Содержание к диссертации
Введение
1. Особенности управления очисткой сточных вод 11
1.1. Основные этапы процесса очистки сточных вод .:~ 12
1.2. Системы поддержки принятия решений в управлении очисткой сточных вод 22
1.3. Решение задачи моделирования на основе применения теории нечетких множеств 29
1.4. Цель и задачи исследований 33
2. Исследование нечеткой истинности и её применения в задач ах принятия решений ... 34
2.1. Алгебраические свойства лингвистической переменной «истинность» 34
2.2. Доказательство утверждений о декомпозиции нечеткой истинности составных нечетких высказываний 63
2.3. Разработка метода ранжирования альтернатив и способа согласования групповых решений при представлении критериев лингвистическими переменными 67
2.4. Основные результаты и выводы по разделу 72
3. Разработка нейро-нечеткой системы, основанной на методе косвенного вывода , 74
3.1. Метод косвенного нечеткого вывода для систем со многими входами 75
3.2. Основные этапы процедуры эволюционного проектирования нейро-нечетких систем 81
3.3. Нейро-нечеткая система и ее исследование 93
3.3.1. Структура нейро-нечеткой системы 93
3.3.2. Применение генетического алгоритма для обучения нейро-нечеткой системы 95
3.3.3. Тестирование нейро-нечеткой системы 98
3.4. Основные результаты и выводы по разделу 119
4. Нечеткое моделирование и управление процессом очистки сточных вод 120
4.1. Разработка нечеткой модели процесса биологической очистки сточных вод и оценка ее адекватности 120
4.2. Разработка алгоритма принятия решений по управлению очисткой сточных вод 137
4.3. Основные результаты и выводы по разделу 140
5. Компьютерная реализация системы поддержки принятия решений 141
5.1. Определение структуры и способов формирования основных блоков СППР 141
5.2. Программная реализация системы поддержки принятия решений 146
5.3. Основные результаты и выводы по разделу 151
Заключение 152
Список использованных источников 154
Приложения 164
- Решение задачи моделирования на основе применения теории нечетких множеств
- Разработка метода ранжирования альтернатив и способа согласования групповых решений при представлении критериев лингвистическими переменными
- Применение генетического алгоритма для обучения нейро-нечеткой системы
- Разработка алгоритма принятия решений по управлению очисткой сточных вод
Введение к работе
Современные процессы урбанизации неизбежно влекут за собой обострение экологической ситуации. В процессе роста поселков, городов и промышленности увеличивается объем опасных для окружающей среды сточных вод. Основной задачей поддержания экологического благополучия окружающей среды при попадании в нее сточных вод, является их очистка.
Водохозяйственные системы городов и промышленных предприятий оснащаются комплексами трубопроводов и других специальных сооружений, реализующих отведение, очистку, обеззараживание и использование воды и образующихся осадков. Строительство водоотводящих систем обусловливается необходимостью обеспечения нормальных жилищно-бытовых условий населения городов и населенных мест и поддержания хорошего состояния окружающей природной среды.
Эксплуатация очистной станции требует огромных материальных затрат. Объем капиталовложений настолько велик, что сокращение его даже на доли процента за счет применения оптимальных управленческих решений дает значительную экономию средств.
Вода необходима как для питьевого, так и промышленного водоснабжения, поэтому сохранение водных источников от загрязнения и истощения путем реконструирования очистных сооружений и внедрения эффективных методов управления является в настоящее время весьма важной задачей.
Актуальность работы обусловливается следующими основными причинами.
Конкретная очистная станция является уникальным технологическим объектом из-за уникальности состава городских сточных вод, подлежащих очистке. Строительные нормы и правила регламентируют количество загрязнений сточных вод по набору показателей, таких как биологическая
5 потребность в кислороде, химическая потребность в кислороде, нефтепродукты, сульфаты и др. Следовательно, оценка эффективности управления процессом очистки сточных вод является многокритериальной. Согласование этих критериев, т.е. учет их сравнительной важности, определяется системой ценностей и предпочтений лиц, принимающих решения: специалистов-технологов, лаборантов.
Несмотря на уникальность конкретной очистной станции и многокритериальность оценки эффективности управления, опытный, квалифицированный технолог в процессе принятия решений по управлению использует интуитивно ясную для него самого, строго индивидуальную стратегию, выгодно отличающую его от остальных лиц, не имеющих соответствующего опыта работы с этим объектом. Знания, представления и суждения конкретного лица, принимающего решения, накопленные им за определенное время и составляющие его опыт, позволяют достичь мастерства, т.е. профессионального искусства при управлении данным технологическим процессом.
Отмеченные особенности дают основание считать, что рассматриваемую задачу управления можно отнести к классу слабоструктурированных, или плохо определенных.
Таким образом, представляется целесообразным создание системы поддержки принятия решений (СППР) по управлению очисткой сточных вод, которая позволила бы формализовать и использовать для решения задач управления профессиональные знания опытных инженеров и экспертов-технологов. При этом подобная система должна как можно более успешно имитировать процессы принятия решений по управлению очисткой сточных вод этими квалифицированными специалистами.
Центральным компонентом СППР по управлению очисткой сточных вод должна являться подсистема моделирования. Необходимость учета неопределенности, связанной с неполнотой знаний о процессе очистки сточных вод, создает предпосылки использования теории нечетких множеств
для моделирования процесса очистки. Максимальная эффективность модели процесса очистки сточных вод может быть достигнута, если попытаться использовать всю доступную информацию о процессе, как качественную, так и количественную. Разрабатываемые в рамках направления «мягких вычислений» гибридные (нейро-нечеткие, нечетко-генетические и др.) системы сочетают в себе возможность оперирования качественной информацией (лингвистическими экспертными правилами), а также возможность обучения на измеренных числовых данных (количественной ретроспективной информации).
Таким образом, актуальность диссертационной работы обусловлена потребностью использования экспертных знаний и опыта, а также измеренной ретроспективной информации для повышения эффективности процессов принятия решений по управлению очисткой сточных вод и необходимостью снижения материальных затрат на подготовку квалифицированного персонала очистной станции.
Цель работы. Целью настоящей работы является совершенствование методов и алгоритмов обработки информации для поддержки принятия решений по управлению очисткой сточных вод на основе теории нечетких множеств.
Научная новизна работы заключается в развитии теоретических основ создания систем поддержки принятия решений по управлению очисткой сточных вод на основе нечеткого моделирования. При этом:
установлены свойства операций над значениями лингвистической переменной «истинность», позволяющие расширить возможности применения нечетких множеств в принятии решений;
разработаны методы согласования групповых решений и ранжирования альтернатив при лингвистическом задании критериев, позволяющие учитывать приближенные оценки нескольких экспертов;
разработан метод косвенного нечеткого вывода для систем со многими входами, имеющий полиномиальную вычислительную сложность;
разработана процедура эволюционного проектирования нейро-нечетких систем, основанных на методе косвенного нечеткого вывода, повышающая достоверность нечеткого вывода;
предложена методика использования результатов нечеткого моделирования для выбора управляющего воздействия при очистке сточных вод.
Практическая значимость работы состоит в создании компьютерной системы поддержки принятия решений по управлению очисткой сточных вод на основе нечеткого моделирования, которая позволяет повысить эффективность процесса очистки, выдавая рекомендации по управлению на уровне квалифицированных специалистов-технологов, и учитывает ретроспективную информацию о процессе очистки. Разработанное программное обеспечение прошло тестирование на Белгородской очистной станции.
Результаты работы используются в учебном процессе в Белгородском государственном технологическом университете им. В.Г.Шухова при проведении практических и лабораторных работ по дисциплине «Системы поддержки принятия решений и вычислительного интеллекта» (специальность 220400).
Положения, выносимые на защиту
Метод косвенного нечеткого вывода для систем со многими входами, основанный на декомпозиции нечеткой истинности составных нечетких высказываний.
Процедура эволюционного проектирования нейро-нечетких систем, основанная на методе косвенного нечеткого вывода.
Алгоритм формирования нечеткой базы знаний на основе ретроспективной информации.
Методика принятия решений по управлению очисткой сточных вод на основе применения нечеткой модели.
Компьютерная система, реализующая функции поддержки принятия решений по управлению очисткой сточных вод на основе нечеткого моделирования.
Апробация работы
Результаты работы апробированы и обсуждены на Международном конгрессе «Современные технологии в промышленности строительных материалов и стройиндустрии» (Белгород, 2003), на II Международном научно-практическом семинаре «Интегрированные модели и мягкие вычисления в искусственном интеллекте» (Коломна, 2003), на Международной научно-технической конференции «Интеллектуальные системы (IEEE AIS'03)» и «Интеллектуальные САПР (CAD-2003)» (Дивноморск, 2003), на Международной научно-практической конференции «Экология: образование, наука, промышленность и здоровье» (Белгород, 2004)
Основные положения изложены в семи печатных работах. Все публикации включают результаты непосредственной работы автора и отражают основные выводы и положения диссертационной работы.
Объем и структура диссертации. Общий объем диссертации составляет 168 страниц и включает:
введение, пять разделов, заключение, изложенные на 150 страницах;
рисунков 51 на 42 страницах;
список литературы из 103 наименований на 10 страницах;
приложений 4 на 5 страницах.
9 В первом разделе рассматриваются особенности управления процессом очистки сточных вод, основные этапы, контролируемые параметры. Показывается, что задачу управления очисткой сточных вод можно отнести к классу слабоструктурированных, для решения которой целесообразно использовать подход, основанный на экспертных знаниях и механизмах логического вывода. Анализируется применимость различных видов математических моделей процесса очистки сточных вод для принятия решений по управлению. Обосновывается целесообразность применения нечетких множеств для представления экспертных знаний. Рассматриваются основные этапы нечеткого вывода.
Во втором разделе исследуется нечеткое значение истинности как лингвистическая переменная и способы его применения для принятия решений. Вводятся расширенные по принципу обобщения операции Т-нормы, Г-конормы, устанавливаются свойства этих операций на значениях лингвистической переменной «истинность». Решается задача уменьшения вычислительной сложности алгоритма вычисления нечеткой истинности составных нечетких высказываний. Разрабатываются методы согласования групповых решений и ранжирования альтернатив при лингвистическом задании критериев.
В третьем разделе разрабатываются метод косвенного нечеткого вывода для систем со многими входами. Выполняется адаптация основных этапов процедуры эволюционного проектирования нейро-нечетких систем для метода косвенного нечеткого вывода. Разрабатывается структура нейро-нечеткой сети, реализующей метод косвенного нечеткого вывода и выполняется ее тестирование на модельных примерах.
В четвертом разделе выполняется разработка и оценки адекватности нечеткой модели процесса биологической очистки сточных вод. Приводится методика принятия решений по управлению очисткой сточных вод на основе результатов применения нечеткой модели. Сформулированы рекомендации по выбору управляющих воздействий.
В пятом разделе решаются задачи, связанные с программной реализацией основных блоков системы поддержки принятия решений по управлению очисткой сточных вод. Разрабатываются структура и способы формирования блоков СППР. Приводится описание основных компонентов разработанного программного комплекса.
В приложении приводится формат языка описания базы знаний, а также результаты построения нечеткой модели биологической очистки сточных вод.
Диссертационная работа выполнена на кафедре программного обеспечения вычислительной техники и автоматизированных систем БГТУ им. В.Г.Шухова.
Решение задачи моделирования на основе применения теории нечетких множеств
Актуальность применения теории нечетких множеств для решения задач моделирования обусловлена тенденцией увеличения сложности математических и формальных моделей реальных систем и процессов управления, связанная с желанием повысить их адекватность и учесть все большее число различных факторов, оказывающих влияние на процессы принятия решений.
С одной стороны, традиционные методы построения моделей не приводят к удовлетворительным результатам, когда исходное описание подлежащей решению проблемы заведомо является неточным или неполным. С другой стороны, стремление получить всю исчерпывающую информацию для построения точной математической модели сколь-нибудь сложной реальной ситуации может привести к потери времени и средств, поскольку это может быть в принципе невозможно.
В подобных случаях наиболее целесообразно воспользоваться такими методами, которые специально ориентированы на построение моделей, учитывающих неполноту и неточность исходных данных. Именно в таких ситуациях применение нечеткого моделирования оказывается наиболее конструктивным, поскольку за последнее десятилетие на его основе были решены сотни практических задач управления и принятия решений [44].
В последнее время нечеткое моделирование является одной из наиболее активных и перспективных направлений прикладных исследований в области управления и принятия решений. Нечеткое моделирование оказывается особенно полезным, когда в описании технических систем и бизнес-процессов присутствует неопределенность, которая затрудняет или даже исключает применение точных количественных методов и подходов.
В области управления техническими системами нечеткое моделирование позволяет получать более адекватные результаты по сравнению с результатами, которые основываются на использовании традиционных аналитических моделей и алгоритмов управления.
Под нечеткой моделью [44] понимается информационно-логическая модель системы, построенная на основе теории нечетких множеств и нечеткой логики.
Центральное место в нечетком моделировании занимает нечеткий вывод. Процесс нечеткого вывода представляет собой некоторую процедуру, или алгоритм, получения нечетких заключений на основе нечетких условий или предпосылок. Процесс нечеткого вывода реализуют системы нечеткого вывода.
Основными этапами нечеткого вывода являются:
1) формирование базы правил систем нечеткого вывода;
2) фаззификация входных переменных;
3) агрегирование подусловий в нечетких правилах продукций;
4) активизация или композиция подзаключений в нечетких правилах продукций;
5) аккумулирование заключений нечетких правил продукций.
База правил систем нечеткого вывода предназначена для формального представления эмпирических знаний или знаний экспертов в той или иной проблемной области. База правил представляет собой конечное множество нечетких правил, согласованных относительно используемых в них лингвистических переменных.
Под фаззификацией понимается процесс нахождения значений функций принадлежности нечетких множеств (термов) на основе четких данных. Агрегирование представляет собой процедуру определения степени истинности условий (антецедентов) по каждому из правил системы нечеткого вывода. Степень истинности условий может представлять собой как четкое число, так и нечеткое, т.е. значение лингвистической переменной «истинность». Нечеткая истинность и ее использование в косвенном способе нечеткого вывода, рассматривается в разд. 2 и 3.
Активизация в системах нечеткого вывода представляет собой процесс нахождения степени истинности каждого из подзаключений (консеквентов) нечетких правил. Степень истинности консеквентов может представлять собой как четкое число, так и нечеткое, т.е. значение лингвистической переменной «истинность». Нечеткая истинность и ее использование в косвенном способе нечеткого вывода, рассматривается в разд. 2 и 3.
Аккумуляция представляет собой процесс нахождения функции принадлежности для каждой их выходных лингвистических переменных. Цель аккумуляции заключается в том, чтобы объединить (аккумулировать) все степени истинности консеквентов для получения функции принадлежности каждой их выходных переменных.
Известно большое число реализаций алгоритма нечеткого вывода [7,44,86]. Актуальной является задача выбора того или иного алгоритма нечеткого вывода для конкретной задачи.
Наиболее трудоемким этапом нечеткого вывода является формирование базы нечетких правил. Этот этапа известен как этап «извлечения знаний». Для систем нечеткого вывода извлечение знаний включает в себя сложные процессы формализации понятий, определение функций принадлежности, формирование правил вывода. В последние 20 лет перенос экспертных знаний в компьютер стал одной из центральных проблем искусственного интеллекта [17,86,92,96-98,100,101].
В [42] отмечены трудности получения экспертных знаний: 1. Человек не может сообщить общие абстрактные правила, которыми он руководствуется, решая ту или иную конкретную задачу, потому что его умения чаще всего хранятся на подсознательном уровне.
2. В любой области деятельности имеется большое количество (десятки и сотни тысяч) возможных практических ситуаций, при анализе которых проявляются умения человека. Желательно, чтобы этими умениями в полном объеме «овладел» компьютер, что может потребовать огромного труда и времени экспертов.
Разработка метода ранжирования альтернатив и способа согласования групповых решений при представлении критериев лингвистическими переменными
Таким образом, результатом процедуры согласования является оценка объекта, высказанная 1-м ЛПР.
Экспоненциальную сложность алгоритма вычисления выражения (2.21) можно избежать, если воспользоваться следующим свойством (2.11): СР(Ь,У;)= Т (CP(L„K77)), (2.27) J /=1, п J где Т — расширенная по принципу обобщения операция Г-норма; СР(Ц,У ) — оценка истинности оценкиу -го ЛПР по г -му критерию. Для придания большей гибкости методу предлагается использовать веса критериев wh Тогда выражение (2.27) запишется: СР{ЬУ}) = fw- {CP(Lt, VJty). (2.28) Вес і-го критерия Wj определяется следующим образом: wt - Я. N, где коэффициенты относительной важности критериев Хі є [О, і] определяются на основе процедуры парных сравнений [74]. В результате w,- принадлежит интервалу [О, N], причем wi \ усиливает истинность оценки по /-му критерию, м , 1 - уменьшает ее.
Таким образом, рассмотрена процедура согласования оценок ЛПР на основе формирования гипотетической идеальной оценки объекта, использована нечеткая оценка истинности для выявления согласованной оценки. В отличие от метода, приведенного в [75], рассмотренный подход правомерен для случая различной важности локальных критериев качества. Так же следует отметить, что свойство (2.27) дает возможность применения метода для больших N, и появляется основание воспользоваться распараллеливанием вычислений.
1. Определены расширенные по принципу обобщения операции отрицания, триангулярной нормы, триангулярной конормы. Получены результаты применения расширенных операторов отрицания, Г-нормы Г конормы к аргументам, представляющим собой значения лингвистической переменной «истинность»: «истинно» (И), «ложно» (Л), «абсолютно истинно» (АИ), «абсолютно ложно» (АЛ), «квазиистинно» (КИ) и «квазиложно» (КЛ) при различных базисах. Приведенные таблицы истинности представляется возможным использовать при вычислении истинности составных нечетких высказываний, когда истинность составляющих частей высказывания оценивается при помощи таких значений лингвистической переменной «истинность» как «истинно», «ложно», «абсолютно истинно», «абсолютно ложно», «квазиистинно» и «квазиложно». При этом трудоемкая процедура вычисления истинности составного нечеткого высказывания заменяется процедурой поиска соответствующей строки таблицы истинности. Показаны основные свойства расширенных операторов отрицания, Г-нормы Г-конормы.
2. Доказаны утверждения о декомпозиции составных нечетких высказываний. Использование утверждений позволяет уменьшить вычислительную сложность процедуры нахождения нечеткого значения истинности с экспоненциальной до полиномиальной.
3. Разработан способ ранжирования альтернатив использующий значения лингвистической переменной «истинность» и являющийся нечетким обобщением метода смещенного идеала. Показано, что ранжирование альтернатив возможно производить на основе степени близости показателя истинности нечеткой оценки относительно нечеткой оценки идеального объекта к значению «абсолютно истинно».
4. Разработан способ согласования групповых суждений ЛПР, основанный на применении нечеткого значения истинности. Показано, что согласование групповых суждений ЛПР возможно производить на основе степени близости показателя истинности нечеткой оценки относительно нечеткой оценки идеального объекта к значению «абсолютно истинно».
Основные результаты данного раздела опубликованы в работах [21-22].
Применение генетического алгоритма для обучения нейро-нечеткой системы
Рассмотрим подход к решению задачи параметрической идентификации нейро-нечеткой системы, вытекающий из предложенной процедуры эволюционного проектирования нейро-нечетких систем (см. подразд. 3.2).
На пятом уровне процедуры эволюционного проектирования нейро-нечетких систем определяется тип системы нечеткого вывода. Разрабатываемая система основывается на методе косвенного нечеткого вывода для систем со многими входами, использующем декомпозицию нечеткого значения истинности (см. подразд. 2.2).
На четвертом уровне определим параметры обучения системы. Как отмечено в подразд. 3.2 для настройки нейро-нечеткой системы удобно применить генетический алгоритм. Основные параметры и их рекомендуемые значения приведены в табл. 3.1. Данные основаны на [7].
На третьем уровне определяется логическая система, используемая в нечетком выводе. Для того, чтобы при настройке нейро-нечеткой системы существовала возможность монотонного (не скачкообразного) изменения логической системы, используем параметрически выраженную импликацию Ягера (см. подразд. 2.1).
Для определения базы правил используем ручной подход, связанный с привлечением эксперта для формирования правил - тем самым определим второй уровень процедуры эволюционного проектирования.
Наконец на первом уровне используем параметрически задаваемые функции принадлежности вида (3.20).
Кроме указанных возможностей параметризации, находящихся в соответствии с 5-й уровневой процедурой эволюционного проектирования нейро-нечетких систем, отметим дополнительные возможности.
Для придания большей гибкости нечеткому выводу сопоставим каждому правилу базы знаний некоторый вес wk е[0,К],к = 1,К. Существуют различные способы взвешивания нечетких правил. В данной работе применение веса правила осуществим на шаге 3 алгоритма метода косвенного вывода после получения результата нечеткого вывода по А му правилу в отдельности. Выражение (3.12) изменится на Дополнительную гибкость нейро-нечеткой системе придает использование на 4-ом шаге алгоритма нечеткого вывода операции г-композиции нечетких множеств, представляющей собой обобщение операций объединения и пересечения нечетких множеств [43]. Этот шаг позволяет в рассматриваемой системе применять как классические импликации, так и способ задания нечеткой импликации в виде декартового произведения (соответствует нечетким системам типа Мамдани). В последнем случае вместо выражения (3.13) необходимо использовать:
вместо (3.13) позволяет при изменении способа задания нечеткой импликации автоматически, путем изменения параметра г, изменять способ формирования общего выхода по всей совокупности нечетких правил. При значении параметра г=\ результат совпадает с результатом операции пересечения. При значении параметра г, равном количеству нечетких множеств (аргументов), результат совпадает с результатом операции объединения.
Таким образом, хромосома, кодирующая нейро-нечеткую систему будет иметь вид (рис. 3.5): где aq,bq,cq,dq - параметры функции принадлежности q-ro нечеткого множества, q = \,Q; wk— вес А:-го правила, к = \,К; г - параметр г-композиции; / - параметр логической системы. Как видно, приведенный способ кодирования нечеткой системы соответствует так называемому «питтсбургскому» подходу, т.е. подходу, в котором одно хромосома кодирует всю базу правил. Данный способ представления позволяет избежать проблемы «сотрудничества-конкуренции», имеющей место в задачах формирования нечетких баз правил в том случае, когда одна хромосома кодирует одно нечеткое правило [92].
Для формирования популяций особей использовались генетические операторы: селекция, кроссовер, мутация [102].
Разработка алгоритма принятия решений по управлению очисткой сточных вод
Пусть система имеет п входных и т выходных параметров. Из числа входных параметров п - количество управляемых параметров. Каждому
параметру сопоставлена лингвистическая переменная. Пусть имеется нечеткая модель, реализующая зависимость выходных параметров от входных. Рассмотрим последовательность действий по выбору управляющего воздействия:
1) оператор (технолог очистной станции) указывает целевые значения выходных параметров системы. Целевые значения представляют собой нечеткие термы соответствующих лингвистических переменных: В1,...,Вт.
2) на основе указанных на шаге 1 нечетких термов BJ,j = \,m формируется декартово произведение нечетких множеств В = Д х ...х i?m;
3) перебираются все возможные управляющие воздействия при заданных значениях неуправляемых параметров. Управляющие воздействия представляют собой нечеткие значения лингвистических переменных, соответствующих управляемым параметрам системы; ПУ"1 _
4) для каждого набора Рк=(рк,...,рк ), /: = 1,..., /,, (Ц - количество нечетких термов для і-го управляемого параметра) значений управляющих параметров с использованием нечеткой модели вычисляются четкие значения выходных параметров у\ ,...,укт\
5) в качестве рекомендуемого управляющего воздействия выбрать
такой набор Р = Рк, который максимизирует выражение:
Приведенная методика позволяет использовать результаты нечеткого моделирования процесса очистки сточных вод для принятия решений по управлению. Разработка нечеткой модели процесса биологической очистки сточных вод рассмотрена в подразд. 4.1.
Применение нечеткой модели процесса очистки сточных вод и алгоритма выбора управляющего воздействия позволяет сформулировать рекомендации по управлению операторам-технологам очистной станции. Каждая рекомендация представляет собой значения управляемых параметров при определенных входных параметрах.
Целевые значения выходных параметров системы: «ХПК на выходе» есть «very small», «БПК на выходе» есть «very small».
Рекомендации по управлению приведены в табл. 4.12.
Во второй и третьей колонках табл. 4.12 указаны нечеткие значения входных параметров, характеризующих качество поступающих на очистную станцию сточных вод. В четвертой и пятой колонках указаны рекомендуемые значения управляемых параметров, при которых будет достигнуты целевые значения параметров, характеризующих качество очищенной воды.
1. Разработана нечеткая модель процесса очистки сточных вод.
2. Выполнена проверка адекватности разработанной нечеткой модели реальному процессу очистки сточных вод.
3. Предложена методика использования результатов моделирования очистки сточных вод в управлении технологическим процессом очистки.
4. Сформулированы рекомендации по выбору управляющего Aвоздействия по очистке сточных вод.
Основные положения данного раздела представлены в работе [27].
В разделе рассматривается компьютерная реализация системы поддержки принятия решений по управлению очисткой сточных вод. Сформулированы принципы и подходы к реализации основных блоков СППР. Указываются назначение базы данных, структура и способы формирования базы знаний, базы моделей, состав и функциональность блоков принятия решений и анализа проблем.
Приводится описание программного комплекса, реализующего систему поддержки принятия решений по управлению очисткой сточных вод. Программный комплекс состоит из следующих основных компонентов: модуль, реализующий основные операции по работе с нейро-нечеткой сетью; библиотека подпрограмм, реализующих генетический поиск; подсистема извлечения знаний из ретроспективной информации; подсистема настройки на предметную область. Указываются основные классы и подпрограммы.
