Содержание к диссертации
Введение
1. Системный анализ предметной области организации проблемно-ориентированных систем поддержки принятия решений в технических и социальных системах 12
1.1 Принципы функционирования информационных систем управления в технических и социальных системах 12
1.1.1 Основные принципы организации систем управления 12
1.1.2 Особенности информационных систем управления и поддержки принятия решений в технических и социальных системах 15
1.2 Информационные технологии в системах поддержки принятия решений 17
1.2.1 Технологии создания информационных систем поддержки принятия решений 17
1.2.1.1 Технологии автоматизации бизнес-процессов 17
1.2.1.2 Технологии автоматизации эвристической деятельности 19
1.2.2 Мультиагентный подход к построению информационных систем 25
1.2.2.1 Основы агентов и мультиагентных систем 25
1.2.2.2 Технологии построения мультиагентных систем 29
1.3 Применение мультиагентных информационных технологий при решении задач в технических и социальных системах 35
1.3.1 Преимущества использования мультиагентных технологий 35
1.3.2 Сферы использования мультиагентных технологий в технических и социальных системах 36
1.4 Концепция построения мультиагентных систем поддержки принятия решений на основе аналитической обработки слабоструктурированной информации 38
1.4.1 Основные принципы построения мультиагентной системы поддержки принятия решений в технических и социальных системах 38
1.4.2 Описание концепции построения мультиагетных систем поддержки принятия решений 41
1.5 Цель и задачи диссертационного исследования 44
2. Разработка моделей агентов мультиагентнои системы поддержки принятия решений на основе аналитической обработки слабоструктурированной информации 45
2.1 Формализация задачи многомерного анализа ситуации управления в технических и социальных системах 45
2.2 Постановка задачи построения мультиагентной системы поддержки принятия решений 47
2.3 Основные принципы организации информационного хранилища данных. 43
2.4 Выбор подхода к извлечению данных из информационных web-ресурсов 46
2.5 Описание мультиагентного подхода к решению задачи обработки слабоструктурированной статистической информации 59
2.5.1 Разработка структурных моделей агентов и описание их функционирования 60
2.5.2 Разработка продукционных моделей представления знаний агентов.. 78
2.6 Описание временных характеристик для общей задачи МАСППР 82
Основные выводы по главе 2 85
3. Разработка модели внешнего мира и алгоритмов функционирования мультиагентной системы поддержки принятия решенеий на основе аналитической обработки слабоструктурированной информации 86
3.1 Принципы построения онтологии предметной области обработки слабоструктурированной статистической информации 86
3.2 Выбор концептуальной основы архитектуры МАСППР 95
3.3 Методология проектирования МАСППР 98
3.3.1 Модель жизненного цикла МАСППР 100
3.3.2 Проектирование архитектуры МАСППР 102 3.3.2.1 Построение модели актеров 103
3.3.2.2 Построение функциональной модели 104
3.3.2.3 Построение модели агентов 106
3.3.2.4 Построение архитектуры МАСППР 118
3.3.3 Проектирование спецификаций МАСППР 119
3.3.3.1 Специфицирование онтологии 120
3.3.3.2 Построение модели классов агентов 121
3.3.3.3 Специфицирование протоколов взаимодействий агентов 122
3.3.3.4 Построение модели деятельности МАСППР 125
3.3.4 Имплементация 139
3.3.5 Преимущества методологии проектирования МАСППР 139
Основные выводы по главе 3 142
4. Разработка мультиагентнои системы поддержки принятия решений и проведение вычислительного эксперимента по оценке эффективности функционирования на примере сферы управления образованием 143
4.1 Описание ключевых моментов реализации МАСППР в сфере управления образованием 143
4.1.1 Описание использования информационного web-pecypca 143
4.1.2 Разработка требований к информационному хранилищу данных 152
4.1.3 Описание основных принципов организации МАСППР в сфере управления образованием 154
4.1.4 Описание онтологии предметной области МАСППР в сфере управления образованием 162
4.2 Анализ программно-аппаратных средств реализации МАСППР 170
4.2.1 Анализ требований к операционной системе 170
4.2.2 Выбор системы управления базами данных 170
4.2.3 Анализ и выбор языка программирования 172
4.2.4 Анализ и выбор платформы и средств реализации 173
4.2.5 Модульная структура МАСППР 175
4.3 Экспериментальные исследования работоспособности и эффективности функционирования мультиагентной системы поддержки принятия решений 177
Основные выводы по главе 4 181
Заключение 182
Список сокращений и условных обозначений 184
Список литературы
- Информационные технологии в системах поддержки принятия решений
- Постановка задачи построения мультиагентной системы поддержки принятия решений
- Выбор концептуальной основы архитектуры МАСППР
- Описание основных принципов организации МАСППР в сфере управления образованием
Информационные технологии в системах поддержки принятия решений
Задача информационных систем - формирование, сбор необходимой информации в целях обеспечения эффективного управления ресурсами предприятия, а также осуществление эффективной информационной и технологической среды для реализации функций управления предприятием.
Зачастую в системах управления (СУ) выделяются три уровня: стратегический, тактический и оперативный. На каждом из данных уровней управления присутствуют соответствующие задачи, для решения которых существует необходимость в соответствующем наборе исходных данных, которые можно получить с помощью соответствующих запросов к информационной системе. Информационные технологии позволяют обрабатывать данные запросы и сформировывать ответы на эти запросы. В конечном итоге на каждом из уровней управления собирается информация, необходимая для принятия решений.
На стратегическом уровне управления осуществляется определение долгосрочной цели, направление деятельности предприятия, распределение ресурсов, координация и регулирование, прогноз параметров внешней среды и организационные изменения.
На тактическом уровне управления осуществляется детализация выбранных стратегий до уровня планов действий, планирование производственных мощностей, сбыта, капиталов, персонала, инвестиций в рамках стратегического планирования.
На оперативном уровне управления осуществляется разработка конкретных действий на краткосрочный период (месяц, декада, неделя, сутки) в рамках тактического плана, принятие соответствующих структурированных решений, обеспечение выполнения запланированных задач при заданных сроках, нормативах затрат, спецификации и количестве.
Информационные системы управления (ИСУ) - это системы, которые строятся на тактическом уровень управления: среднесрочное планирование, анализ и организация деятельности в течение определенного интервала времени, например анализ и планирование снабжения, сбыта, составление производственных программ.
Информационные автоматизированные системы управления - это многоуровневые иерархические автоматизированные системы, которые обеспечивают комплексную автоматизацию управления на всех уровнях и охватывают весь цикл работ от проектирования до сбыта продукции, и предназначенные для обеспечения эффективного функционирования управляемого объекта (системы) путем автоматизированного выполнения заданных функций.
Информационные системы обеспечивают специалистов данными для выполнения всех функций управления и поддержки принятия решений.
В настоящее время ИС играют особую роль при современном уровне информатизации управленческих процессов. Для современного общества ИС представляют собой средства для обработки больших массивов неструктурированной информации, средства обеспечения доступа и обработки информации, поступающей из внешней среды предприятия, и позволяющие осуществлять доступ к удаленным базам данных (БД), информационно-справочным и поисковым системам. С помощью таких средств можно проводить маркетинговые исследования и мониторинг изменений внешней среды предприятия.
Также к ИС относятся средства автоматизации бизнес-процессов предприятия, позволяющие сотрудникам выполнять работу более качественно и эффективно. К данным ИС относятся, в частности, и средства обработки больших массивов структурированных данных, такие, как хранилища данных и электронные архивы.
К современным ИС относятся также и средства автоматизации труда управленцев, позволяющие использовать наработанный мировой опыт, заложенный в информационные продукты для управления предприятием. 1.1.2 Особенности информационных систем управления и поддержки принятия решений в технических и социальных системах
Информационные системы управления в технических и социальных системах должна обеспечивать выполнение следующих основных функций: 1. Обеспечение полноты информации для каждого звена системы управления. Полнота определяется как отношение полученной информации к запрошенной информации, необходимой для управления. 2. Полезность и ценность информации. Информационные потоки в системе управления должны направляться по конкретным адресам - конкретным руководителям, специалистам и служащим управленческого аппарата. 3. Точность и достоверность информации - принятие решений на недостаточно точных или недостоверных данных увеличивает риск допущения ошибок в процессе принятия управленческих решений. 4. Своевременность поступления информации. Если информация не поступает вовремя, то орган управления будет бездействовать в тот момент, когда объект управления особенно нуждается в управляющих действиях. 5. Агрегируемость информации - рациональное распределение информации по уровням иерархии управления. На высшие уровни управления должна поступать более обобщенная информация, на нижние - более детализированная. 6. Актуальность информации. В процессе принятии решений важно учитывать возраст информации и ее актуальность для конкретных управленческих задач. 7. Экономичность и эффективность обработки информации. Эффективность информационной подсистемы можно оценить сопоставляя результаты управления с затратами на сбор, накопление, обработку, преобразование и передачу информации.
Программа создания информационной системы управления предусматривает разработку и совершенствование систем сбора и обработки информации по критерию максимального обеспечения управляющих структур необходимой и достоверной информацией в необходимые сроки, модернизацию системы управления в целях автоматизированной поддержки принятия управленческих решений, а также построение стратегической информационно-управляющей системы.
Таким образом, системы поддержки принятия решений выступают как подсистемы ИСУ, обеспечивающие автоматизированную поддержку необходимых решений для осуществления эффективного управления.
Системы поддержки принятия решений (СППР) - компьютерные автоматизированные системы, целью которых является помощь лицам, принимающим решения (ЛПР), в сложных условиях для полного и объективного анализа предметной деятельности.
Постановка задачи построения мультиагентной системы поддержки принятия решений
Каждая интернет-ссылка, соответствующая странице с многомерными данными, должна иметь уникальный идентификационный код, который должен храниться в базе знаний агента ресурса. Уникальные коды ссылок должны быть разделены на множества: CLb CL2, ..., CLh. Соответственно, в CLi будут записаны коды ссылок только для первой ситуации управления, в CL2 - коды для второй ситуации управления, и в CLh - коды для h-й ситуации управления. Агент ресурса, используя коды ссылок в качестве параметров запросов, осуществляет специализированные запросы к онтологии предметной области с целью получения текстов запрашиваемых интернет-ссылок, которые хранятся в онтологии, для осуществления их последующей загрузки и получения их объектных моделей.
Агент ресурса извлекает многомерные данные из HTML-таблицы построчно, т.е. сначала в одной строке таблицы извлекается значение первой ячейки таблицы, а именно значение наименования поля метки измерения dol в переменную NE, и затем извлекаются многомерные данные в данной строке, соответствующие значению данной метки измерения, в специальный массив фактов ArrayOfFacts[1...QE+1]. Затем происходит активизация обработчика в блоке подготовки сообщений, где сообщение оформляется надлежащим образом, и передается агенту сервера вместе с переменной VCL, в которую записан код загруженной ссылки, NE и массивом фактов.
Агент сервера осуществляет внесение данных из массива фактов в таблицу фактов ХД, и отсылает сообщение с переменной RI, соответствующей информации об успешно завершенной записи данных в ХД, агенту ресурса, после чего осуществляется переход ко второй строке HTML-таблицы и последующее извлечение данных и т.д.
Для извлечения, непосредственно, многомерных данных с помощью анализа объектной модели документа (DOM), агенту ресурса необходимо знать следующий набор параметров: QX - номер ячейки с первым фактом в строке, QE -количество фактов в строке, подлежащих извлечению, QS - значение шага, необходимое агенту для перехода между соответствующими ячейками с фактами в строке.
Значения данных параметров для каждой ситуации управления (коллекции) индивидуальные, и все они хранятся в онтологии предметной области. Агент ресурса, получая от агента пользователя код коллекции, а также V, посредством специализированного запроса к онтологии, с использованием параметра CQ (i = l,h), получает индивидуальный набор необходимых параметров извлечения данных.
В свою очередь, агент ресурса с помощью системы продукционных правил осуществляет либо выборочное извлечение кодов ссылок из соответствующего множества базы знаний при условии V = 0, обеспечивая максимальное быстродействие процесса обработки информации, либо проверяет наличие в онтологии текстов всех кодов интернет-ссылок, хранящихся в базе знаний агента ресурса при условии V = 1.
В случае если текста ссылки соответствующего кода в онтологии нет, то результатом запроса к онтологии будет пустое значение (NULL) текста ссылки, в результате чего агент ресурса с помощью системы продукционных правил производит запись в базу знаний обновленного нулевого значения специального показателя ITn = 0, записанного с использованием специального префикса, задающего информацию о несуществующей ссылки, и продолжит поиск по следующему коду ссылки. Если значение текста кода ссылки является не пустым, агент ресурса производит запись в базу знаний обновленного значения показателя 1ТП = 1.
Если значение переменной V = 1, то режим работы агента ресурса соответствует режиму обучения агента, что позволяет при использовании пополняемой модели мира осуществлять извлечение новых данных о новых объектах анализа, недавно подключенных к информационной системе web-pecypca. В случае отсутствия необходимости активизации режима обучения достаточно передать агенту ресурса в сообщении нулевое значение V.
База знаний агента ресурса представляет собой совокупность множеств, состоящих из уникальных идентификационных кодов интернет-ссылок, необходимых для доступа к многомерным данным web-pecypca, а также значения показателя истинности ITn (indicator of truth) существования данных интернет-ссылок в онтологии предметной области.
Методика кодирования интернет-ссылок основывается на реализации декартова произведения конечных множеств, состоящих из трехзначных уникальных идентификационных кодов, соответствующих коллекциям страниц СС (Со-deCollection) = {ССі, СС2, ..., CCh} и значениям измерений dc, dg, dt таблиц изме рений ХД, причем ССі, СС2, ..., CCh рассматриваются на уровне множеств с одним элементом. В некоторых случаях в силу специфических особенностей предоставления информации на web-pecypcax и невозможности одновременной загрузки детализированных аналитических мер в срезе отдельных значений измерений do2 и do3, то предлагается проводить декартово произведение с участием данного измерения, и проводить поочередную загрузку HTML-страниц с учетом отдельных значений измерений do2 и do3.
Для осуществления кодирования интернет-ссылок необходимо присвоить коллекциям (таблица 3) и всем значениям измерений dc, dg, dt многомерной модели данных уникальные коды, состоящие из трехзначных вещественных чисел.
Выбор концептуальной основы архитектуры МАСППР
Для реализации возможности агентов распознавать табличные данные, подлежащие извлечению, а также определять наборы необходимых координат записи в ХД, разработана пополняемая модель внешнего мира интеллектуальных агентов в виде онтологии предметной области
Онтология описывает основные концепции (положения) предметной области и определяет отношения между ними. Под онтологией понимается «формальная спецификация концептуализации, которая имеет место в некотором контексте предметной области». В свою очередь, концептуализация - представление предметной области через описание множества понятий (концептов) предметной области и связей (отношений) между ними. Онтология вместе с множеством индивидуальных экземпляров составляют базу знаний.
Онтология предметной области обработки слабоструктурированной статистической информации должна быть реализована для успешной работы программных агентов, обрабатывающих и выполняющих комплекс информационных запросов, составленных на специальном языке спецификации запросов. Агенты выполняют специальные информационные запросы к онтологии, и получают ответы в соответствии с указанными параметрами в запросе, а также на основе совокупности логических выводов.
Модель онтологии предметной области получения многомерных данных из web-pecypca может быть представлена кортежем: 0={CN,PN,RN,IN}, (22) где CN - множество понятий (концептов) предметной области, CN = {CNi, CN2, ..., CNS}; PN - множество атрибутов понятия, PN = {PNb PN2, ..., PNV}; RN -множество отношений между понятиями, RN: CN; x CNS; IN - множество экземпляров понятий (индивидов), IN = {INi, IN2, ..., INC}.
Предложенная специфика семантического описания декларативных знаний о предметной области позволяет интеллектуальным агентам адекватно решать задачи распознавания данных, подлежащих извлечению, а также определения координат записи данных в таблицы фактов ХД.
В онтологии предметной области должны содержаться данные об интернет-ссылках, а именно коды всех возможных ссылок, и связанные с ними тексты ссылок, индивидуальные параметры извлечения многомерных данных из web-ресурса, связанные с конкретными коллекциями, а также уникальные коды меток измерений, соответствующие меткам измерений схемы данных ХД.
В процессе разработки онтологии предлагается использовать специализированный язык построения онтологии OWL DL, а для реализации запросов к онтологии использовать специальный язык запросов к онтологии SPARQL.
OWL (Web Ontology Language) - язык описания онтологии для семантических сетей, позволяющий производить описание классов и отношений между ними, присущие web-документам и приложениям. Основой языка OWL является соответствующее представление действительности в модели данных «объект -свойство».
OWL DL является разновидностью языка OWL, предназначенный для пользователей, которым нужна максимальная выразительность при сохранении полноты вычислений (все логические заключения, подразумеваемые той или иной онтологией, будут гарантированно вычислимыми) и разрешаемости (все вычисления завершатся за определенное время).
Роль hasDimension является логической связью между концептами Number-Fact и Dimension. Таким образом, для каждого экземпляра номера элемента массива фактов ставится в соответствии экземпляр (значение) измерения таблицы фактов ХД. Под экземпляром измерения понимается наименование значения измерения NM(uf). Это необходимо для получения агентом сервера набора необходимых координат для определения места строки записи соответствующего элемента массива фактов в ХД.
Роль hasParameters является логической связью между концептами Collection и ParsingParameters. Таким образом, для каждой коллекции ставится в соответствии индивидуальный набор необходимых параметров для осуществления агентом ресурса доступа и извлечения конкретных фактов, закрепленных за индивидами связующего атомарного концепта.
Пусть PN = {PNi, PN2, ..., PNV} - конечное непустое множество атрибутов атомарных концептов онтологии. Множество необходимых атомарных ролей приведено в таблице 13. Таблица 13
Атрибут hasNumberFact предназначен для задания каждому индивиду классов NumberFactCollectionl, NumberFact_Collection_2, NumberFactCollectionh значения номера факта из массива фактов, собранных из соответствующей коллекции.
Атрибуты hasCodeDimension )1, hasCodeDimension( i05)1, hasCodeDimen-sion(do2)2, hasCodeDimension( i05)2, hasCodeDimension( i02)h, hasCodeDimension( i03)h предназначены для задания каждым индивидам классов Dimension( i02) , Dimension )1, Dimension( i02)2, Dimension( i05)2, Dimension( i02)h, Dimension( i05)h уникальных идентификационных кодов, соответствующих кодам меток измерений CM(d), записанных в таблицы фактов ХД.
Атрибуты hasCodeLink и hasTextLink предназначены для задания каждому индивиду класса Link уникального кода в соответствии с базой знаний агента ресурса и текста интернет-ссылки, используя которые агент ресурса сможет проверять наличие многомерных данных по ситуации управления для новых объектов анализа, недавно внесенных в информационное пространство web-pecypca (про изводить обучение и адаптацию агента к новым данным в предметной области), а также непосредственно получать текст интернет-ссылки для осуществления загрузки страницы с многомерными данными и извлечения их в массив фактов.
Атрибуты hasCodeDimension( i07) , hasCodeDimension( i07) , hasCodeDimen-sion(dol)h, hasNameDimension )1, hasNameDimension( i07)2, hasNameDimen-sion( i07) предназначены для задания каждым индивидам классов Dimension( i07) , Dimension( i07) , Dimension( i07) уникальных кодов, соответствующих кодам меток измерений (d0j) , (d0i) , (d0i) , записанных в таблицы измерений ХД, и имен объек 1 9 тов анализа, соответствующих наименованиям меток измерений (d0j) , (d0j) , (d0i) , по которым агентом сервера инициируется поиск соответствующих кодов меток измерений.
Для реализации извлечения многомерных данных из web-pecypca агенту ресурса необходимо знать перечень параметров, соответствующих конкретной коллекции, таких как номер первой ячейки с фактом, количество извлекаемых фактов в одной строке таблицы web-pecypca, численное значение шага, необходимого для перехода к следующей ячейки с фактом в данной строке таблицы web-pecypca. Для получения агентом ресурса соответствующих параметров для извлечения многомерных данных используются атрибуты hasFirstCellNumber, hasFactsQuanity, hasFactsStep, предназначенные для задания каждому индивиду класса Pars-ingParameters соответствующего набора индивидуальных параметров, соответствующих индивидам класса Collection, имеющего атрибут hasCodeCollection, предназначенный для задания каждому индивиду класса Collection уникального кода.
Онтология в терминах дескрипционной логики представляет собой совокупность общих знаний о понятиях и их взаимосвязях (интенсиональные знания) - множество терминологических аксиом (ТВох), и множества знаний об индивидуальных объектах, их свойствах и связях (экстенсиональные знания) - множество утверждений (фактов) об индивидах (АЬох). Вместе они составляют так называемую базу знаний или онтологию.
Описание основных принципов организации МАСППР в сфере управления образованием
Аттестацию и состав педагогических работников удобнее просматривать и анализировать в различных срезах образовательных учреждений по разным районам в рамках одной кросс-таблицы. Анализ успеваемости также удобнее проводить при помощи OLAP-технологий в различных срезах образовательных учреждений по разным районам, а также с учетом учебного года и отчетного периода, вычисляя (суммируя) агрегатные значения (факты).
Коллекция «Успеваемость», безусловно, имеет свои преимущества и обеспечивает пользователя объемным сервисом и очень подробной информацией об успеваемости, в том числе, отдельно взятых классов и отличников, которая необходима при определенных потребностях в анализе ситуации управления.
В нашей МАСППР касательно коллекции «Успеваемость», мы будем использовать данные верхнего уровня: количественные данные об успеваемости в регионе на уровне отдельных учреждений. Анализировать данные верхнего уровня удобно при помощи OLAP-технологий и средств, чтобы окинуть взглядом успеваемость учеников в регионе, сравнить показатели успеваемости учреждений региона, расположенных в различных административно-территориальных единицах, и т.д.
На рисунке 42 представлен пример отображения многомерных данных, находящихся в коллекции «Аттестация педагогических работников». При необходимости агрегирования показателей в рамках одного муниципалитета, или сравнения показателей с учреждениями других типов в рамках других муниципалитетов области, необходимо открывать данную информацию в отдельных интернет-страницах, что является крайне неудобным при анализе многомерных данных.
Так как данные, содержащие информацию о трех или более признаках для каждого объекта, по определению называются многомерными данными, что исключительно подходит к интерпретации данных на рисунке 42, то для эффективного анализа этих данных целесообразно использовать OLAP-технологий.
Фрагмент таблицы отображения многомерных данных коллекции «Аттестация педагогических работников». На рисунке 43 представлен пример отображения многомерных данных для коллекции «Состав педагогических работников». Здесь так же представлены многомерные данные, которые удобнее анализировать с использованием OLAP-технологий.
Пример таблицы отображения многомерных данных коллекции «Состав педагогических работников». Здесь помимо необходимости проведения многомерного анализа данных также стоит проблема в отношении отображения многомерных данных в срезах измерения «Возраст». Как видно на рисунке 40, в рамках одной таблицы невозможно отобразить данные по составу педагогических работников отдельно по каждому значению измерения «Возраст», потому что эти данные суммируются в рамках отдельных учреждений. Для решения данной проблемы так же необходимо применить OLAP-технологии, в соответствии с которыми данные на рисунке 43 должны быть показаны только в результате проведения агрегатного суммирования фактов по каждому измерению.
На рисунке 44 представлен пример отображения многомерных данных для коллекции «Успеваемость».
Обобщенная структура DOM-дерева для XHTML-таблицы с учетом всех выбранных параметров отчета, расположенной в разделе «Аттестация педагогических работников» — «Аннинский район» — «Общеобразовательное учреждение», представлена на рисунке 45. Структура DOM-дерева для всех остальных XHTML-таблиц строится аналогичным образом.
Принцип организации многомерных моделей данных для вышеописанных ситуаций управления представлены на рисунках 46, 47, 48. Пусть SF - множество подмножеств совокупностей условий хранения фактов в ХД, SF = {SFi, SF2, SF3}. Под условиями хранения фактов подразумевается множество совокупностей организационных объединений измерений, связанных с таблицами фактов в ХД. Таким образом, множество совокупностей условий хранения фактов для таблицы «Аттестация педагогических работников» описано ниже: Описание основных принципов организации МАСППР в сфере управления образованием Методика кодирования интернет-ссылок основывается на реализации декартова произведения конечных множеств, состоящих из трехзначных кодов коллекций и уникальных идентификационных кодов, соответствующих значениям измерений таблиц фактов ХД, таких как «Муниципальное образование» (МО), «Тип образовательного учреждения (ОУ)», «Возраст», и «Время». Таблица множества кодов СС (CodeCollection) = {CCi, СС2, СС3}, соответствующих коллекциям, представлена ниже: