Содержание к диссертации
Введение
1. Гибридные интеллектуальные системы и проблемыях разработки 14
1.1. Особенности обработки информации и управления на современных предприятиях 14
1.2. Гибриды и гибридизация в теории управления и обработке информации 22
1.3. Понятиен актуальность гибридных интеллектуальных систем 26
1.4. Классификация и свойства гибридных интеллектуальных систем 34
1.5. Состояние теории, методологии и технологии гибридных интеллектуальных систем 39
1.6. Проблемы гибридизации для организации интеллектуального управления и задачи разработки технологии функциональных гибридных интеллектуальных систем 53
2. Концептуальные модели - основа технологии гибридных интеллектуальных систем 61
2.1. Концептуальные модели эвристик технологии гибридных интеллектуальных систем 61
2.2 Онтология концептуальных моделей 64
2.3. Неформальная аксиоматическая теория схем ролевых концептуальных моделей 68
2.4 Схема ролевых концептуальных моделей для представления моделей действительности 78
2.5. Схемы ролевых концептуальных моделей для структурированного представления знании об объектах-оригиналах гибридизации из мира управления - ресурсах, действиях, структурах, ситуациях и состояниях 82
2.6. Стратифицированные концептуальные модели предметной области. 88
3. Модели задач обработки информации и управления в технологии гибридных интеллектуальных систем 98
3.1. Онтология задач обработки информации и управления 98
3.2. Источники и понятие неоднородности задач 109
3.3. Схемы ролевых концептуальных моделей однородных и неоднородных задач 114
3.4. Многоуровневый подход к решению неоднородных задач 118
3.5. Модели и свойства задач планирования в неоднородной проблемной среде 124
4. Модели инструментариев в технологии гибридных интеллектуальных систем 132
4.1. Онтология методов моделирования задач обработки информации и управления 132
4.2. Схемы ролевых концептуальных моделей методов моделирования... 140
4.3. Модели базисных автономных методов в проблемно-структурной технологии 145
4.4. Интегрированные методы и модели в проблемно-структурной технологии 162
4.5. Модель взаимодействия мира однородных и неоднородных задач и мира автономных и интегрированных методов 173
5. Моделирование функциональных гибридных интеллектуальных систем в проблемно-структурной технологии 177
5.1. Модели элементов гибридных интеллектуальных систем 177
5.2. Схема ролевых концептуальных моделей функциональных гибридных интеллектуальных систем для крупнозернистого описания элементов 184
5.3. Схема ролевых концептуальных моделей функциональных гибридных интеллектуальных систем для мелкозернистого описания элементов 187
5.4. Модели функционирования гибридных интеллектуальных систем. Гибридные стратегии 192
5.5. Язык концептуального моделирования функциональных гибридных интеллектуальных систем 197
5.6. Метод моделирования гибридных стратегий 199
5.7. Принципы разработки гибридных интеллектуальных систем 203
6. Системный анализ неоднородных задач в проблемно-структурной технологии 208
6.1. Структура и содержание проблемно-структурной методологии 208
6.2. Методология разработки элементов функциональных гибридных интеллектуальных систем 214
6.3. Методы редукции неоднородных задач -...: 239
6.4. Метод и алгоритм выбора класса базисных методов для разработки элементов гибридных интеллектуальных систем 245
7. Методы синтеза функциональных гибридных интеллектуальных систем в проблемно-струкіурной технологии 255
7.1. .Синтез метода решения неоднородных задач для декомпозиций типа «дерево» 255
7.2. Синтез метода решения неоднородных задач для декомпозиций типа «сеть» 260
7.3. Язык и технология конвейерного моделирования функциональных гибридных интеллектуальных систем 262
7.4. Свойства проблемно-структурной методологии 270
8 Инструментальные средства поддержки проблемно-структурной технологии функциональных гибридных интеллектуальных систем 274
8.1. Инструментальная система разработки гибридных систем-ГИМЕНЕЙ 274
8.2. Инструментальная среда Visual Event 2,0 291
8.3. Инструментальная среда КОНЦЕПТ 1.0 293
8.4. Инструментальные среды и пакеты программ СИГМА ТУ, АГРО и SENSOR 296
9. Исследования проблемно-структурной технологии на неоднородных задачах планирования и проектирования 310
9.1. Сменно-суточное планирование в морском рыбном порту 310
9.2. Планирование пропускной способности транспортного узла 316
9.3. Планирование урожаев и агротехмеронриятий в биопроизводткенной системе 323
9.4. Проектирование систем автоматики морских транспортных судов иностранной постройки 338
Заключение 354
Список литературы 357
Приложения 388
- Особенности обработки информации и управления на современных предприятиях
- Концептуальные модели эвристик технологии гибридных интеллектуальных систем
- Онтология задач обработки информации и управления
- Онтология методов моделирования задач обработки информации и управления
Введение к работе
Автоматизацию обработки информации и управления в технических, социально-экономических и биопроизводственных системах (БПС) невозможно представить без применения широкого спектра методов и моделей классической и дискретной математики, имитационного моделирования, системного анализа, исследования операций (ИСО), искусственного интеллекта (ИИ). Огромный вклад в эту область внесли своими работами А.И. Берг, В.М. Глушков, ЛТ. Кузин, G.I1 Ларичев, Л.А. Растригин, А.И Уемов. В.Ф. Перегудов, Г\С. Поспелов, Д.А. Поспелов, Р.А. Полуэктов, NJ. Niisson, L. Zadeh, Е. Mamdani, W.S, McCullocb, W.TL Pitts, Kohonen, S. Grossberg, J. Holland и др. Благодаря трудам этих ученых и их школ появилось множество равных по способам представления данных и знаний классов методов, моделей, алгоритмов и инструментальных средств систем обработки информации и управления, открылась возможность увеличить производительность умственного труда во всех сферах деятельности человека.
К концу 80-х голов, несмотря па разнообразие инструмептариев с заметно улучшившимся качеством, для специалистов по автоматизированным системам управления и обработки информации сложилась парадоксальная ситуация: написать интеллектуальную систему, которая помогала бы решать все усложняющиеся практические задачи, становилось все труднее и труднее. А сегодня уже известно, что только менее трети проектов информационных систем заканчиваются успешно- С этим парадоксом наука и практика перешли в 21 -и век.
Большинство ученых во многом сходятся в оценке главной причины этого парадокса. Он вызван3 с одной стороны, необходимостью решения не «игрушечных», а сложных «практических» задач, т,е. таких задач, «какие они есть» на самом деле, в реальном мире, а с другой стороны, практикой узкой специализации научных школ на развитии и применении одного единственного метода моделирования для имитации решения задач человеком, что приводит к од постороннему, ограниченному, несистемному рассмотрению сложных явлений и процессов.
Необходимость отказа от абсолютизации какого-то одного вида знаний при разработке интеллектуального управления, перехода к ансамблям сотрудничающих с целью взаимокомпенсации недостатков моделей и поиска методов решения практических задач за рамками преимуществ и недостатков отдельных инструментариев построением много модельных, интегрированных, гибридных систем и гибридных интеллектуальных систем (ГИИС) с мягкими вычислениями обосновывалась А.Н. Борисовым, В.Ф. Венла, Е.С. Вентцель, Д.А. Поспеловым, L. Peshel, L. Zadeh, М. Minsky, R. Sun и др. Основы теории, методологии и технологии ГИИС заложены в трудах А.Н. Аверкина, Н.П. Бусленко, ВВ. Емельянова, Г.С, Оснпова, В.Б, Тарасова, Н.Г, Ярушкиной, L. Medsker, S. Goonatilake, S. Khebbal, M. Hillario, S. Wcrmtcr, D. Nauck и других ученых.
Несмотря на успехи ГИИС 90-х годов, как и в любом научном направлении, здесь еше много неясных и нерешенных проблем как по постановке, так н по методам. По многокомпонентным, функциональным ГИИС сделаны лишь первые шаги. Нет теории, отсутствуют технологии их автоматизированного проектирования, разработка ГИИС по-прежнему относится скорее к искусству {(генетика-информатика» в его уникальной мастерской, чем к научно обоснованной гибридизации, широко используемой в решении практических задач. Гибридизация - сложный, тонкий и трудоемкий процесс разработки ГИИС, требующий широкого спектра знаний о предметной области, задачах, методах их решения, длительной по времени, сложной обработки информации и экспериментов. Часто встречающееся некорректное применение автономных технологий и методов, например искусственных нейронных сетей (ИНС), нечетких систем (НС) и генетических алгоритмов (ГА), приводит к ошибкам в функциональных ГИИС, а трудоемкость их разработки не позволяет за время проекта построить несколько вариантов, проверить их качество и выбрать приемлемый.
Поэтому, а также из-за расширения практики разработки и применения в интеллектуальном управлении и проектировании гибридов, актуальны теория, методология и особенно технология гибридизации. Объект исследования диссертации - методы, модели, алгоритмы и программы разработки функциональных ГИИС.
Актуальность исследований подтверждается поддержкой Российского фонда фундаментальных исследований (грант 98-01-0081) и Комитета по научным исследованиям республики Польша (грант № 8T11A00S13), договором о Международном сотрудничестве между Гданьским техническим университетом и Калининградским государственным техническим университетом .(КГТУ) от 10 апреля 1998 года. Выполнение работы связано с плановыми исследованиями Санкт-Петербургского государственного технического университета (СПбГТУ), КГТУ и Калининградского отделения международной Академии информатизации. В соответствии с приоритетными направлениями развития науки и техники, а также перечнем критических технологий федерального уровня, утвержденных решением Правительственной комиссии по научно -технической политике и указом Президента РФ от 13.07.1996 года № 884 «О доктрине развития Российской науки» интеллектуальные системы автоматизированного проектирования и управления отнесены к критическим технологиям федерального уровня.
На защиту выносятся следующие основные научные результаты:
1) впервые разработанные классификации ГИИС и их архитектур, модели гибридизации, построенные обобщением мирового опыта создания ГИИС;
2) впервые разработанная неформальная аксиоматическая теория схем ролевых концептуальных моделей для представления данных и знаний как системная основа технологии ГИИС;
3) впервые построенные в неформальной аксиоматической теории схемы многоуровневых концептуальных моделей объектов-оригиналок гибридизации (сложных практических задач), объектов-прототипов (методов моделирования), элементов ГИИС и объектов-результатов (функциональных ГИИС);
4) методы редукции сложности практических задач, метод и эвристический алгоритм выбора классов для разработки элементов ГИИС, метод и эвристические алгоритмы синтеза функциональных ГИИС;
5) новая методология автоматизированной разработки функциональных ГИИС, использующая знання в виде схем ролевых концептуальных моделей задач, методов и архитектур ГИИС:
6) новая проблемно-структурная технология, автоматизирующая системный анализ слояошх практических задач и синтез функциональных ГИИС,
Глава 1 посвящена гибридным интеллектуальным системам, проблемам их разработки и постановке задач исследований. Здесь, как очередная ступень эволюции систем обработки информации и управления, введены модели многомодельных, гибридных, гибридных адаптивных систем управления и рассмотрены их особенности, из которых следует актуальность гибридов и гибридизации. Даны понятия ГИИС и предложены две схемы гибридизации. Проанализированы известные в мировой практике классы ГИИС7 обоснован выбор для дальнейших исследований функциональных ГИИС и построена их классификация. Исследовано состояние теории, методологии и технологии ГИИС. Анализ состояния и тенденций развития ГИИС позволил сформулировать задачи исследований.
Материал главы 2 занимает особое положение. В ней изложен язык концептуального моделирования (ЯКМ) функциональных ГИИС, используемый во всех последующих главах. Этот язык разработан в неформальной аксиоматической теории схем ролевых концептуальных моделей. Используя аппарат схем, последовательно формализуются понятия ресурса, свойства, действия, оценки, состояния, а в главах 3 - 7, - понятия задачи, автономного и интегрированного метода, элемента ГИИС, гибридного интеллектуальной системы и гибридного имитационного процесса - основы предлагаемой в диссертации проблемно-структурной (PS) технологии разработки функциональных ГИИС.
Глава 3 посвящена моделированию в PS-технологии сложных практических задач обработки информации и управления. Построена и рассмотрена он тология, выявлены источники неоднородности практических задач, сформулированы схемы однородных и неоднородных задач. Получена также схема одного из классов неоднородных задач - проблем планирования, на решение которых апробировалась PS-технология. Как обобщение известных методов редукции сложности формализованных и трудноформализуемьтх задач предложены методы редукции неоднородных задач.
Глава 4 посвящена моделированию в PS-технологии инструментариев решения задач. Для этого разработана и рассмотрена онтология, в ЖМ сформулированы схемы метода моделирования на макро- и микроуровнях. Построены концептуальные модели (КМ) и модели вычислений для шести классов методов, названных базисными. Определены понятия автономного и интегрированного метода реї пения задач, гетерогенного модельного поля. Предложена классификация отношений интеграции знаний. Построена модель взаимодействия мира задач и мира методов моделирования, на которой конструируются функциональные ГИИС.
Глава 5 посвящена моделированию в ЯКМ как основе PS-технологии, функциональных ГИИС. В этой главе завершается построение неформальной аксиоматической теории схем ролевых концептуальных моделей, начатое во второй главе, Для этого вводятся схемы элементов для крупно- и мелкозернистых функциональных ГИИС. Из схем элементов строятся различные варианты схем ГИИС. Для каждого варианта предложены формализм и метод моделирования функционирования ГИИС в специально сконструированной динамической, семантической сети. Разработан ЯКМ проектировщика функциональных ГИИС как иерархия десяти языков для конструирования знаков объектов - оригиналов, объектов-прототипов и объектов-результатов гибридизации. Принципы разработки ГИИС, концентрирующие в лаконичной форме опыт гибридизации изложены в последнем разделе главы.
Глава 6, Здесь для всех шести классов базисных автономных методов изложены жизненные циклы методологий разработки элементов ГИИС. Основное внимание уделено жизненному циклу методологии разработки приложений объектов-результатов - функциональных ГИИС. Рассмотрена структура и содержание проблемно-структурной методологии разработки функциональных ГИИС. Центральное внимание уделено методам редукции неоднородных задач, а также методам, моделям и алгоритмам подбора класса методов, релевантных свойствам однородных задач из декомпозиции неоднородной задачи. Сформулированы свойства и преимущества PS-методологии.
В главе 7 рассматриваются методы, применяемые в PS-технологии для синтеза функциональных ГИИС с целью решения неоднородных задач. Для этого сформулированы две задачи, разработаны методы и алгоритмы синтеза над гетерогенным модельным полем структуры функциональных ГИИС, интерпретация которой трактуется как метод решения неоднородной задачи. Рассмотрен метод, языки методология конвейерного моделирования ГИИС.
Глава 8 посвящена инструментальным средствам поддержки PS - технологии разработки функциональных ГИИС. Рассмотрена инструментальная среда, поддерживающая PS-технологию и крупнозернистую гибридизацию - система ГИМЕНЕЙ. Изложены состав, архитектура и функции всех основных программ. Рассмотрено также семейство инечрументариев, поддерживающих решение в PS-технологии неоднородных задач в прикладных областях - пакет программ для синтеза и экспериментов с ГИИС для сменно-суточного планирования обработки судов в морском рыбном порту - СИГМА ТУ, пакет программ для синтеза и экспериментов с ГИИС для планирования урожаев и агромеро-лриятий в БИС - АГРО и инструментальная среда разработки приложений ГИИС для выбора измерительных приборов и первичных преобразователей (ИГШП) систем судовой автоматики. Заканчивается глава изложением языка и системы моделирования функциональных ГИИС - Visual Event 2.0.
Глава 9 содержит результаты апробации PS-технологии на решении неоднородных задач планирования и конструирования для трех предметных областей. На конкретных примерах рассмотрены вопросы системного анализа неоднородных задач, разработка в общей сложности 28 автономных моделей -элементов ГИИС, архитектуры нескольких программных систем и результаты экспериментов, подтверждающие эффективность ГИИС, создаваемых по PS-технологии. Выполнен сравнительный анализ и получены оценки эффективности инструментальных средств, поддерживающих PS-технологию.
В семи приложениях приведены таблицы аналитических обзоров, в том числе и архитектур ГИИС и методов редукции сложности задач, результатов экспериментов и другие вспомогательные материалы, а также документы о практическом использовании выводов ст результатов диссертации.
Выражаю благодарность моему научному консультанту, заведующему кафедрой компьютерных интеллектуальных технологии в проектировании СПбГТУ, лауреату Ленинской премии, профессору, д.т.н. Яшину А,МГ за мно начисленные обсуждения и ценные замечания, которые способствовали формированию научных убежденіпі автора. Много ценного автор почерпнул из бесед с д.т.н., профессором Гавриловои ТА., которая помогала найти ответы па сложные вопросы по интеллектуальным системам. Признателен и коллегам этой кафедры и других кафедр факультета технической кибернетики СПбГТУ, которые нашли время обсудить проблематику ГИИС.
Особенности обработки информации и управления на современных предприятиях
Развитие общества требует непрерывного совершенствования человеческой деятельности в сферах производства, управления, обучения, науки, творчества я др. Решение этих задач невозможно без применения кибернетики. Тео-рия и практика управления как область знаний, со времени выхода книги «Кибернетика и общество» [Винер, 1958], развивается настолько бурно, что понятия «управления» и «систем управления» претерпевают неизбежные изменения [Вавилов, Имаев, 1983].
В середине 19-го века И,А. Вышнеградский и Дж. Максвелл впервые применили к автоматике методы математического анализа заложив тем самым основы теории автоматического управления, до 40-х годов 20-го века в содержательном отношении не отличавшейся большим разнообразием подколов. Именно в этот период времени понятие «оптимального управления» стало применяться не только к техническим, но и социально-экономическим системам. В 30-е годы J1 В. Канторовичем были выполнены исследования по линейному программированию, определены основные задачи, критерий оптимальности, геометрическая интерпретация, методы нахождения оптимального решения и др. Сам термин «линейное программирование» появился в 1951 году в работах американских ученых Дж. Данцига и Т, Купманса [Математика и кибернетика в экономике. 1975]. Центральный результат теории оптимального управления -принцип максимума, дающий необходимое условие оптимального управления [Энциклопедия кибернетики, 1974] и сформулированный в середине 50-х годов советским математиком Л.С. Понтрягииътм. В начале 70-х годов советские ученые Ю.И. Клыков и ДА. Поспелов ввели понятие «ситуационного управления» [Поспелов, 1971; Клыков, 1974; Поспелов, 1986]. Его появление обязано разработке и применению в практике управления логико-лингвистических моделей.
Чуть позже, в 1976 году, впервые в работах Вербоса появился термин «нейроуправление» [Вороновский и др., 1997]. Это означало начало эры использования математической модели нейрона Мак-Каллоха и Питса [McCul-loch, Pitts, 1943], а также идей обучения Хебба [Hebb, 1949] в теории управления [Алексеев, Имасв и др., 1999]. При этом практические системы управления разрабатывались не в рамках формальных математических а качественных, эвристических моделей для представления и манипулирования знаниями человека-управленца,
В 1 975 году советский психолог В.Ф. Венда [Венда, 1990], чтобы подчеркнуть непреходящее эволюционное значение взаимодействия естественных интеллектов в природе, обшестве и технике, ввел понятие «гибридный интеллект» как контрпонятие «искусственному интеллекту». В начале 80-х годов была выдвинута идея гибридного интеллектуального управления [Гелъфандбейн, Колесников, Рудинский, 1983, 1984] на многомодельных системах.
Академик РАН, директор И11У РАН ИВ. Прангишвили, оценивая в 1999 году состояние теории управления, подчеркнул необходимость сосредоточения усилии на решении задач о рациональном управлении слабо формализованными техническими, социальными, экономическими и другими объектами, которые по своей природе размытые, многофункциональные, обладают сложной иерархический структурой и строгое описание которых практически невозможно [Прангишвили, 1999]. Это обуславливает то, что развитие теории управления в последние годы породило новые научные направления: 1) физическую теорию управления, включающую учет ограничений накладываемых физическими законами на процессы управления; 2) микромеханику на нано-уровне; 3) геометрическую теорию управления с математическим аппаратом теории расслоения, 4) нейроуправление; 5) применение системного подхода, системного мышления при принятии управленческих решений, широкое использование генетических алгоритмов [Алексеев, Имаев и др., 1999, Прангишвили, 1999J. Все эти направления немыслимы без применения средств вычислительной техники.
Зарождение теории автоматического регулирования, появление оптимального управления, ситуационного управления, нейроуправления, гибридного интеллектуального управления охватывают почти вековой период развития теории управления. Эти события не могли возникнуть сами по себе, вне связи с развитием СУ, которые эволюционировали от искусственно созданных человеком простых технических систем до современных больших систем и интеллектуальных предприятий, где сочетаются автоматика и гибридный интеллект.
Одной из первых работ, обратившей внимание на-эволюцию структур систем управления, была книга ДА, Поспелова «Логико-лингвистические модели в системах управления» [Поспелов, 1981], исследовавшего такие ступени эволюции, как обратная связь, адаптация и системы знаний об объекте, что приводит к простым СУ, системам с адаптацией и модельным СУ, применяемым в несложных технических и социально-экономических (организационных) системах. Однако одна из характерных и устойчивых тенденций развития общества - появление и существование больших, чрезвычайно сложных систем [Денисов, Колесников, 1982; Поспелов, 1986]. У\Р. Эшби указывает, что система является большой с точки зрения наблюдателя, возможности которого она превосходит в каком-либо аспекте, важном для достилсения его цели [Математика и кибернетика в экономике, 1975], В табл. 1.1 определение У .Р. Эшби детализировано через ранжированные свойства больших систем, специфицированных авторитетными учеными; ] - Д.А. Поспеловым [Поспелов, 1986]; 2 - А.А. Денисовым, Д.Н. Колесниковым [Денисов, Колесников, 1982]; 3 - А.А. Вавиловым, СВ. Емельяновым, В,В. Калашниковым, Б.В. Немчиновым, Б.В. Фоминым [Технология системного моделированпя5 1988]; 4 - А,И. Бергом, Б.В. Бирюковым, ЕС. Геллерт, Г,Н. Поваровым [Управление, информация, интеллект, 1976]; 5 - JLA. Растригиным [Растригин, 1980], На составной характер, иерархичность, разнородность, неоднородность, гетерогенность, многофункциональность подсистем и элементов, составляющих современные системы, обращено внимание не только в работах [Управление, информация, интеллект, 1975, Денисов, Колесников, 1982; Технология системного моделирования, 1985], но и во многих других [Александров, 1975; Осуга, 19S9; Осипов, 1990; Борисов, 1992а; Миронова, Плсснсвич, 1994; Sun, 1996; Тарасов, 1997; Кмельянов, Зафиров, 2000, Гладун, 2001; Емельянов, 2001].
Концептуальные модели эвристик технологии гибридных интеллектуальных систем
Взаимодействие субъектов в мирах управления и моделирования в ходе гибридизации может осуществляться только с использованием механизма обеспечения такого взаимодействия - языка. Вместе с системами формирования и манипулирования образами, запахами и другими язык формирует изученный к настоящему времени в науке инструментарий повседневной и профессиональной деятельности человека. Будучи одновременно средством мысленного эксперимента и моделью внешнего мира, язык профессиональной деятельности - объект анализа при разработке функциональных ГИИС.
Практика работы с ЯПД в технических, социально-экономических и БПС [Колесников, 1989; Колесников, 2001], а также практика исследования мира моделирования [Колесников, 1984b, 1987ab, 1988, 1989abc, 2001] показывает, что основные средства выражения (обозначения) знаний в них - это аналитические зависимости, эмпирические численные и лингвистические данные в виде таблиц, чертежей, рисунков, схем и текстов, содержащих многочисленные гиперссылки. Анализ ЯПД сталкивается со следующими проблемами: 1) неструктурированностью, т.е. отсутствием явного указания, к какой лексической группе относится то или иное слово и пресуппозицией, т.е. тем. что смысл текста -не совокупность смыслов образующих его предложений; 2) с несистематизиро-ванностью знаний и запуташюстью их связей в пределах одного-единствеиного или множества носителей (длинный контекст); 3) одновременным использованием нескольких выразительных средств разных уровней абстракции, которые друг без друга трудно понимаемы (неоднородность); 4) противоречивостью терминологии (если даже документ содержит определения); 5) многочисленными условными обозначениями, сокращениями, специальной, а не общепринятой лексикой, понимаемой только в узком кругу специалистов.
На ЯПД построен документооборот в СУ, сформулированы знания, зафиксированные в учебниках, монографиях, методиках, стандартах, инструкциях, рекламных проспектах, каталогах услуг и т.п., что является одним из ценных вербализованных ксточников информации для гибридизации. Профессиональные языки управления и моделирования - это полиязыки. сформировавшиеся в результате совместной деятельности различных профессиональных групп в мирах управления и моделирования. Именно полиязыковый характер отражает в ЯПД особенности многомодельных, гибридных, гибридных адаптивных СУ, с одной стороны, междисщтлинарную, системную деятельность в мире моделирования, с другой стороны, требует особого внимания к субъектно - ориентированном подходе к исследованию взаимодействия в мирах управления и моделирования.
При таком взаимодействии два объекта - оригинал-задача на профессиональном лолиязьткс СУ, а также оригиналы-методы на ЯПД модельера и программа, записанная на языке машины Тьюринга - формируют шкалу «оригинал-программа». На этой шкале могут быть расположены модели, занимающие и промежуточное положение. Один их вариантов такого размещения показан на рис 2.1. Актуальность «промежуточных» моделей объясняется невозможностью в настоящее время преобразовать информацию, записанную на ЯПД, R информацию, понятную ЭВМ. Поэтому современная методология предусматривает последовательное, а зачастую итерационное моделирование на все более и более искусственных языках, свободных от недостатков ЯПД. Один из таких искусственных языков построения моделей, расположенных по шкале «оригинал-программа» ближе клевой границе, - концептуальные модели.
Концептуальная модель {англ. concept - понятие, идея; общее представление; концепция) - модель предметной области, состоящая из перечня всех по-нятий5 используемых для описания этой области, вместе со свойствами и характеристиками, классификацией этих понятий по типам, ситуациям, признакам в данной области и законов протекания процессов в ней [Толковый словарь по ИИ, 1992; Колесников, 2000b]. Такой смысл близок к термину «концепция» (от лат, conceptio - понимание, система), как определенный способ трактовки какого-либо предмета, процесса, явления.
Таким образом, концептуальная модель носит двоякую сущность. С одной стороны, она ограничивает предметную область, как совокупность реальных или абстрактных объектов (сущностей), связей и отношений между объектами, а также процедур преобразования этих объектов при решении задач возникающих в предметной области, С другой стороны3 она предполагает внесение в гибридизацию субъективных представлений разработчика в виде его знаний и опыта - концепций. Это эвристики, специфицирующие, понятия ресурса, свойства, действия, структуры, состояния, поведения ОУ, цели, оценки, критерия, плана, задачи субъекта управления в мире управления, а также метода, модели, алгоритма, программы в мире моделирования и раскрывающие содержание, логическую связанность отдельных видов деятельности при гибридизации. Отсутствие таких эвристик у разработчика делает гибридизацию нецеленаправленной, вносит в эту сложную деятельность стохастичностъ. Извлечение, представление, хранение, тиражирование и применение таких эвристик чрезвычайно важно при гибридизации.
Обычно подготовленный разработчик располагает богатым арсеналом подобных концептов и концепций, т.е. владеет ЯКМ и применяет его, чтобы построить и использовать при гибридизации упрощенное понимание, видение оригинала. Естественно-языковые концепции возбуждают и правополушарное мышление, хранящее концепции - образы. При этом возникает интересный эффект. Его можно представить как ситуацию, когда разработчик имеет набор очков (инструментов для коррекции зрения) и последовательно применяет их. Без очков о видит мир, пугающий его воображение многообразием предметов, явлении, процессов. РІспользуя же очки, модельер может наблюдать миры управления и моделирования упрощенно, структурирокапо.
Такая «коррекции зрения» не возникает на пустом месте. Она результат накопленных теоретических знаний и практического личностного опыта модельера. Следует также иметь в виду и другое важное обстоятельство. Выбрав и надев такие очки, разработчик так и «ходит» в них до получения результатов. И только анализ результатов может либо подтвердить правильность выбора концепции, либо заставить повторить концептуализацию заново.
Онтология задач обработки информации и управления
Раскрывая природу любой задачи, как субъективной сущности в мире решения задач (рис, 2,14), имеет смысл начать с рассмотрения условий возникновения задач. Принято считать [Акоф, Сасиени, 1971], что задача есть тогда, когда: I) существует субъект, перед которым возникает задача; 2) н распоряжении субъекта имеется минимум две альтернативы, т,ег есть выбор; 3) существует сравнить альтернативы и судить о достижении цели. Однако для ЛПР задача становится предметом решения только тогда, когда оно не знает, какая альтернатива наилучшая и именно это ему и требуется определить.
Такое понимание термина «задача» введено специалистами по исследованию операций Р. Акоф и М. Сасиени в конце 60-х - начале 70-х годов, в период бурного становления методов оптимизации в кибернетике. Похожая трактовка, правда, уже математических задач, предложена математиком и педагогом Дж. Пойя, и опубликована им в начале 60-х годов. На русский язык его книга переведена в 1970 г, [Пойя, 1970].
Определения Р. Акоф, М. Сасиени и Дж. Пойя дошли до наших дней без существенных изменений. Это первый вывод, который можно сделать? если рассмотреть и проанализировать табл. П3.1, в которую сведены типичные определения задач, предложенные авторами, начиная с 1962 года и до настоящего времени- Эти определения сформировались почти за 40-летний период развития математики, лингвистики, ИСО, ТПР, теории систем и системного анализа (ТСС), ИИ и теории управления. Второй вывод можно сделать, обратившись например, к определению Э.В, Попова и других специалистов по экспертным системам. Это мнение особенно ценно, ПОТОМУ ЧТО именно ЭС - один из первых классов систем, которые были ориентированы на решение не искусственно упрощенных задач ИСО, Т11Р, теории управления, а задач, возникающих на практике, т.е, практических задач, решаемых в мире управления. Заметим, что при переходе от искусственных к практическим задачам как объектам анализа и. решения в мире моделирования (рис, 2.14), по существу, изменилось определение задачи и расширился спектр свойств, которые целесообразно учесть, специфицируя проблему. Однако самое главное - это то, что в определение введены подзадачи, выделенные внутри исходной проблемы. Таким образом, сделан очевидный шаг к тому, что практика заставляет модельера отказаться от рассмотрения задачи как неделимой на составные части, единой сущности.
При этом следует иметь в виду, что речь идет не о методе решения задачи дроблением на составные части, о котором говорил еще Декарт, или декомпозиции методом Данцига-Вулфа (см. 111.7). количественно сформулированных сложных задач линейного программирования, а об априорной гипотезе о том, что практическая задача, т.е. задача, возникающая в практике интеллектуального управления или проектирования, должна рассматриваться во взаимосвязи ее частей, т.е. как система, и к ней должны применяться существующие или выработаны новые принципы системного анализа.
Практически все ученые, так или иначе определявшие понятие задачи, систематизировали их в классификации, которые затем выполняли функцию инструмента сокращения многообразия в мире задач, выделения типовых классов задач, что оправдывало появление, существование и эволюцию методов решения задачи в мире моделирования. Тем самым ограничивался круг, перечень задач, которые могли быть решены с использованием того или иного метода. «При решении задач может оказаться полезной их классификация, проведение различия между задачами в соответствии с их типами. Хорошая классификация предполагает разбиение задач на такие типы, что тип задачи предполагает метод ее решения» [Пойя, 1970].
Онтология построена следующим образом. Центральное место в ней занимает понятие «задача», которое уточняется через свойства (рис. 2Л4). записанные внутри пятиугольников. Эти же свойства - одновременно основания классификаций задач (основания размещенных в прямоугольниках). Сразу подчеркнем, что данная онтология охватывает далеко не все, что сочетается со словом задача. Так, например, не учтены типовые задачи ИСО: назначения, размещения, распределения и т.п., класс тестовых задач и другие, не влияющие на дальнейшие рассуждения. Некоторые пятиугольники содержат более одного основания, и тогда, в порядке «сверху вниз», им соответствуют и разделенные черточками классификации. Там же, в прямоугольниках, указаны ссылки на литературу.
Онтология методов моделирования задач обработки информации и управления
Со средины 20-го столетия стало заметным влияние на 2-й раздел онтологии классификаций методов формализованного представления, появившихся в бурно развивавшихся информатике, лингвистике, логике и ИИ.
В основе одной из таких классификации - интересная особенность, подмеченная в работе [Полиязыковые семиотические модели, 1986]. Если проанализировать метод по трем основаниям - модели, языку ее описания и процедуре получения решений на модели, то формируется прозрачная и устойчивая во времени классификация [Колесников, 2001] для исследования общей структуры и типологии существующих методов, выявления тенденций их развития, а также отношений «метод-метод» (рис. 2,14).
Поясним введенные основания. Модель - это модель всех моделей, создаваемых использованием данного метода. Особенно ярко она выражена в теоретически развитых методах.. Например, в теории автоматического управления это «система автоматического управления» (САУ), в теории массового обслуживания - это «система массового обслуживания». Язык описания модели -знаковая система со своей грамматикой, например, язык классической математики, в частности, язык уравнений, язык дискретной математики, га частности, множества, отношения, графы, язык алгоритмов, языки программирования и моделирования, языки концептуального моделирования.
Если исходить только из этих двух оснований классификации, т.е. модели и языка, то методы формализованного представления разбиваются на классы методов, в результате применения которых создаются различные виды моделей и знаний (см. 2.5). Один из видов моделей - аналитические представления [Волкова, Темников, 1974] на языке математики. Методы их разработки называются аполитическими. Другой вид - статистические модели. Они записываются на языках математики и моделирующих алгоритмов применением статистических методов. Еше один вид моделей - логические и теоретико-множественные модели на языках математической логики и дискретной математики. Они разрабатываются логическими и теоретико-множественными методами. Так же различают и символьные модели на языках математической лингвистики, дискретной математики, теории нечетких множеств и отношений разрабатываемых символьными методами. Кроме перечисленных, выделяют и коннекционистские модели на языках классической и дискретной математики, а также коннекционистские методы. Наконец, известны эволюционные модели на языках генетических алгоритмов и эволюционные методы. Каждый из перечисленных классов методов оперирует ограниченным набором переменных (табл. П4Л). Символьные, коннекционистские и эволюционные методы изучаются в ИИ и используют эвристические модели.
Третье основание классификации, т.е. процедура получения решений на модели, во многом формирует многообразие методов, внося составляющую «действие» в понятие метода. Так, на аналитической модели записанной линейными алгебраическими уравнениями и детерминированными переменными в линейном программировании работает множество эвристических методов поиска решений: симплекс-метод, метод обратной матрицы и др.
Методы постеленной формализации задачи занимают промежуточное положение между методами активации и формализованного представления и включают, например, имитационное динамическое моделирование, предложенное Дж. Форрестером в 50-е годы [Форрсстер, 197J]. Сюда же следует отнести и ситуационное моделирование [Поспелов, 1971], реализованное в работах [Клыков, 1974; Загадская, Клыков, 1974, Колесников, Пономарев, 1974; Пожи-даеп,1У79].
К комплексированным методам относят методы комбинаторики и топологии, развивавшиеся в рамках линейной алгебры, теории множеств и графов и затем выделившиеся Б самостоятельное направление.
Методы искусственного интеллекта (3). Если сравнивать классификации 70-х - 90-х годов, объединенные в этом разделе онтологии, то здесь произошло заметное сокращение основных подходов. Так, например; если в раннем ИИ выделялись бионические, эвристические, эволюционные, лингвистические, семиотические методы, то современная наука оперирует, в основном, символьными и бионическими (коннекционистскими) методами. В бионическую группу некоторые авторы включают и эволюционные методы.
В развивающейся предметной области ИИ появляются и новые, пока не укладывающиеся в известные классификации методы, например теория хаоса.
Методы теории принятия решений (4) (англ. methods of decision making) . Методы принятия решений развиваются для решения задач человеком в ситуациях выбора. В этих методах применяются формальные модели.
Раздел 4 онтологии отражает многообразие групп методов, используемых в ситуациях выбора. В первую группу входят методы, не требующие априорной экспертной информации, например метод поиска фронта нсдоминированных решений Парет Во вторую группу входят методы, использующие качественную информацию экспертов, например лексико - графическое упорядочение, количественные оценки предпочтительности критериев, например метод порогов несравнимости ЭЛЕКТРА [Ларичев, 1979, 2000] и дрг В третью іруттпу включают методы оценки предпочтительности парных сравнении, а в четвертую - методы работы R условиях отсутствия информации о предпочтениях [Беляев, 1978], методы стохастического доминирования теории полезности [Фиш-бейн, 1977] и др.
Методы исследования операций (5). Некоторые авторы под ИСО понимают математические методы оптимизации: линейное, нелинейное и динамическое программирование, другие отождествляют ИСО только с методами теории игр и статистических решений. Наиболее устоявшееся мнение представлено в разделе 5 онтологии. В нем различают методы решения задач в условиях определенности: математическое программирование, методы эволюционной оптимизации, методы решения задач в условиях риска, например методы, использующие критерий Байеса, методы теории игр для решения задач в условиях неопределенности [Николаев, Брук, 1985, Вентцель, 1988] и методы решения задач в условиях многокритериалъности, например метод комплексного критерия, метод Парето и др. [Вептцель, 19881. В 1994 - 2001 гг. наметилась устойчивая тенденция роста числа научных публикаций в области методов многокритериальной оптимизации с использованием эволюционных алгоритмов из искусственного интеллекта [Deb3 1999].
Методы кибернетики (6). Наиболее подробная классификация методов кибернетики предложена Л.Т. Кузиным [Кузин, 1973]. Первая группа это структурные методы, т.е. методы и процедуры в виде графа. Во всех случаях геометрические изобралсения в виде графа включают дополнительный участок мышления эксперта управленца или модельера, помогая найти им оптимальное решение. Второй класс методов - это частотно-структурные методы, в которые трансформировались методы дифференциальных уравнений. Для управления большими системами частотно-структурные методы уступили место топологическим методам алгебры, логики, теории графов и комбинаторного исчисления. Развитие топологических методов привело к популярности в кибернетике методов дискретной математики. Применявшийся в первых системах автоматического регулирования принцип обратной связи в дальнейшем перерос в методы самонастройки, самоорганизации и самоусовершенствования.
