Содержание к диссертации
Введение
1 Анализ подходов к обработке неточных данных в многоагентных Системах поддержки принятия решений по управлению локальной безопасностью субъектов России 10
1.1. Характеристика основных этапов управления локальной безопасностью применительно к предупреждению и ликвидации последствий паводков 10
1.2 Анализ данных, используемых при формировании описаний паводковых ситуаций 19
1.3 Анализ подходов к обработке неточных данных в многоагентных СППР 23
1.4 Постановка и обоснование целей и задач исследований 32
Выводы 37
2 Иссследование путей организации обработки неточных данных и разработка модели агента системы поддержки принятия решений 39
2.1 Постановка задачи объединения неточных данных при формировании описаний паводковых ситуаций в многоагентных системах 39
2.2 Анализ особенностей представления знаний агентов 43
2.3 Разработка модели агента многоагентной системы поддержки принятия решений по управлению локальной безопасностью 51
2.4 Анализ путей реализации компонент модели агента системы поддержки принятия решений 59
Выводы 68
3 Разработка процедур обработки неточных данных в многоагентных системах поддержки принятия решений по управлению локальной безопасностью 71
3.1 Разработка способа комбинирования методов объединения неточных данных 71
3.2 Разработка способа пополнения данных о ситуации на основе согласования действий агентов СППР 76
3.3 Выбор протоколов и языков взаимодействия агентов 87
Выводы 95
4 Обоснование предложений по практической реализации полученных результатов и их экспериментальная проверка 97
4.1 Разработка методики обработки неточных данных в многоагентных системах поддержки принятия решений по управлению локальной безопасностью. 97
4.2 Обоснование предложений по практической реализации методики обработки неточных данных в многоагентных СППР 102
4.3 Экспериментальная проверка результатов исследований 115
Выводы 123
Заключение 125
Список использованных источников
- Анализ данных, используемых при формировании описаний паводковых ситуаций
- Разработка модели агента многоагентной системы поддержки принятия решений по управлению локальной безопасностью
- Разработка способа пополнения данных о ситуации на основе согласования действий агентов СППР
- Обоснование предложений по практической реализации методики обработки неточных данных в многоагентных СППР
Введение к работе
В соответствии с Концепцией национальной безопасности РФ значительная доля функций по обеспечению жизнедеятельности на территориях субъектов Федерации возложена на местные органы власти. Это определило возникновение проблемы управления локальной (региональной) безопасностью с целью оперативного реагирования на негативные тенденции и угрозы кризисных ситуаций на территориях и в отраслях хозяйства субъектов РФ. В настоящее время одной из наиболее приоритетных задач в ее решении является обеспечение управления локальной безопасностью применительно к предупреждению и ликвидации последствий паводков.
Эффективность деятельности местных органов власти по управлению локальной безопасностью в значительной степени зависит от своевременности формирования данных для принятия решений. В соответствии с Постановлением Правительства РФ №1113 от 5.11.1995 года "О единой государственной системе предупреждения и ликвидации чрезвычайных ситуаций" для обеспечения этой деятельности созданы автоматизированные системы Единых дежурно-диспетчерских служб администраций субъектов РФ. В силу иерархической структуры местных органов власти и распределенности источников данных организация их функционирования осуществляется как распределенных систем поддержки принятия решений (СГШР). В ряде субъектов РФ такие СППР реализованы на основе многоагентных технологий.
Формирование описаний паводковых ситуаций в многоагентных СППР администраций субъектов РФ предусматривает последовательное объединение данных, характеризующих состояние водных объектов, гидрологические процессы и явления в муниципальных образованиях, районах и субъекте в целом. Эти данные являются неточными и представляются с использованием вероятностных мер, функций доверия и противоречивых функций доверия. Кроме того, одной из причин неточности является неполнота данных. Отсутствие в многоагентных СППР администраций субъектов РФ средств совместной обработки данных указанных видов приводит к увеличению времени формирования описаний паводковых ситуаций.
Пути обработки неточных данных в информационных системах рассматривались в работах Городецкого В.И., Маслова О.Н., Котенко И.В., Трахтенгерца Э.А., Заде Л., Дюбуа Д., ДемпстераА., ШефераД., Дезе Ж., СмарандачаФ. и других ученых. Вместе с тем их реализация в СППР не обеспечивает объединение неточных данных, представляемых с использованием как вероятностных мер, так и согласованных и противоречивых функций доверия, либо характеризуется экспоненциальной вычислительной сложностью.
Таким образом, в настоящее время имеется объективно сложившееся противоречие, определяемое необходимостью оперативного формирования описаний паводковых ситуаций и ограниченными возможностями существующих подходов к организации обработки неточных данных в многоагентных СППР администраций субъектов РФ. Это определяет актуальность исследования путей обработки неточных данных для формирования описаний паводковых ситуаций в многоагентных СППР, его важность для теории и практики управления в социальных и экономических системах.
Объектом исследования определены процессы формирования описаний паводковых ситуаций для управления локальной безопасностью субъектов РФ.
Предметом исследования являются методы обработки неточных данных в многоагентных системах поддержки принятия решений.
Цель диссертации состоит в повышении оперативности формирования описаний паводковых ситуаций на основе разработки процедур обработки неточных данных в многоагентных СППР.
Для достижения поставленной цели решаются следующие задачи:
1. Анализ существующих подходов к обработке неточных данных в многоагентных СППР и выбор направлений исследований.
2, Исследование путей организации обработки неточных данных в многоагентных СППР.
Разработка процедур обработки неточных данных.
Обоснование предложений по практической реализации и экспериментальная проверка результатов исследований.
Методы исследований и математический аппарат. Исследования базируются на использовании методов теорий: вероятностей, оптимального управления, активных систем, графов, распознавания образов.
Научная новизна работы заключается в том, что:
Разработан способ комбинирования методов объединения неточных данных, предусматривающий предварительное определение моделей представления неточности в данных с использованием предложенных критериев конфликтности, наличия недоопределенных значений и соответствия аксиомам теории вероятности, и реализацию двухэтапнои процедуры объединения данных.
Разработан способ пополнения данных о паводковой ситуации, обеспечивающий согласование действий агентов СГШР на основе реализации модели управления составом активных систем в условиях различной компетентности агентов и наличия ограничений на их ресурсы.
Разработана методика обработки неточных данных в соответствии с предложенными способами, обеспечивающая повышение оперативности формирования описаний паводковых ситуаций в многоагентных СГШР.
Практическая значимость работы состоит в том, что ее результаты обеспечивают сокращение временных затрат на формирование описаний паводковых ситуаций на территориях субъектов РФ и, в итоге, повышение оперативности реагирования на возникающие угрозы паводков, снижение финансовых и иных затрат на ликвидацию их последствий.
Реализация и внедрение результатов исследований. Результаты исследований использованы в Главном управлении МЧС по Курской области и Курском центре по гидрометеорологии и мониторингу, а также в учебном процессе Курского гуманитарно-технического института при подготовке студентов по специальности 071900 «Информационные системы и технологии».
Достоверность и обоснованность положений и результатов исследований подтверждается корректностью использования апробированного математического аппарата, качественным и количественным анализом полученных результатов, соответствием теоретических положений результатам экспериментальных исследований.
Апробация работы. Основные положения и результаты работы докладывались и обсуждались на международных конференциях «Региональная информатика» (г. Санкт-Петербург, 2002 г.), «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (г. Москва, 2003, 2004, 2005 гг.), на заседаниях и семинарах кафедры «Информационные системы в экономике» КГТУ.
Публикации. По теме диссертации опубликовано 16 научных работ, в том числе раздел в книге, 6 статей, 9 докладов на четырех международных конференциях.
Личный вклад автора. В работах, опубликованных в соавторстве, лично соискателем предложены способ комбинирования методов объединения неточных данных, критерии оценки вида неточности в данных, способ пополнения данных о ситуации, методика обработки неточных данных в многоагентных Сі 11 IP, разработаны практические предложения по их практической реализации.
Структура и объем диссертации. Диссертация состоит из введения, четырех разделов, заключения; изложена на 128 страницах (основного текста), содержит 38 рисунков, 12 таблиц, список литературы содержит 127 наименования.
В первом разделе на основе анализа особенностей процесса формирования описаний паводковых ситуаций для управления локальной безопасностью, известных подходов к обработке неточных данных в многоагентных О И IP, осуществлена постановка задач и выбор направлений исследований.
Во втором разделе с учетом выявленных особенностей процесса формирования описаний паводковых ситуаций и ограничений существующих подходов к обработке неточных данных исследованы пути организации обработки неточных данных в многоагентных СППР.
В третьем разделе на основе полученных результатов исследований разработаны способ комбинирования методов объединения неточных данных, представленных с использованием вероятностных мер, функций доверия и противоречивых функций доверия, и способ пополнения данных о ситуации на основе согласования действий агентов СППР.
В четвертом разделе разработана методика обработки неточных, обоснованы предложения по ее практической реализации в многоагентных СППР администраций субъектов РФ, представлены результаты экспериментальных исследований.
На защиту выносятся
1. Способ комбинирования методов объединения неточных данных, представленных с использованием вероятностных мер, функций доверия и противоречивых функций доверия.
Способ пополнению данных о паводковой ситуации в многоагентных СППР.
Методика обработки неточных данных в многоагентных СППР.
Анализ данных, используемых при формировании описаний паводковых ситуаций
Исходными данными для формирования описаний паводковых ситуаций на территориях субъектов РФ являются значения факторов, оказывающих влияние на величину максимального подъема уровня воды: - запас воды в снежном покрове перед началом весеннего таяния; - количество атмосферных осадков, их интенсивность, продолжительность, площадь охвата, предшествующее выпадение осадков в период снеготаяния и половодья; - осенне-зимнее увлажнение почвы к началу весеннего: снеготаяния и ледяная корка на почве; - температуры воздуха: за предшествующий период и прогнозные значения; - интенсивность снеготаяния; - сочетание волн половодья крупных притоков речного бассейна; - озерность, заболоченность и лесистость бассейна; - характеристики рельефов бассейнов рек; - сообщения от граждан и организаций об угрозах или фактах возникновения затоплений; а также некоторые другие данные [21].
В рассматриваемой задаче данные являются распределенными и гетерогенными, т.е. они представлены в распределенных базах данных и характеризуются разнообразием физической природы, шкал измерения и структур представления, различием степеней полноты и неопределенности и т.д. Распределенность и гетерогенность данных создают ряд специфических проблем.
Первая из них - проблема обеспечения глобальной однозначности семантики терминов, используемых при спецификации данных локальных источников. Эта проблема возникает из-за того, что спецификация данных выполняется распределенными пользователями. Они могут использовать одинаковые термины в различном смысле и наоборот, для одного и того же понятия могут использовать различные названия. В соответствии с современными взглядами, для решения проблемы однозначного понимания терминов необходимо использование высокоуровневой модели знаний, разделяемой всеми сущностями системы, т.е. согласованной и доступной каждой из них. Обычно эта база знаний строится в терминах проблемной онтологии, дополненной онтологией приложения и онтологией задач.
Вторая проблема известна как проблема идентификации сущностей. Она возникает в связи с тем, что информация об одной и той же сущности (ситуации, состоянии объекта и т.п.) представляется в распределенной форме, а потому необходимо иметь специальные механизмы для отождествления компонент данных и сущности, описание которой они представляют.
Одним из путей решения данной проблемы является описание онтологии предметной области на метауровне, задание для каждой сущности идентификатора сущности и определение правил сопоставления идентификатора сущности с идентификаторами этой же сущности в локальных источниках.
Кроме того, проведенный анализ состава и структуры данных, используемых для формирования данных для управления локальной безопасностью субъектов РФ, показал, что, во-первых, данные характеризуются неточностью, во-вторых, поступают в виде асинхронных потоков.
Вышеупомянутые проблемы в: целом формируют так называемую проблему «неконгруэнтности данных» [31].
Под неточными данными в рамках проводимого исследования понимаются данные, значения которых являются многоэлементыми множествами, каждому элементу которого сопоставлена характеристика неопределенности1. Анализ показал, что доля точных данных при формировании описаний паводковых ситуаций составляет 30-40%. Доля неточных данных - соответственно 60-70% (рис. 1.3).
Кроме того, неточные данные в зависимости от причин возникновения имеют либо вероятностный характер, либо представляются в виде экспертных оценок (согласованных и противоречивых); В этих условиях для задания неопределенности данных используются три способа: вероятностная мера, функция доверия и противоречивые функции доверия (рис. 1.3).
Причинами возникновения неточности данных являются как ограниченная разрешающая способность сенсоров, использование недостоверной информации (в том числе оценок экспертов), отсутствие точных знаний о предметной области.
Одной из причин неточности данных также является неполнота исходной информации об обстановке. Поступление информации в виде асинхронных потоков данных определяется тем, что источники данных независимы и обладают различной динамикой функционирования. Различные данные обладают различным «временем жизни», а периоды поступления большинства данных меньше времени их жизни. Это приводит к наличию «пропущенных» значений в моменты принятия решений по объединению данных (рис. 1.4).
Разработка модели агента многоагентной системы поддержки принятия решений по управлению локальной безопасностью
В настоящее время под архитектурой агента понимается, прежде всего, математическая модель, положенная в основу формального описания функций, определяющих внутреннее состояние агента и его взаимодействие с внешней средой, в частности, взаимодействие агента с другими агентами многоагентной системы.
Принято выделять четыре типа моделей и, соответственно, архитектур агентов [26]:
1. Агенты, основанные на модели классической логики. Их формальное описание и механизмы принятия решений представляются в терминах классических вариантов исчислений предикатов и механизмов дедуктивного вывода.
2. Реактивные агенты. В них решения вырабатываются на основе таблиц "ситуация-действие", а формальной моделью таких агентов является конечный автомат.
3. BDI-агенты. В них внутренние состояния и принимаемые ими решения определяются структурами данных, которые представляют так называемые ментальные понятия агента, а именно, убеждения, желания и намерения.
4. Многоуровневые модели, в которых описание агента и используемой им модели рассуждений производится на различных уровнях обобщения (абстракции). Такие модели и архитектуры, как правило, используют различные математические модели на разных уровнях, поскольку на каждом из них они манипулируют понятиями различного уровня обобщения (абстракции). Заметим, что на различных уровнях описания такого агента могут использоваться различные математические модели из числа вышеназванных.
Перечисленные архитектуры являются типовыми, и для каждой из них предложено большое разнообразие вариантов конкретной реализации. Однако в большинстве разработок чаще встречаются агенты, архитектуры которых следовало бы классифицировать как гибридные, поскольку они используют совместно идеи разных типовых архитектур. Иногда такую архитектуру относят к тому типу, черты которой преобладают.
Рассмотрим подробнее математические модели названных выше типовых архитектур агентов [33],
Архитектура агента на базе продукционной системы задается набором правил вида «ЕСЛИ список условий, ТО список действий», где список условий связан с элементами из базы фактов, а список действий содержит элементарные действия (рис. 2.3).
Вариант архитектуры агента на основе правил
Архитектура агента с иерархической базой знаний представлена на рис. 2.4. Она включает в себя несколько уровней представления знаний, рабочую память, модуль управления коммуникацией и человеко-машинный интерфейс. Для успешного выполнения своих задач агент должен иметь возможность осуществлять как интеллектуальное поведение (выбор планов, декомпозиция проблемы и распределение задач), так и реактивное (своевременно реагировать на появление новой информации, изменения в существующих данных и т.д.).
Реактивные агенты. Интеллектуальное поведение агента является результатом композиции более простых актов поведения в среде, структурированных некоторым образом. Здесь очевидна аналогия с переходом к управлению с обратной связью в автоматизированных системах управления.
Математическая модель агента и соответствующий тип архитектуры получили названия реактивной модели (термин «поведенческая» модель используется гораздо реже) и реактивной архитектуры.
В общем случае реактивная архитектура представляет собой описание множества вариантов поведения («модулей поведения» [26]), решающих некоторое множество задач. Каждый из вариантов поведения моделируется конечным автоматом, входами которого являются состояния внешней среды, воспринимаемые агентом, а выходами являются реакции агента.
Одной из особенностей реактивной архитектуры является тот факт, что в ней для исполнения могут быть выбраны одновременно несколько действий.
Сложность вычислений, которые должны выполняться агентами реактивной архитектуры, обычно оценивается величиной Сп , где п -максимальное их двух чисел: число различных ситуаций внешней среды, воспринимаемых (вычисляемых) сенсорной системой агента, и число вариантов поведения агента.
Следует заметить, что, несмотря на видимую простоту реактивной модели, она показывала удовлетворительные результаты при реализации некоторых практических приложений [29].
Разработка способа пополнения данных о ситуации на основе согласования действий агентов СППР
Разработанный способ обеспечивает объединение как данных о значениях одного и того же признака объекта (процесса, явления), называемых свидетельствами, так и данных о значениях разных признаков. При это сначала осуществляется объединение свидетельств по каждому из признаков. Это позволяет перейти от множества свидетельств о значении признака к единому значению. После этого осуществляется обработка данных, характеризующих значения разных признаков объектов (процессов, явлений).
В силу отсутствия аналитических выражений для расчета значений большинства базисных показателей способ предусматривает определение их значений на основе правил логического вывода, содержащихся в частных онтологиях агентов. При этом осуществляется обратный переход от данных к свидетельствам о значениях базисных показателей. Объединение этих свидетельств осуществляется аналогично представленной выше схеме. Таким образом, в отличие от известных разработанный способ обеспечивает объединение неточных данных, представленных с использованием вероятностных мер, функций доверия и противоречивых функций доверия на основе предварительного определение модели представления неточности данных с использованием предложенных критериев конфликтности, наличия недоопределенных значений и соответствия аксиомам теории вероятности, и реализации двухуровневой процедуры выбора методов объединения.
В работе синтезирован алгоритм оценки вида неточности данных, выбора метода и реализации объединения (рис. 3.3).
В соответствии с разработанной во второй главе моделью агента СППР по управлению локальной безопасностью подход к принятию решении по согласованию действий агентов должен учитывать взаимосвязь трех процедур: выбора стратегии действий, распределения ресурсов агентов между решаемыми задачами и, собственно, согласования действий агентов.
Важно отметить, что такой подход реализуется агентами разных уровней иерархии и в целом в многоагентной СППР. Это обеспечивает динамическое децентрализованное распределение задач между агентами системы. В рамках подхода оценка результатов объединения данных и выбор стратегии действий осуществляется на основе трех критериев: 1) достоверность полученных значений факторов; 2) полнота полученного набора факторов; 3) резерв времени на решение задачи.
Количество стратегий действий агентов многоагентной СППР может быть различным и зависит, в первую очередь, от специфики решаемых задач. Однако без потери общности рассуждений можно считать, что возможны только две стратегии действий агента после получения им решения по каждой задаче: передача полученного решения метаагенту либо организация поиска дополнительных данных с целью получения более достоверных и полных описаний.
Решающее значение при выборе стратегии действий агентом имеет фактор времени, а именно его резерв для решения текущей задачи. Это обусловлено высокой динамичностью изменения ситуаций в большинстве реальных задач. При наличии резерва времени полученное решение оценивается с точки зрения двух остальных критериев.
В настоящее время существуют два основных подхода к представлению времени в интеллектуальных СППР: статический и динамический [88-91]. В первом из них все моменты времени (точки временной шкалы) существуют вместе и могут рассматриваться как совокупность данных. Ни один из моментов не имеет преимуществ перед другими. Разделение событий на прошлые, настоящие и будущие условно и зависит от выбора точки отсчета и оси ориентации.
Динамический подход постулирует существование выделенного момента времени - настоящего, однозначно разделяющего прошлое и будущее. Причем прошлое считается уже не существующим, а будущее — еще не существующим. Время непрерывно «течет», т.е. настоящее смещается в прошлое, ближайшее будущее становится настоящим и т.д. Рассмотрим особенности статического и динамического подходов.
В рамках подхода статического представления времени большое распространение получила модель, в которой моменты времени отождествляются с действительными числами, на множестве которых задан естественный (линейный) порядок, интерпретируемый как отношение «раньше, чем». [91]. В теории автоматов модель времени организована еще проще, время дискретно и принимает только целочисленные значения 0, 1, 2,,.,, а поведение автомата описывается как простая линейная последовательность событий во времени.
Наиболее часто в качестве.моделей статического представления времени используются частично упорядоченные множества, задаваемые набором Т,КЇ), где Т — непустая совокупность моментов времени, RI - бинарное темпоральное отношение «раньше, чем». Допустимо, что модели могут содержать несколько темпоральных отношений. Разнообразные модели времени используются при построении так называемых временных (темпоральных) логик, активно исследуемых и развиваемых в последние годы. Наиболее развитые темпоральные логики построены на основе модальных логик [92].
Обоснование предложений по практической реализации методики обработки неточных данных в многоагентных СППР
Из числа этих трех задач только первые две относятся к этапу дизайна системы. Третья задача относится уже к этапу программной реализации прикладной системы. Решение первой и второй задачи выполняется с помощью редактора машин состояний.
Решение первых двух задач выполняется в соответствии с концептуальным описанием каждой функции, сформированным при описании соответствующей роли, а также - с учетом спецификации модели поведения соответствующего класса агентов. Последнее обстоятельство проявляется в том, что описание соответствующих машин состояний включает специфические классы состояний, реализующие действия, указанные для функции во второй группе компонент в общей модели поведения класса агентов. Специфические модели состояний в виде соответствующих инвариантных классов программного обеспечения реализованы в инвариантной компоненте Generic Agent. Описание прочих состояний в машине состояний, не имеющих указанной специфики, состоит в том, что для них на этапе дизайна описывается содержательно соответствующий им сценарий поведения агентов.
Таким образом, результат этапа дизайна системы в целом состоит в том, что имеется сформированный список отдельных компонент, для которых полностью сформированы требования к их реализации. Одно подмножество компонент соответствует описанию поведения агентов в отдельных состояниях машин состояний, а второе подмножество - является содержанием библиотеки специфических функций. III. Этап программной реализации: развертывание МАС в компьютерной сети.
Результаты этапа проектирования содержат всю информацию, необходимую для программной реализации MAC. Технология программной реализации включает в себя три этапа.
На первом выполняется программная реализация специфических функций классов агентов и сценариев их поведения, соответствующих отдельным состояниям машин состояний, но перед этим разрабатываются частные онтологии понятий, используемых классами агентов, наследующие предметную онтологию.
На втором этапе выполняется описание экземпляров агентов («программных агентов») каждого из классов, и описание их размещения в сети. Результаты этих двух этапов вместе остальными компонентами описания прикладной системы сохраняются в системном ядре среды в виде XML файла.
На третьем этапе выполняется генерация программных агентов и их размещение в соответствии с их адресами в сети.
Таким образом, инструментальная среда MASDK обладает набором достаточно важных характеристик, позволяющих существенно сокращать трудозатраты по созданию приложений. Основными их них являются: 1) обеспечение разработки приложений методологией, решения которой имеют интегрированную взаимосвязь с этапом непосредственной разработки программной реализации; 2) механизмы поддержание и контроля целостности; 3) использование графических редакторов.
Наличие отмеченных возможностей, в частности, обеспечивает конструктивное взаимодействие в рамках общей среды экспертов — сотрудников Управлений ГОЧС и программистов.
Аппаратно-программные требования среды MASDK: - процессор: класса Intel Pentium III, с тактовой частотой не ниже 300 МГц; - оперативная память: не менее 64 Мб; - сетевое оборудование: Ethernet 10/100 Мб/сек; - операционная система: MS Windows 2000/ХР/2003, Microsoft .NET Framework 1.1 - среда программирования и общие библиотеки MS Visual Studio.NET 2003.
Системное программное обеспечение включает в себя операционные системы и среду разработки MS Visual Studio .Net. Следует отметить, что MASDK использует библиотеки, компилятор среды разработки MS Visual Studio .Net и функционирует на ее основе.
Проведенный анализ показал, что требования, предъявляемые к аппаратно-программным средствам АРМ соответствуют характеристикам имеющихся технических средств в Управлениях по делам ГОЧС.
С использованием предложенного комплекса программно-технических средств в рамках опытного участка многоагентной СППР территориального центра мониторинга и прогнозирования (ТЦМП) Главного управления МЧС по Курской области реализован макет программного обеспечения, обеспечивающего формирование данных для принятия решений по предупреждению или ликвидации последствий половодья на базе разработанных способов и методики обработки неточных данных.
Для Курской области в силу особенностей рельефа и протекающих на ее территории малых рек из всех видов паводков прежде всего характерно весеннее половодье.
Действующей системой предупреждения и ликвидации последствий ЧС на территории Курской области (рис. 4.9) на основе данных мониторинга половодья и прогнозов его развития реализуется комплекс соответствующих мероприятий.
