результаты. На практике применяются лекарственные препараты, содержащие кальциевые цеолиты для подпитки животных кальцием, а также для выведения из организма токсичных металлов.
Структура предметной области ГЭС «Цеолит» представлена на рис. 3.1. В соответствии с ней выполнена организация базы знаний и данных.
Для представления знаний и организации БЗ гибридной экспертной системы воспользуемся СОП-моделью представления знаний (см, подраздел 2.2).
Важным этапом в процессе построения знаний в виде СОП-модели являются разделение и классификация разнородных знаний, а также выделение ключевых понятий и отношений между ними.
Как правило, отношения между понятиями определяются процедурным способом. Анализ информации о процессе выбора цеолитов показал, что большинство рекомендаций носят продукционный характер, то есть могут быть описаны в форме «ЕСЛИ» - «ТО». Например, «ЕСЛИ» «в сточных водах присутствует большое количество аммиака», «ТО» «реакция является катионооб-менной». Или: «ЕСЛИ» «порода является высококремнистой (S1O2 / А12Оз 7), «ТО» «ряд селективности будет следующим: Cs Rb Ж NH4 Pb Ва Na Sr Са Li Cd Си Zn». Далее, отношения между составляющими понятий, т.е. определяющие их структуру, описываются декларативным способом.
Выделим основные ключевые понятия рассматриваемой предметной области и приведем некоторые, основные: - месторождение - скопление минерального вещества на поверхности или в недрах Земли, по количеству, качеству и условиям залегания пригодное для промышленного использования; - цеолитсодержащий туф — как правило, туф вулканического происхождения с содержание цеолита до 60 - 95 %; - цеолит - природный (синтетически созданный) минерал, обладающий рядом специфических физико-химических свойств, присущих определенной группе минералов вулканическо-осадочного происхождения, каркасных алюмосиликатов, щелочных и щелочноземельных металлов и т.д.
Известно более 40 структурных видов природных цеолитов, наиболее распространенными из которых являются клиноптилолит, гейландит, фил-липсит, ломонит, морденит, эрионит, шабазит, феррьерит, анальцим.
Основные показатели, по которым отбираются природные цеолиты для использования являются: - наличие в породе природных цеолитов или их сорбентов и других производных форм данного минерала; - массовая доля цеолита в породе - удельный вес цеолита на единицу объема вещества; - размер фракции (гранул) цеолита в породе; - механическая прочность цеолитовой породы (истираемость, измель-чаемость); - процентное содержание воды.
На основании выделенных ключевых понятий, установленных взаимоотношений между ними, а также выделенных декларативных и процедурных знаний построим СОП-модель представления знаний о цеолитах восточного Забайкалья, структурная схема которой приведена на рис. 3.2.
Опишем основные этапы поиска наилучшего природного цеолита, применяемого для решения той или иной задачи ПО в зависимости от физико-химических свойств среды, на основе которых в дальнейшем построим стратегию решения поставленной задачи. Часть алгоритмов приведена в виде структурных схем, представленных на рис. 3.3 - 3.6.
Построение интеллектуальной системы для анализа и планирования доходной и расходной частей платежного баланса
При анализе поставленной задачи, а также при последующем проведении более глубокого предпроектного обследования удалось построить структурную схему формируемых информационных потоков (см. рис. 4.1) и выявить технические возможности ведомственных сетей и каналов связи.
При этом установлено, что не все структурные подразделения оснащены надежными и быстродействующими каналами связи. Поэтому было принято решение о построении распределенной многофункциональной системы и предложена следующая технология работы программного комплекса:
- консолидированные данные по движению денежных средств в виде Excel файлов с обособленных или линейных предприятий по ведомственным каналам связи передаются на выделенный FTP-pecypc;
- с выделенного FTP-pecypca полученные данные импортируются внутренними средствами системы в системную базу данных с предваритель ным анализом и обработкой;
- после импорта представленных данных оператор системы, при необходимости, доступной для пользователя функциональной частью программного комплекса выполняет операции визуального контроля и корректировки данных. С помощью подсистемы анализа и формирования сводных отчетов пользователь может получать консолидированные отчеты данных по формированию плана и факта исполнения платежного баланса железной дороги;
- сформированные сводные отчеты внутренними средствами системы по выделенным каналам связи транслируются на вышестоящий структурный уровень организации.
Описанная технология работы системы позволила сформировать состав структурных и функциональных блоков и выделить основные подсистемы: - предварительной обработки данных; - вторичной обработки и хранения данных; - анализа, обработки и подготовки данных для формирования отчетов; - интеллектуального интерфейса и поддержки принятия решений; - трансляции сводных отчетов.
Следующим этапом при разработке системы является проектирование структуры БД, описание функциональной и интерфейсной частей программных модулей и их программная реализация.
Построенная информационная модель данных показана на рис. 4.3 На ее основе выполнена организация базы данных.
При разработке функциональных модулей системы использовались следующие методы:
— блок предварительного анализа и обработки данных - методы математической статистики обработки данных числовой и нечисловой природы, процедуры восстановления пропусков [87-90], интеллектуальные способы для выбора методов обработки данных по эвристическим правилам. Блок реализован на языке программирования высокого уровня Borland Delphi 5 с использованием библиотек статистической обработки данных, разработанных на языке программирования Borland Pascal [87-90];
- подсистема интеллектуального интерфейса и поддержки принятия решений - построена с применением методов искусственного интеллекта, а именно использовалась база знаний, состоящая из правил продукций, реализованная на языке логического программирования Visual Prolog 5.0. Для организации пользовательского интерфейса применялась разработанная автором программа, позволяющая реализовывать интерфейсы к системам с нечеткими или часто изменяющимися спецификациями («Конструктор документов оперативного учета»);
- при разработке системы вторичной обработки данных, для формирования сводных отчетов и их публикаций использовались методы математической обработки данных и объектно-ориентированного программирования.
