Содержание к диссертации
Введение
ГЛАВА 1. Модели и методы рассуждения на основе аналогий 14
1.1. Аналогия и рассуждения на основе аналогий 14
1.2. Типы аналогий 16
1.3. Методы рассуждения на основе аналогий 20
1.3.1. Символьные модели рассуждения на основе аналогий 20
1.3.2. Коннекционистские модели рассуждения на основе аналогий 32
1.3.3. Гибридные модели рассуждения на основе аналогий 34
1.4. Методы рассуждения на основе прецедентов 36
1.5. Методы рассуждения на основе аналогий и на основе прецедентов для ИСППРРВ 39
1.5.1. Семиотическая ИСППР РВ 39
1.5.2. Требования к разработке моделей и методов рассуждения на основе аналогий для ИСППР РВ 41
1.6. Выводы по главе 1 45
ГЛАВА 2. Структурная аналогия 46
2.1. Представление знаний для рассуждения на основе аналогий 46
2.1.1. Представление знаний в виде СС 48
2.1.2. Структура СС 49
2.2. Метод рассуждения на основе структурной аналогии свойств с учетом контекста 56
2.2.1. Структура аналогии с учетом контекста 56
2.2.2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста 59
2.3. Метод рассуждения на основе структурной аналогии отношений 66
2.3.1. Теория структурного отображения SMT 66
2.3.2. Механизм структурного отображения SME 67
2.4. Выводы по главе 2 72
ГЛАВА 3. Методы поиска решения на основе структурной аналогии и на основе прецедентов для ИСППР РВ 73
3.1. Методы поиска решения на основе структурной аналогии 73
3.1.1. Модифицированная структура аналогии с учетом контекста 73
3.1.2. Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения 75
3.1.3. Алгоритм поиска решения на основе структурной аналогии с учетом контекста, использующий минимальные пересечения 78
3.1.4. Обобщенный алгоритм поиска решения на основе структурной аналогии 86
3.1.5. Методы оценки полученных аналогий 88
3.2. Метод поиска решения на основе прецедентов 93
3.2.1. Специфика рассуждения на основе прецедентов для ИСППР РВ 93
3.2.2. Структура БП, ориентированная на применение в рамках ИСППР РВ .95
3.2.3. Алгоритм поиска решения на основе прецедентов для ИСППР РВ 99
3.3. Экспериментальное исследование алгоритмов 103
3.4. Выводы по главе 3 108
ГЛАВА 4. Реализация и применение системы поиска решения на основе аналогий и на основе прецедентов для ИСППР РВ 110
4.1. Архитектура и функциональные возможности системы поиска решения на основе аналогий и прецедентов 110
4.2. Программная реализация системы поиска решения на основе аналогий и прецедентов 116
4.3. Описание системы КО в контуре ВВЭР АЭС 118
4.4. Пример применения системы поиска решения на основе аналогий и прецедентов в рамках ИСППР РВ для поддержки оперативно-диспетчерского персонала энергоблока 123
4.4.1. Схема функционирования ИСППР РВ 123
4.4.2. Разработка структуры БП для системы КО в контуре ВВЭР АЭС 128
4.4.3. Пополнение БП для системы КО в контуре ВВЭР АЭС новыми прецедентами 131
4.4.4. Тестирование БП для системы КО в контуре ВВЭР АЭС 135
4.5. Выводы по главе 4 143
Заключение 144
Список использованной литературы
- Методы рассуждения на основе аналогий
- Метод рассуждения на основе структурной аналогии свойств с учетом контекста
- Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения
- Программная реализация системы поиска решения на основе аналогий и прецедентов
Введение к работе
В работе исследованы и разработаны методы, модели и программные средства поиска решения на основе аналогий в интеллектуальных системах (ИС) типа интеллектуальных систем поддержки принятия решений (ИСППР).
Полученные результаты были использованы для разработки архитектуры и выполнения программной реализации системы поиска решения на основе аналогий и на основе прецедентов, ориентированной на применение в рамках современных ИС типа ИСППР реального времени (ИСППР РВ) [1-6].
Разработанная система поиска решения на основе аналогий и прецедентов была использована в составе прототипа ИСППР РВ для мониторинга и управления сложными объектами типа энергоблоков и другими процессами различной природы [7, 8].
Актуальность темы исследования.
Изучение механизмов, участвующих в процессе построения умозаключений на основе аналогий, является важной задачей, как для психологов, так и для специалистов в области искусственного интеллекта (ИИ) [9—13]. Аналогия может использоваться в различных приложениях ИИ и для решения разнообразных задач, например, для генерации гипотез о незнакомой предметной области, для обобщения некоторого опыта в виде абстрактной схемы или понимания естественного языка (ЕЯ). Моделирование рассуждений на основе аналогий позволяет обеспечить разработку более гибких моделей рассуждений и систем обучения.
Вопросы о природе аналогии, ее формальном определении, правомерности использования вывода на основе аналогий возникли довольно давно и были весьма актуальны еще во времена эпикурейцев и стоиков [14]. Начиная с первой попытки формализовать понятие аналогии, предпринятой Лейбницем в своем сочинении "Фрагменты логики", и до настоящего момента не удалось дать исчерпывающего формального определения этому понятию. На данный момент уже существует достаточно большое количество различных моделей, схем и методов рассуждения на основе аналогий, отражающих в той или иной степени механизмы вывода на основе аналогий [9, 10, 12-60]. Широко известны подходы, использующие механизмы вывода на основе аналогий, в области доказательства теорем и в задачах программирования роботов [21, 22, 24], в области понимания ЕЯ [27-29, 42], в системах машинного обучения [33, 34] и других областях [15, 18, 25, 26].
Большой интерес к моделям и методам рассуждения на основе аналогий обусловлен тем, что на сегодняшний день весьма актуальна проблема моделирования человеческих рассуждений (рассуждений так называемого "здравого смысла") для ИС и, в частности, для ИСГШР и ИСППР РВ [61-67].
ИСГТПР РВ предназначены для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в реальном масштабе времени при наличии в имеющейся информации (данных и знаниях) различного рода неопределенностей (неполноты, неточности, противоречивости и т.п.), называемых для краткости "НЕ-факторами" [1-3, 7, 8, 67]. Под сложным объектом понимается объект типа энергоблока, имеющий сложную архитектуру с тысячами взаимосвязей, отследить которые в полном объеме достаточно трудно, с большим количеством контролируемых и управляемых параметров, которые изменяются в процессе функционирования объекта, и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы (например, энергоблок включает в себя такие подсистемы как реактор, первый контур, компенсатор объема и др.) и могут функционировать в различных режимах (в штатном, нештатном и аварийном, когда включаются системы автоматической защиты).
ИСГТПР РВ принадлежат к классу интегрированных ИС, сочетающих строгие математические методы и модели поиска решения с нестрогими, эвристическими моделями и методами, базирующимися на экспертных знаниях, моделях человеческих рассуждений и накопленном системой опыте [63, 64, 67].
ИСППР РВ характеризуются, как правило, жестким ограничением на время поиска решения. Нужно отметить, что при использовании методов и моделей рассуждения на основе аналогий в ИСППР РВ необходимо учитывать ряд важных требований, которые предъявляются к таким системам и которые подробно обсуждаются в первой главе диссертации.
Применение моделей и методов поиска решения на основе аналогий в ИСППР позволяет ЛПР в реальном масштабе времени при наличии разного рода НЕ-факторов как в исходной информации, получаемой от объекта управления и среды, так и в экспертных знаниях принимать более адекватные управляющие воздействия на объект управления в различных нештатных (аномальных) ситуациях.
Актуальность исследования обуславливается практической значимостью ИСППР РВ, способных оперировать механизмами поиска решения на основе аналогий и прецедентов.
В настоящее время большинство отечественных и зарубежных средств, использующих рассуждения на основе аналогий, ориентировано на использование в системах понимания ЕЯ [27, 42], машинного обучения [33] и для выдвижения гипотез о предметной области (например, ДСМ-метод автоматического порождения гипотез, активно разрабатываемый научной группой В.К. Финна) [15, 68-71]. В тоже время отсутствуют развитые средства поиска решения на основе аналогий для ИСППР (ИСППР РВ). Кроме того, весьма ощутим недостаток отечественных программных средств, сопоставимых с зарубежными системами.
Отметим, что наряду с методами рассуждения на основе аналогий, активно разрабатываются и применяются методы рассуждения на основе прецедентов (опыта) [72-75]. Как и рассуждения на основе аналогий, рассуждения на основе прецедентов базируются на понятии аналогии, однако методы их реализации имеют отличия.
Выполненные исследования опираются на результаты работ в области конструирования ИСППР, моделирования рассуждений с использованием аналогий и в области ИИ Д.А. Поспелова, О.И. Ларичева, Э.В. Попова, А.И. Уемова, В.К. Финна, В.Н. Вагина, А.А. Башлыкова, А.П. Еремеева, О.П. Кузнецова, Г.С. Осипова, А.Б. Петровского, И.Б. Фоминых, В.Ф. Хорошевского и др., а также зарубежных ученых Г. Лейбница, Г. Саймона (Н. Simon), Н. Нильсона (N. Nilson), Д. Пойя (G. Polya), Д. Мак-Дермотта (D. McDermott), Д. Милля (J. Mill), Р. Клинга (R. Kling), Д. Плейстида (D. Plaisted), Дж. Карбонела (J. Carbonell), П. Уинстона (P. Winston), Д. Гентнер (D. Gentner), Д. Лонга (D. Long), Р. Гариглиано (R. Garigliano) и др.
Объектом исследования являются методы поиска решения (рассуждения) на основе аналогий. Предметом исследования являются методы поиска решения на основе структурной аналогии для ИСППР РВ.
Целью работы является исследование и разработка методов и программных средств поиска решения на основе аналогий и на основе прецедентов, повышающих эффективность и расширяющих интеллектуальные возможности современных компьютерных систем типа ИСППР РВ.
Для достижения указанной цели необходимо решить следующие задачи:
• исследование методов и моделей поиска решения на основе аналогий и на основе прецедентов;
• разработка методов поиска решения на основе структурной аналогии для ИСППР РВ;
• разработка структуры библиотек прецедентов (БП), ориентированной на применение в рамках ИСППР РВ;
• разработка архитектуры системы поиска решения на основе аналогий и прецедентов;
• программная реализация системы поиска решения на основе аналогий и прецедентов;
• использование разработанной системы поиска решения на основе аналогий и прецедентов в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях.
Методы исследования. Поставленные задачи решаются с использованием методов дискретной математики, математической логики, искусственного интеллекта, теории графов, теории алгебраических моделей и методов оценки вычислительной сложности алгоритмов.
Достоверность научных результатов подтверждена теоретическими выкладками, данными компьютерного моделирования, а также сравнением полученных результатов с результатами, приведенными в научной литературе.
Научная новизна исследования состоит в следующем:
1. Предложена структура аналогии с учетом контекста, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах.
2. Предложены методы оценки аналогий с учетом контекста и важности параметров объекта.
3. Разработан обобщенный алгоритм поиска решения на основе структурной аналогии, учитывающий ограничения на время поиска решения и позволяющий применять различные схемы поиска решения на основе аналогий.
4. Разработана архитектура системы поиска решения на основе аналогий и прецедентов для ИСППР РВ.
Практическая значимость работы заключается в создании программной системы поиска решения на основе аналогий и на основе прецедентов, повышающей эффективность и расширяющей интеллектуальные возможности компьютеров и компьютерных систем на примере ИСППР РВ для мониторинга и управления сложными объектами и процессами.
Практическая значимость работы подтверждается использованием разработанной программной системы в прототипе ИСППР РВ для оперативно-диспетчерского персонала энергоблока и в других приложениях, о чем имеются акты о внедрении.
Реализация результатов. Разработанная система поиска решения на основе аналогий и на основе прецедентов использована в ОАО «ЦНИИКА» в составе прототипа ИСППР РВ для оперативно-диспетчерского персонала энергоблоков, в учебно-научном процессе кафедры Прикладной математики МЭИ (ТУ), что подтверждается соответствующими актами о внедрении.
Результаты работы использованы в НИР, выполняемых в рамках гранта РФФИ проект №02-07-90042 "Исследование и разработка инструментальных средств создания экспертных систем семиотического типа" (Научные руководители д.т.н., проф. Вагин В.Н., д.т.н., проф. Еремеев А.П.), гранта для поддержки научно-исследовательской работы аспирантов государственных образовательных учреждений высшего профессионального образования, находящихся в ведении Федерального агентства по образованию, проект №2369040 "Методы и программные средства автоматизации процессов принятия решений и управления на основе аналогий" (Научный руководитель д.т.н., проф. Еремеев А.П., ответственный исполнитель асп. Варшавский П.Р.) и в рамках Федеральной целевой научно-технической программы "Исследования и разработки по приоритетным направлениям развития науки и техники" на 2002-2006 годы (государственный контракт от 1 февраля 2002 г. №37.011.11.0021 и дополнительное соглашение от 18 августа 2004 г. №5), Блок 2 - "Поисково-прикладные исследования и разработки", Раздел -"Информационно-телекоммуникационные технологии и электроника", подраздел - "Информационные технологии", по теме "Системы мониторинга и поддержки принятия решений на основе аппарата нетрадиционных логик" (Научный руководитель д.т.н., проф. Еремеев А.П.).
Программное инструментальное средство для конструирования библиотек прецедентов и поиска решения на основе прецедентов (КБП) зарегистрировано в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (СВИДЕТЕЛЬСТВО № 2005610761 от 31.03.2005 г.).
Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на 7-й, 8-й, 9-й, 10-й, 11-й научных конференциях аспирантов и студентов "Радиотехника, электроника, энергетика" в МЭИ (ТУ), (г. Москва, 2001-2005 гг.), на 4-й международной летней школе-семинаре по искусственному интеллекту для студентов и аспирантов (Браславская школа - 2000). (Беларусь, г. Браслав, 2000 г.), на "Научных сессиях МИФИ" (г. Москва, 2002-2005 гг.), на втором международном научно-практическом семинаре "Интегрированные модели и мягкие вычисления в искусственном интеллекте " (г. Коломна, 2003 г.), на 9-й национальной конференции по искусственному интеллекту с международным участием КИИ 2004 (г. Тверь, 2004 г.), на Международных форумах информатизации МФИ-2003 и МФИ-2004 (Международные конференции "Информационные средства и технологии") (г. Москва, 2003, 2004 гг.).
Публикации. Основные результаты, полученные при выполнении диссертационной работы, опубликованы в 16 печатных работах.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы (112 наименований) и приложений. Диссертация содержит 157 страниц машинописного текста (без приложений) и 55 страниц приложений.
Краткий обзор содержания работы.
В первой главе рассматриваются определения аналогии и рассуждения на основе аналогий, а также указываются различные типы аналогий. Приводится обзор систем, моделей и методов поиска решения на основе аналогий с точки зрения их организации. Обосновывается необходимость и важность применения методов поиска решения на основе аналогий и прецедентов в ИСППР РВ. Формулируются требования, предъявляемые к моделям поиска решения на основе аналогий в рамках ИСППР РВ.
Во второй главе рассматриваются вопросы, связанные с организацией представления знаний для осуществления поиска решения на основе структурной аналогии. Предлагается использовать для организации представления знаний семантические сети (СС). Исследуются методы и модели поиска решения на основе структурной аналогии. Основное внимание уделяется методу структурной аналогии свойств, позволяющему учитывать контекст. Наряду с методом структурной аналогии свойств рассматривается метод структурной аналогии отношений, базирующийся на теории структурного отображения (SMT). Анализируются недостатки представленных методов и моделей структурной аналогии в плане их использования в ИСППР РВ.
В третьей главе рассматриваются методы поиска решения на основе структурной аналогии для ИСППР РВ. Предлагается структура аналогии с учетом контекста, позволяющая более детально уточнить контекст и определить аналогии в различных контекстах. Описываются модифицированные алгоритмы поиска решения на основе структурной аналогии для ИСППР РВ. Предлагаются методы оценки аналогий с учетом контекста и с учетом важности параметров объекта. Выявлена специфика методов и моделей поиска решения на основе прецедентов, применяемых в ИСППР РВ. Представлена структура БП, ориентированная на использование в рамках ИСППР РВ. Приводятся результаты компьютерного моделирования по оценке времени работы предложенных алгоритмов поиска решения на основе структурной аналогии и их сравнению с базовым алгоритмом.
В четвертой главе рассматриваются вопросы, связанные с реализацией системы поиска решения на основе аналогий и прецедентов. Описываются ее архитектура и функциональные возможности. Указываются особенности программной реализации. Рассматривается практическое применение системы поиска решения на основе аналогий и прецедентов для диагностирования состояний сложного объекта и обнаружения управляющих воздействий при управлении сложным техническим объектом на примере системы компенсации объема (КО) в контуре во до-водяного энергетического реактора (ВВЭР) атомной электростанции (АЭС) в составе прототипа ИСППР РВ на основе нетрадиционных логик, реализуемого на кафедре ПМ МЭИ (ТУ) совместно с ОАО «ЦНИИКА» для мониторинга и управления сложными техническими объектами типа энергоблоков.
Методы рассуждения на основе аналогий
Первые системы созданные для моделирования рассуждений на основе аналогий были символьными системами. Это во многом связано с изначальным преобладанием символьной парадигмы в ИИ. По этой же причине на данный момент большинство разработанных методов, схем, моделей и систем рассуждения (поиска решения) на основе аналогий относятся к классу символьных систем [10, 17-39].
Пропорция Лейбница для отношения аналогии. Первая попытка формализовать понятие рассуждения на основе аналогий была предпринята Лейбницем. В своем сочинении "Фрагменты логики" он ввел понятие пропорции для отношения аналогии. Пропорция Лейбница формулируется следующим образом: "Вещь А так относится к вещи В, как вещь А к вещи В ". Обычно пропорцию Лейбница представляют в виде диаграммы, представленной на рис. 1.2:
Для иллюстрации того, как может быть использована диаграмма Лейбница, обратимся к работе Д.А. Поспелова [10]. В этой работе предлагается рассматривать упрощенное семантическое пространство Осгуда, которое является обычным трехмерным евклидовым пространством. Близость по метрике этого пространства характеризует семантическую близость понятий, фактов и утверждений, а рассуждения, проведенные в пространстве относительно группы элементов, могут проецироваться по аналогии на группы, состоящие из семантически близких элементов. Понятиям "похожесть" и "аналогия", использованным в диаграмме для пропорции Лейбница, в работе Д.А. Поспелова придается строгий смысл. Для этого предлагается выбрать некоторый формальный (алгебраический) язык для описания А и В, который обозначается L\ и некоторый (вообще говоря, другой) формальный язык для описания А и В , который обозначается L2. Переходы от А к В и от А к В интерпретируются как преобразования F и F соответствующих описаний в языках Lj и L2. Переходы от А к А и от В к В интерпретируются как взаимно однозначные соответствия Н и Н .
Далее указывается возможность строгого доказательства, что если в пропорции Лейбница А, А и В описаны с помощью алгебраического языка, использующего лишь двуместные отношения, а также задан характер преобразований F и установлено взаимно однозначное соответствие между Lj и L2, то описание В также возможно на языке L2 и существуют взаимно однозначные соответствия F - F и В -»В , так что, применяя к А преобразование F и к А преобразование F , можно получить В и В , такие, что В -»В . При этом из вышеуказанного утверждения вытекает, что необходимым условием для возможности рассуждения на основе аналогий с использованием пропорции Лейбница служит требование коммутативности ее диаграммы. Требование коммутативности диаграммы означает, что описание В , полученное из А с помощью F и взаимно однозначного соответствия Н , ничем не отличается от описания В , полученного из А с помощью взаимно однозначного соответствия Н и последующего применения к этому результату преобразования F .
Несмотря на все сказанное полного описания модели рассуждения на основе аналогий получить нельзя, так как пропорция Лейбница явно не исчерпывает всех случаев рассуждения подобного типа. Но и в случае, когда используется пропорция Лейбница, остается нерешенным ряд вопросов.
Например, неясно как построить языки Li и L2, а также как установить взаимно однозначное соответствие между ними и может ли вместо изоморфизма для Li и Lj использоваться гомоморфизм. Д.А. Поспелов в своей работе указывает, что на эти вопросы пока нельзя дать однозначного ответа. По словам Д.А. Поспелова в понятие аналогии людьми вкладывается, по крайней мере, двоякий смысл. Во-первых, предполагается, что элементы, участвующие в построении аналогии, как-то соответствуют друг другу. Во-вторых, предполагается, что сохраняется суть преобразования, хотя элементы, с которыми преобразование оперирует, могут быть другими. Эти соображения частично помогают уловить расплывчатый смысл, вкладываемый людьми в понятие аналогии.
Первые созданные системы рассуждения на основе аналогий базировались во многом именно на пропорции Лейбница. Например, компьютерная модель Argus [17] могла формировать только пропорциональные аналогии, имевшие вид А:В :: С:?, что в свою очередь соответствует пропорции Лейбница.
Одной из наиболее известных моделей, разработанных в 60-ых годах прошлого века, была ANALOGY [18]. Эта модель, как и Argus, базировалась на пропорции Лейбница, а ее работа проверялась стандартными тестами для учеников средней школы на определение уровня интеллекта.
В тоже время была сделана попытка перехода от систем, использующих только пропорцию Лейбница, к системам с более познавательной и соответствующей реальному миру структурой для аналогии. Например, в системе JCM [19] уже были введены понятия обучения, рабочей и долговременной памяти, которые использовались для хранения представлений множества примитивных объектов, отношений между ними с оценками важности, событий и причинно следственных отображений.
Идея использования рабочей и долговременной памяти была также реализована в системе ANA [20], которая предназначена для осуществления принятия решений в микромире. Данная система является первой попыткой использования продукционной системы для реализации рассуждений на основе аналогий.
Метод рассуждения на основе структурной аналогии свойств с учетом контекста
В работе [37] предложено рассматривать аналогию как четверку A= 0,C,R,p , где О и R являются соответственно объектом-источником и объектом-приемником для аналогии, С является объектом-пересечением, то есть объектом, структурно пересекающимся с объектом-источником и объектом-приемником и имеющим большую мощность множества свойств по сравнению с объектом-источником и объектом-приемником. Другими словами, аналогия между объектом-источником и объектом-приемником проводится в контексте объекта-пересечения, а р является свойством для определения первоначального контекста. Структура такой аналогии представлена на рис. 2.4.
Отсутствие на рисунке пересечения между источником О и приемником R, обусловлено тем, что общие свойства приемника R, пересечения С и источника О учитываются, и каждое новое общее свойство объектов добавляется к информации, которая уже имеется об общих свойствах объектов. Также необходимо отметить, что возможно наличие пересечения только приемника R и источника О, но в этом случае получаем, что для данного контекста (пересечения С) эта информация не является важной. Поэтому данная структура аналогии отображается именно в таком виде, как на рис. 2.4. и это соответствует выше описанной структуре аналогии.
Уточненная структура аналогии
Уточним вышесказанное, то есть на самом деле рассматриваемая структура аналогии с учетом контекста должна быть отображена таким образом, как указано на рис. 2.5.
Теперь введем ряд дополнительных определений, которые потребуются для изложения алгоритма поиска решения на основе структурной аналогии с учетом контекста.
Определение 2.3. Аналогия задается набором (четверкой) A= 0,C,R,p , где О - источник (origin), С - пересечение (crossover), R - приёмник (receiver), р - свойство (property) для определения первоначального контекста. Определение 2.4. Объект R является приемником для аналогии А тогда и только тогда, когда (ReV)&(pePn).
Определение 2.5. Объект С является пересечением для аналогии А тогда и только тогда, когда (CeV)&(pePc)&(nR nc)&—i(nR«nc)&(nRc nR)&(nRc l), где nR и пс обозначают соответственно количество свойств приемника R и пересечения С, a nRc - количество общих свойств приемника R и пересечения С, —i(nR«nc) означает, что приемник R не должен быть много меньше пересечения С (т.е. исключается возможность поглощения пересечением С приемника R, так как при этом повышается вероятность получения ненаучной аналогии).
На рис. 2.6. проиллюстрирована структура аналогии, в которой приемник поглощен пересечением.
Определение 2.6. Объект О является источником для аналогии А тогда и только тогда, когда (ОєУ)&(рєРо)&(по1&с)& (по пс)&(пос по)&(пос 1)& (пос яс), где по обозначает количество свойств источника О, пос количество общих свойств источника О и пересечения С, —і(по«пс) означает, что источник О не должен быть много меньше пересечения С (т.е. исключается возможность поглощения пересечением С источника О); остальные обозначения аналогичны предыдущему определению. Введем следующие обозначения: Множество объектов-кандидатов на роль пересечения С для аналогии А обозначим VQ Множество объектов-кандидатов на роль источника О для аналогии А обозначим Vo. Множество аналогий А обозначим VA. Определение 2.7. Множество POCR=PO PC PR обозначает контекст, в котором проводится аналогия А. Определение 2.8. Аналогия А= 0,С,R,p называется "хорошей" аналогией тогда и только тогда, когда существует другая аналогия А , такая что А = 0 ,СЛр ,ОфО .
Далее перейдем к рассмотрению алгоритма поиска решения на основе структурной аналогии свойств, базирующегося на представленной структуре аналогии.
В [37] неформально описан алгоритм поиска решения на основе структурной аналогии свойств с учетом контекста, включающий следующие основные этапы. 1. Определить объекты (понятия) внутри СС, обладающие свойством р для определения первоначального контекста. 2. В соответствии с опр. 2.5 подобрать кандидатов на роль пересечения С. 3. В соответствии с опр. 2.6 идентифицировать кандидатов на роль источника О внутри СС. 4. Рассмотреть различные источники О и пересечения Сив соответствии с опр. 2.8 из полученных аналогий определить "хорошие". 5. Полученные "хорошие" аналогии выдать пользователю (ЛПР).
Полученные "хорошие" аналогии предварительно перед выдачей их пользователю (ЛПР) могут быть упорядочены, например, учитывая контекст. Пользователь (ЛПР) из выданных ему "хороших" аналогий делает окончательный выбор наилучших с его точки зрения аналогий и на их основе осуществляется перенос фактов (свойств), справедливых для источника, на приемник аналогии.
Теперь формально опишем представленный выше алгоритм. Алгоритм 1. Алгоритм поиска решения на основе структурной аналогии с учетом контекста.
Вход: СС с информацией о предметной области, приемник R и свойство р для определения первоначального контекста.
Выход: Множество аналогий VA, которое может быть пусто, если аналогий для приемника R нет.
Используемые структуры данных: Vp — множество объектов СС, обладающих свойством р, Vp - множество Vp за вычетом приемника R, Vc — множество объектов-кандидатов на роль пересечения С, Vo — множество объектов-кандидатов на роль источника О, VA — Множество аналогий А. 1. Vpl Vp\{R};Vc 0;Vo:=0;VA:=0; 2. Если Vp = 0 , то перейти к шагу 6, иначе для каждого объекта v є Vp выполнить: Если v подходит на роль пересечения С (в соответствии с опр. 2.5), то добавить его в Vc. 3. Если VC = 0,TO перейти к шагу 6, иначе для всех С є Vc выполнить:
Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения
Предлагаемая модифицированная структура аналогии с учетом контекста базируется на структуре аналогии из работы [37], подробно описанной в предыдущей главе (см. п. 2.2.1) [16, 61, 62, 101]. Модификация заключается в том, что вместо свойства р для определения первоначального контекста рассматривается множество свойств Р, определяющих первоначальный контекст аналогии. Данная модификация позволяет более детально уточнить первоначальный контекст и тем самым сократить время поиска решения, что очень важно для ИСППР РВ. Кроме того, в модифицированной структуре аналогии множество свойств Р может быть пусто. В таком случае появляется возможность осуществить поиск решения на основе аналогий без уточнения первоначального контекста и в результате получить аналогии в различных контекстах, хотя это и потребует больших затрат вычислительных ресурсов.
Помимо вышесказанного в модифицированной структуре аналогии предполагается осуществлять перенос от источника О на приемник R фактов (свойств), уместных в контексте пересечения С (т.е. PR = PRU (РОС \ POCR)\ В отличие от базового варианта, в котором уместность свойств в контексте не рассматривается (т.е. PR PRVJ (Р0\ PRO)) Теперь для удобства изложения повторно приведем ряд определений из второй главы, несколько изменив их в соответствии с модифицированной структурой аналогии.
Определение 3.1. Аналогия задается набором (четверкой) A= 0,C,R,P , где О — источник (origin), С — пересечение (crossover), R — приёмник (receiver), Р — множество свойств (properties) для определения первоначального контекста. Определение 3.2. Объект R является приемником для аналогии А тогда и только тогда, когда (REV)&(PCZPR).
Определение 3.3. Объект С является пересечением для аналогии А тогда и только тогда, когда (CeV)&(P i( &(nR nc)&-i(nR«nc)&(nRc nR)&(nRc l), где nR и пс обозначают соответственно количество свойств приемника R и пересечения С, a nRc — количество общих свойств приемника R и пересечения С, —i(nR«nc) означает, что приемник R не должен быть много меньше пересечения С.
Определение 3.4. Объект О является источником для аналогии А тогда и только тогда, когда (ОєУ)&(РсР0)&(по с)& (по П( &(пос по)&(пос V& (nocZfiRc), где по обозначает количество свойств источника О, пос — количество общих свойств источника О и пересечения С, -п(по«пс) означает, что источник О не должен быть много меньше пересечения С; остальные обозначения аналогичны предыдущему определению.
Определение 3.5. Аналогия A= 0,C,R,P называется "хорошей" аналогией тогда и только тогда, когда существует другая аналогия А такая чтоA = 0 ,C,R,P , ОФО .
Также воспользуемся следующими обозначениями из второй главы: Множество объектов-кандидатов на роль пересечения С для аналогии А обозначим VQ. Множество объектов-кандидатов на роль источника О для аналогии А обозначим Vo Множество аналогий А обозначим VA.
Перейдем к рассмотрению алгоритмов поиска решения на основе структурной аналогии модифицированных в соответствии со спецификой ИСППР РВ и в соответствии с представленной структурой аналогии, позволяющей более детально уточнить контекст и определить аналогии в различных контекстах.
Представленный в гл. 2 алгоритм поиска решения на основе структурной аналогии с учетом контекста (см. алгоритм 1) не учитывает ограничение на время поиска решения и не позволяет провести аналогию между заданными приемником R и источником О для аналогии. По этой причине построим модифицированный алгоритм поиска решения на основе структурной аналогии с учетом контекста, позволяющий учитывать ограничение на время поиска решения и осуществлять поиск решения на основе аналогий для случая, когда задан источник О для аналогии. Кроме того, данный алгоритм базируется на вышеописанной модифицированной структуре аналогии, позволяющей более детально уточнить контекст. В качестве промежуточных данных в алгоритме используется множество аналогий VA\ которое отличается от VA тем, что может содержать аналогии, которые не удовлетворяют опр. 3.5.
Алгоритм 3. Алгоритм поиска решения на основе структурной аналогии с учетом контекста и ограничения на время поиска решения. Вход: СС с информацией о предметной области, приемник R и не пустое множество свойств Р для определения первоначального контекста, At -интервал времени, выделяемый на поиск решения; также может быть указан источник О. Выход: Множество аналогий VA. Используемые структуры данных: Vp — множество объектов СС, обладающих свойствами Р, Vp множество VP за вычетом приемника R, VA - множество аналогий Л.
Программная реализация системы поиска решения на основе аналогий и прецедентов
Практическое применение разработанной системы поиска решения на основе аналогий и прецедентов рассмотрим на примере системы компенсации объема ВВЭР АЭС [99].
Система компенсации объема необходима для реакторов, охлаждаемых водой под давлением, и предназначена для компенсации температурных изменений объема воды, заполняющей реакторный контур. Она используется для создания давления при пуске и поддержания давления в эксплуатации, а также для ограничения отклонений давления в аварийных режимах.
Компенсатор объема (КО) подключается к выходной ветви одной из петель реакторного контура в его неотключаемой части. На АЭС применяют только паровой КО (рис. 4.4). Корпус КО имеет водяной и паровой объемы (равные соответственно 48 и 22 м3). От неотключаемой части реактора по "холодной" стороне подводится вода на впрыск в сопла в верхней части корпуса КО. На линии впрыска установлены регулировочный и запорный клапаны. Электрические нагреватели установлены в той части корпуса, в которой при всех режимах имеется вода. К паровому объему КО подсоединены предохранительные клапаны. Выброс из предохранительных клапанов в атмосферу недопустим из-за радиоактивности среды. По этой причине пар поступает под уровень в барботер (ББ), вода из которого по мере необходимости сливается в баки "грязного" конденсата.
Давление в ББ поддерживается равным 0,5 МПа, а температура воды в его объеме 40 - 50 С за счет охлаждения водяного объема технической водой промконтура через змеевики. Из общего объема ББ, равного 15 м , вода занимает 11 м3. В паровую часть ББ подается азот для предотвращения образования гремучей смеси.
Принцип работы парового КО заключается в следующем. В нормальных условиях все клапаны, кроме запорного, закрыты. При изменении температурного режима, например при повышении температуры воды в контуре, дополнительное количество воды из горячего трубопровода поступает в корпус, что способствует сжатию пара, давление которого возрастает. По этой причине срабатывает регулировочный клапан на линии впрыска. За счет нагрева воды часть пара парового объема корпуса конденсируется, а давление уменьшается до нормального, что приводит к автоматическому закрытию регулировочного клапана и соответственно прекращению подачи воды на впрыск. Подключение впрыска к "холодной", напорной стороне главного циркуляционного контура позволяет использовать перепад главного циркуляционного насоса (ГЦН) для преодоления сопротивления системы впрыска воды и уменьшает ее расход.
При незначительных изменениях температуры давление поддерживается без впрыска холодной воды. Так, с ростом температуры и повышением давления пара происходит частичная его конденсация, а при снижении температуры и уменьшении давления - частичное испарение воды водяного объема корпуса за счет работы электронагревателей. В связи с этим паровой КО поддерживает постоянное давление в контуре с очень большой точностью. Скорость разогрева КО ограничена (40 градусов в час) для предотвращения значительных температурных напряжений в металле. Начальное давление в КО создается азотом, который к концу разогрева полностью удаляется образующимся паром.
Защитные устройства КО первого контура представляют собой вертикальный цилиндрический сосуд с эллиптическими днищами общей вместимостью 79 м3. При работе первого контура на мощности в КО создается паровая подушка (около 24 м3) за счет нагрева воды электрическими нагревателями до температуры, соответствующей номинальному давлению в первом контуре (346 С при давлении равном 160 кгс/см2). КО имеет предохранительные клапаны для защиты от увеличения давления до
предельного значения, а надежность защиты обеспечивается тремя независимыми предохранительными устройствами. Гарантия от ложного срабатывания защиты обеспечивается формированием сигнала на срабатывание каждого предохранительного устройства одновременно от двух из трех независимых каналов измерения давления. Поскольку электронагреватели КО общей электрической мощностью 2520 кВт не могут работать в газовой или паровой среде, то введена схема автоматического отключения и запрета на их включение при понижении уровня теплоносителя в КО до некоторого предельно допустимого значения (примерно 3500 мм для КО блока Нововоронежской (НВ) АЭС). Запрет на включение электронагревателей автоматически снимается при повышении уровня теплоносителя в КО до заданного значения (около 4000 мм для КО блока НВАЭС), но включение их в работу производится оператором или автоматически регулятором давления в первом контуре при уменьшении давления в контуре до заданного значения.
Так как КО выполняет свои функции только при наличии определенного парового объема, то обязательным является принятие мер против недопустимого его уменьшения. Это достигается автоматическим закрытием задвижек и отключением регуляторов на линии подпитки первого контура при достижении заданного уровня в КО. При снижении уровня до номинального значения задвижки на линии подпитки первого контура автоматически открываются и регуляторы подпитки включаются в работу.
Далее приведены мнемосхемы для КО и ББ, которые используются оператором в процессе диагностики и управления системой компенсации объема. На рис. 4.5 представлены две мнемосхемы КО и ББ, отображающие процесс в статике, так как они не иллюстрируют динамику изменения параметров системы.
