автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Автоматизированное проектирование сложных технических систем в условиях неопределенности

ч>

На правах рукописи

ЯРУТНКИНА Надежда Глебовна

АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Специальность 05.13.12 - Системы автоматизированного проектирования

( промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Ульяновск -1998

Работа выполнена в Ульяновском государственном техническом университете

Официальные оппоненты:

Батыршин Ильдар Закирзянович, д.ф.-м.н., проф. Васильев Владимир Иванович, д.т.н., проф. Егоров Юрий Петрович, д.т.н., проф.

Ведущая организация

Вычислительный Центр Российской Академии наук

Защита состоится 17 декабря в 15.00 на заседании диссертационного совета Д 064.21.01, 432027, Ульяновск, ул. Северный Венец, 32, Ульяновский государственный технический университет,

С диссертацией можно ознакомится в библиотеке Ульяновского государственного технического университета

Автореферат разослан

Ученый секрет? ^

диссертационно

совета

д.т.н., профессор, Соснин Петр Иванович

Общая характеристика работы

Автоматизированное проектирование сложных технических систем (СТС), таких как вычислительные системы, корпоративные сети, автоматизированные системы управления, системы информационного мониторинга характеризуется неполнотой проектной информации на всех этапах проектирования от технического задания до формирования проектной документации. Неполнота информации является принципиальной для сложных объектов и связана с большой размерностью объекта проектирования, ненаблюдаемостью ряда переменных объекта проектирования, влиянием на функционирование системы социального окружения, субъективизмом поведения пользователя. Неполнота проектной информации требует от инструментальных средств новых свойств. Во многих исследованиях в основном зарубежных ученых в настоящее время формируется направление, "мягкие вычисления", сочетающие синергетический эффект вероятностных рассуждений, теории нечетких систем, теории нейронных сетей и эволюционного моделирования. В рамках указанных направлений могут быть решены новыми методами традиционные для САПР задачи оптимизации ресурсов, принятия проектных решений в условиях неполноты информации. Актуальность проблемы.

Интеллектуальные САПР традиционно строились по схеме внедрения экспертных систем на ранних стадиях проектирования. Для предыдущих этапов развития интеллектуальных систем было характерно доминирование символьных методов, так как количественные теории в искусственном интеллекте признавались менее обещающими. В результате для такой насыщенной расчетами области деятельности, как автоматизированное проектирование использование интеллектуальных методов дало меньший эффект, чем ожидалось. В частности, проблема учета неполноты информации, не могла быть решена без использования мер количества, нечеткости информации, без математически* о аппарата исчисления нечетких величин. Современное направление мягких вычислений позволяет сформулировать и решить многие, характерные для САПР задачи с учетом неполноты информации. Причем, синергетический эффект ннтеграгош вероятностных рассуждений, теории нечетких систем, теории нейронных сетей и эволюционного моделирования может составить научную основу для глубинной интеграции систем автоматизированного проектирования, интеллектуальных сиегем и систем принятия решений. Обоснованием могут служить задачи, общие для автоматизированного проектирования и мятник вычислений. Это такие задачи, как задача многокритериального выбора при принятии проектных решений, задачи стратегического планирования и прогнозирования, экспертной диагностики сложных технических систем, моделирования, проектирования и оптимизации ресурсов вычислительных систем, эволюционного моделирования задач проектирования формы, и компоновки, задачи стохастической оптимизации. Научная проблема автоматизированного, в том числе поискового проектирования, состоит в принципиальной неустранимое™ неполноты информации. Причем, явление неполноты представлено при проектировании во всех своих проявлениях. Это объективная неполнота информации вероятностного характера, связанная со случайными переменными стохастического описания поведения объекта проектирования; это неточность результатов расчетов и измерений переменных, обслуживаемая теорией ошибок, это неопределенность проектных решений, связанная с правдоподобными рассуждениями проектировщика; это нечеткость технических требований. Обобщенно можно определить источник неполноты информации как сложность объекта проектирования. Для современного этапа развития САПР характерна попытка создания автоматизированных процедур для проектирования многих сложных технических систем, таких как вычислительные системы, автоматизированные системы управления, системы информационного мониторинга, которые нуждаются на всех этапах проектирования в экспертной диагностике условий функционирования, реального или

гипотетического поведения прототипов, экспертной интерпретации аналитического или имитационного моделирования динамики поведения.

Экспертная диагностика таких сложных объектов проектирования основана на анализе как качественных структурно-функциональных описаний, тах и динамики поведения, представленного временными рядами. Временные ряды характеризуют поведение среды функционирования технической системы, прототип объекта проектирования, результаты имитационного моделирования. Метод декомпозиции, или блочно-иерархического проектирования применительно к сложным техническим системам включает в себя экспертную диагностику для каждого блока, являющегося в свою очередь системой. Научной и практической проблемой является разработка моделей, методов и средств автоматизации проектирования, включающего экспертную диагностику. Широкое внедрение сложных технических систем и огромное значение, которое такие системы имеют на жизнь общества делают данную проблему важной народохозяйственной задачей.' Сложные технические системы разрабатываются крупными коллективами проектировщиков, причем, такие коллективы часто включают специалистов из разных областей науки, техники, в том числе экономистов, социологов и/или экологов и других специалистов. Разработки длятся значительное время, так что сопровождение полного описания системы без формирования коллективной проектной базы данных (информационной системы, архива проекта) может превращаться в задачу, сравнимую по трудоемкости с самим процессом проектирования. Междисциплинарные исследования часто позволяют проектировщику сформулировать только нечеткий запрос о подсистеме в том аспекте, по которому он не является узким специалистом.' Современные информационные технологии создания таких проектных архивов не имеют многих важных для САПР СТС свойств: организация физической среды хранения сложноструктурированных данных; средств обработки ьремешшх рядов; срсдотз фсрг,с:рова1п:я гзбках, 2 том числе нечетких запросов; средств представления неполной информации. Поэтому на наш взгляд формирование коллективного архива проекта и разработка автоматизированных мест поиска к нему является научной и практической проблемой на данном этапе развития САПР. Учёт условий неполноты исходной информации по-новому ставит важную для САПР задачу многокритериального выбора в процессе принятия проектного решения. Так как именно от качества" проектных решений зависит качество проекта, то решение теоретической "проблемы многокритериальной свертки важно с точки зрения САПР. Большинство задач проектирования вычислительных систем и сетей могут быть поставлены как задачи оптимизации ресурсов. В науке в настоящее время найдены многие методы нечеткой оптимизации в рамках возможпосгного программирования. Однако неизвестны приложения нечеткой оптимизации к проектированию вычислительных систем, в частности корпоративных сетей. Вместе с тем автоматизация проектирования Вычислительных сетей нуждается в новых алгоритмах проектирования и моделирования. Составной частью мягких вычислений являются генетические алгоритмы, которые можно рассматривать как метод стохастической оптимизации. Стохастическая оптимизация применялась з САПР для проектирования формы конструкций. Многие конструкторские задачи, такие как задачи компоновки, размещения в созданных САПР решены только для одинаковых по габаритам элементов по дискретному монтажному полю. Задача размещения разногабаритных элементов по коммутационному полю из-за большой вычислительной мощности последовательных алгоритмов в проектных организациях часто решается вручную. Перечисленные аспекты прсблемь; автоматизированного проектирования сложных технических систем делает тему диссертационной работы актуальной.

Цель диссертационной работы.

Целью диссертации является создание теоретических положений, моделей, методов и алгоритмов автоматизированного проектирования сложных технических систем, учитывающих ' принципиальную неполноту проектной информации; разработка информационных систем (архивов проектов и средств поиска) проектных организаций; разработка методов и алгоритмов оптимизации ресурсов вычислительных систем для САПР, разработка алгоритмов решения конструкторских задач, в частности задач размещения разногабаритных РЭА

Задачи исследования:

Для достижения поставленной цели необходимо решить ряд задач.

1. Необходимо провести сравнительный анализ существующих методов обработки неполной информации в процессе автоматизированного проектирования, построить классификацию современных теоретических и практических методов решения проблемы неполного описания объекта проектирования и выявить области их эффективности и ограничений.

2. Необходимо построить обобщенную математическую модель автоматизированного проектирования сложных технических систем, учитывающую неполноту информации в процессе декомпозиции объекта проектирования. Математическая модель является моделью анализа условий функционирования систем и подсистем, структура и функции которых заданы качественно, а поведение которых задано реальными временными рядами и/или временными рядами, полученными в ходе моделирования и прогнозирования. Основу описания объекта проектирования составляет сочетание описания структурно-

построить математическую модель анализа объекта проектирования, учитывающую принципиальную неполноту проектной информации па базе авсд;".;ых понятий нечетких временных рядов, тенденций характеристических переменных - параметров технической системы. Необходимо построить математическую модель принятия проектных решений на основе многокритериального выбора, учитывающую подчинение разных пар критериев разным стратегиям выбора

3. Необходимо разработать модель, меюд и алгоритм реализации нечеткого запроса к архиву проектов.

4. Необходимо разработать методы, алгоритмы и программы возможностной оптимизации

ресурсов з вычислительных сетях (ВС).

5. Необходимо разработать методы, алгоритмы и автоматизированные средства для решения конструкторских задач (з частности размещения).

6. Необходимо разработать методику по применению подхода автоматизированного проектирования сложных технических систем к проектированию систем различных классов.

Диссертационная работа выполнялась я с.пптпктстанн с рядом госбюджетных НИР: "Проектирование микроэлектронных устройств", "Информационные системы в экономике", с рядом х/д НИР, с программой международного сотрудничества ERUDIT, (European

Network in Uncertainty Techniques Developments for Use in Information Technology), а также как

11МИЦ!!а1ИИН&Я.

современная теория мер информации, неопределенности, неточности и нечеткости; совокупность теорий, обобщенных направлением мягких вычислений: теории нечетких систем, нейронных сетей, эволюционного моделирования, теории вероятностей. Использовался аппарат возможностного программирования. В качестве средств создания

интеллектуальных автоматизированных систем проектирования использованы нейроимитаторы, оболочка нечетких экспертных систем FuzzyCLIPS, AutoCAD(Autodesk Inc.), сервер данных ORACLE 7.3 (ORACLE INC.) Научная значимость работы.

Автор защищает: разработанные теоретические положения и модели автоматизации проектирования сложных технических систем, учитывающих неполноту проектной информации; методы и методику построения информационных систем проектных организаций; результаты теоретических, экспериментальных и практических разработок, внедрение в промышленную и опытно-промышленную эксплуатацию САПР вычислительных систем, САПР конструирования стендов изделий, внедрение систем автоматизированного управления и информационного мониторинга. Научная новизна. Впервые:

1 Предложен новый подход для экспертной деятельности при автоматизированном проектировании, для анализа результатов моделирования проектируемой системы и поведения подсистем и прототипов системы. Подход с точки зрения "конструктивной неопределенности" заключается в том, что точность и осмысленность (возможность интерпретации) экспертного заключения в ходе проектирования вступают в противоречие. Нечеткая информация может содержать полезное проектное решение, несмотря на неточность, нечеткость или неопределенность утверждений, если нечеткость представляет собой качественное обобщение. Подход требует использовать при автоматизированном проектировании нечеткие данные, если их уточнение невозможно или трудоемко.

2. Предложена концепция экспертной деятельности в ходе декомпозиции системы при автоматизированном проектировании. Концепция развивает предложенный подход "конструктивной неопределенности". Концепция выделяет в процессе анализа системы или подсистемы объекта проектировании пять этапов: этан фуззификации четких данных, представленных временными, рядами; этап оценки тенденций нечетких временных рядов; этап интегральной оценки совокупности временных рядов; этап прогнозирования поведения системы (подсистемы) в условиях эксплуатации; этап разработки проектного решения (аналитическое планирование).

3. Разработана модель анализа сложных систем в ходе автоматизированного проектирования. Модель оперирует с нечеткими временными рядами, решая задачи анализа тенденций и интегральной оценки объекта проекгирования с помощью гибридной системы, представляющей собой нечеткую нейронную сеть, настройку параметров которых выполняет генетический алгоритм.

4. Разработана архитектура "мягкой" экспертной системы, как элемента и компонента САПР. Особенностью архитектуры является интеграция систем принятия решений и нечетких экспертных систем. Систему принятия решения предложено строить на основе метода анализа иерархий. Метод анализа иерархий адаптирован к задачам проектирования, так как вместо традиционной аддитивной свертки во вновь разработанном модифицированном методе анализа иерархий предложено использовать сложную многокритериальную свертку. Сложная многокритериальная свертка заключается в выборе уникальной функции свертки для каждой пары критериев в рамках определенной стратегии. В "мягкой" экспертной системе модифицированный метод анализа иерархий впервые предложено использовать как особый вид правдоподобного вывода для случая малого количества альтернатив наряду с приближенными рассуждениями над нечеткими продукциями. Знания в "мягкой" эксцергной системе представляются как функции принадлежности нечетких величин, функции свертки критериев, иерархии выбора, матрицы попарных сравнений, нечеткие продукции. Особенностью предложенной архитектуры мягкой ЭС является этап извлечения знаний. Нечеткие продукции могут быть извлечены с помощью нейрокомпьютинга из нечетких исходных данных.

5. Предложены новые методы и средства организации баз данных проектов в проектной организации. Разработан метод организации обслуживания поисковых запросов к архиву проектов при нечеткой формулировке запросов в клиент-серверных корпоративных сетях. Метод позволяет формулировать гибкий SQL-запрос с использованием нечетких категорий.

6. Впервые выполнено приложение методов нечеткой оптимизации к решению задач оптимизации ресурсов информационных вычислительных сетей. Решена задача размещены коммутационного оборудования сети, оптимизация топологии сети в условиях нечетко заданных ограничений трафика.

7. Разработан алгоритм размещения разногабаритных элементов в конструкциях ограниченного объема, на базе генетических алгоритмов.

8. Разработана методика принятия технико-экономических решений при автоматизированном проектировании, основанная на интеграции САПР с системами анализа финансово-хазяйстивенного состояния предприятия и автоматизированных систем управления.

Достоверность результатов диссертационной работы.

Достоверность научных положений, выводов и рекомендаций подтверждена результатами математического моделирования, результатами экспериментов и испытаний, а также результатами использования материалов диссертации и разработанных систем в проектных организациях и на производстве. Основные положения, выносимые на защиту.

I. На защиту выносится подход с точки зрения "конструктивной неопределенности" для экспертной деятельности при автоматизированном проектировании в условиях

.тлпмптотоггпллпг ГТ^тП*л»т* ^ п ЭЛТ 1гт*л ПП и^ПР нищрннд Г1ППИГП:П М ГИТЛ/П ПИИ Л4К'ГТТ^ПТ-

--------------------------г-* J---г ---' " - ~ "Г" - 'У " ^ * ^ - - ----- -Г

проектировщик переходит от точных, конкретных исходных данных, но не имеющих интерпретации, к неточным, нечетким, неопределенным, но осмысленным обобщающим знаниям, моделям. Объективная нечеткость экспертных заключений связана с тем, что точность н смысл конфликтуют, начиная с некоторого порога. Подход требует обрабатывать неполные данные, а не повышать точность исходных данных.

2 Защищается концепция экспертной деятельности в ходе декомпозиции системы при а2то?«.ат113йроган1;ом проектировании, почво.пяющая принимать проектные решения я условиях нечеткости и неопределенности На защиту выносятся теоретические положения, модели, методы и алгоритмы обработки нечетких временных рядов, анализа тенденций и интегральной оценки объекта проектирования. В ходе экспертной деятельности эксперт (в том числе проектировщик в проектной деятельности) выполняет пять этапов, оценивание значений переменных (фуззификация); оценка тенденций развития, интегральная оценка состояния; прогнозирование развития; планирование для достижения целевого состояния. Таким образом, предложена схема этапов экспертной деятельности (ЭД).

Защищается архтггектура "мягкой* экспертной снсгигзды, как ОЯсмсшй н КСмШЖс117и САПР. Мягкая ЭС должна интегрировать системы принятия решений, нечеткие и нейро экспертные системы. Для извлечения знаний предложено использовать нечеткие нейронные сети с редукцией с помощью генетического алгоритма. Мягкая ЭС предложена, как специализированный класс интеллектуальных систем, сочетающих разработку стрз'ктурно-функциональных решек:;"; с количественных да;:пых в форме временных ряцев.

Мягкая ЭС разработана дам САПР конструирования стендов изделий.

4. На защиту выносится метод организации обслуживания поисковых запросов к архиву проектов при нечеткой формулировке запросов в клиент-серверных корпоративных сетях. Метод позволяет обработать нечеткий SQL-запрос.

5. Автор Защищает приложение методов нечеткой оптимизации к решению задач оптимизации ресурсов информационных вычислительных сетей. Решение задачи размещения коммуникационного оборудования в условиях нечетко заданных ограничений трафика найдено как решение задачи возможностного программирования. Решение задачи оптимизации тополопт вычислительной сети найдено с помощью генетического алгоритма.

6. На защиту выносится новый алгоритм размещения разногабаритных элементов в конструкциях ограниченного объема, разработанный на базе генетического алгоритма.

7. Автор защищает схему интеграции систем экономического анализа, САПР и систем автоматизированного управления в рамках бизнес-процес-реинжшшринга.

8. Защищаются результаты разработок и внедрение в опытно-промышленную эксплуатацию средств автоматизации проектирования вычислительных сетей, конструирования стендов контроля, внедрение в промышленную эксплуатацию ряда систем АСУ и информационного мониторинга.

Практическая значимость работы

1. На основе предложенного подхода, концепции и моделей автоматизации проектирования создан новый специализированный класс интеллектуальных САПР, позволяющий проектировать сложные технические системы при наличия временных рядов, характеризующих динамику поведения объекта.

2. Архитектура мягкой экспертной системы как элемент САПР является основой для структурно-функциональных решений интеллектуальных САПР. Созданная экспертная система может служить для комплексирования с некоторыми видами промышленных САПР.

3. Методы нечеткого поиска в информационной системе проектной организации позволяют организовать архив крупной проектной организации, ведущей проектирование сложных Технических СИСТЕМ силами СПсЦИаНИСшв разных обЛаСТСгХ ЗНаНШХ 5 риГиКаХ КДИС1ГГ-серверной технологии. . ■ . '

4. Созданная система автоматизации проектирования вычислительной сети на основе решения задачи нечеткой оптимизации ресурсов вычислительной сети практически используется на производстве и позволяет достичь улучшенных техническо-экономических показателей объектов проектирования.

5. Созданная система автоматизации конструкторского проектирования и внедренная на производстве позволяет сократить сроки проектирования стендов контроля с 3 месяцев до 2 недель при повышении коэффициента заполненности корпусов стендов.

6. Предлагаемые методы и средства проектирования были успешно применены в области разработки ряда АСУ и систем информационного мониторинга.

Реализация результатов работы

Результаты диссертации и практические рекомендации использованы: при конструировании стендов контроля на Ульяновском механическом заводе (г. Ульяновск, 1998 г.); при организации архива проемов конструкторского отдела Ульяновского механического завода (г. Ульяновск, 1998 г.); при проектировании информационной вычислительной сети и АСУ Ульяновского отделения ТФОМС (Ульяновская область, 1994 г.); при проектировании информационной вычислительной сети и АСУ Ульяновского государственного предприятия "Ульяновскавтодор"(п Ульяновск, 1995,1996 г., 1997 г.);

Разработаны и внедрены на основе нового подхода к экспертной диагностике экспертная система и АРМ экономиста-аудитора; подсистема АСУ ТФОМС (отделения расположены в 4 районах города Ульяновска и 11 кустовых отделениях); АСУ негосударственного пенсионного фонда "Повояжский"( АСУ тиражировалась в ряле городов); АСУ государственного предприятия "Ульяновсхавтодор" (несколько подведомственных предприятий.) Научные и практические результаты диссертационной работы внедрены в

учебный процесс в Ульяновском государственном техническом университете. Практическое использование результатов диссертационной работы подтверждено соответствующими документами о внедрении. Апробация работы.

Основные положения и результаты диссертации доложены и получили одобрение на 15 международных конференциях, семинарах и конференциях с международным участием, в том числе: "Программное обеспечение ЭВМ", Тверь, 1990; 1-ая и 2- ая конфереции "Интерактивные системы: проблемы человеко-компъютерного взаимодействия", Ульяновск, 1995, 1997; 2-я "Распознавание образов и анализ изображений: новые информационные (ехнологии", Ульяновск, 1995; 4-ая "Новые информационные технологии", Москва, 1996; "Информационные технологии в моделировании и управлении", Санкт-Петербург, 1996; "Мягкие вычисления-96", Казань, 1996 ; "Использование новых информационных технологий в учебном процессе кафедр физики и математики". Ульяновск, 1997, 2-ая "Математические методы и компьютеры в экономике", Пенза, 1397, 3-й им. Л. В; Канторовича "Предпринимательство и реформы в России", Санкт-Петербург, 1997; Seventh International Fuzzy Systems Association World Congress, Czech Republic, Prague, 1997., 5th European Congress on Intelligent Techniques and Soft Computing EUFIT 97, Aachen, Germany, 1997; "Новые методы, средства и технологии в науке, промышленности и экономике". Ульяновск, 1997; "Мягкие вычисления и измерения - 98", Санкт-Петербург, 1998; "Нейронные, реляторные и непрерывнологические сети и модели", Ульяновск, 1998; 6-ой "Искусственный интеллект 98", Пущино, 1998.

На 12 Всесоюзных, Всероссийских конференциях и семинарах, п том числе: 10-ом совещании по проблемам управления, Москва , 1986; "Бионика интеллекта", Харьков, 1987; 1-ая "Методы анализа надежности программного обеспечения ВС реального времени на основе моделей нечеткой логики и качественных описаний",Киев, 1987; "Проблемы комплексной автоматизации функциональных испытаний изделий в машиностроении", Москва, 1988; "Проектирование ВС", Каунасе, 1989; 4-ой "Системы баз данных и знании", Калинин, 1989; "Качество программного обеспечения", Калинин, 1990; 2-ой "Искусственный интеллект -90", Минск, 1990; "Пути развития электронных средств и задачи высшей школы в подготовке специалистов", Ульяновск, 1992; "Интерактивные системы", Ульяновск, 1993; "Компьютерные технологии в высшем образовании", Санкт-Петербург, ¡994; "Новые информационные технологии в школах ;г вузах", Москва, 1993; "Культура, нравственность и экономика", Ульяновск, 1996; "Информационные и кибернетические системы управления и их элементы", Уфа, 1997.

На 12 зональных, республиканских и межвузовских семинарах и конференциях, в том числе: "Измерительно-информационные системы", Ульяновск, 1986; "Применение мини и микро-ЭВМ для автоматизации инженерного труда"^ Ульяновск, 1987' "Чксле1шые методы и средства проектирования и испытания элементов РЭА", Таллинн, 1987; "АСУ - проблемы ориентации и диалоговые системы", Ульяновск, 1988 ; "Человеко-компьютерное взаимодействие", Ульяновск, 1989; "Численные методы и средства п£оекги!?оваш!Я и испытания элементов твердотельной электроники", Таллинн, 1989; "Решение профессиональных задач на персональных ЭВМ", 1990; "Технология программирования", Ульяновск, 1991; "Системы искусственного интеллекта и ЭС", 1992, "Компьютеризация учебного процесса и технические средства обучения: интеллектуальные информационные системы", Ульяновск, 1995; "Наука - производству. Конверсия сегодня", Ульяновск. 1997; Неоднократно основные положения докладывались на научно-технических конференциях Ульяновского государственного технического университета, а том числе 23-ой "Формирование личности инженера типа в условиях перестройки", 1989; 24-ой "Научно-технический прогресс и инженерное образование", 1990; 27 -ой, 30-ой, 31-ой, 32-ой конференциях в 1993; 1996; 1997;1998.

Публикации.

По теме диссертации опубликовано 100 работ, среди которых 2 монографии (одна монография опубликавана в соавторстве, одна - без соавторов). Среди работ опубликовано 10 статей, 8 научно-технических отчетов, дипломов.

Личный вклад.

Все результаты, составляющие содержание диссертации, получены автором самостоятельно.

Структура и объем работы. Диссертационная работа состоит из введения, семи глав, и заключения, содержит 370 стр. машинописного текста, 21 таблицу, 76 рисунков, список литературы из 174 наименований, 3 приложений.

Краткое содержание работы.

Во введении рассмотрена актуальность проблемы разработки моделей, .методов и алгоритмов для автоматизированного проектирования (АП) СТС. Проектирование СТС отличается принципиальной неполнотой проектной информации (НПИ) НПИ не должна пониматься в современных условиях как простое незнание, которое устраняется дополнительными измерениями, а точность переменных не должна быть самоцелью, так как избыточно точные исходные данные часто скрывают от проектировщика смысл рационального проектного решения. Неполнота - неотъемлемый феномен проектной деятельности, который нуждается в новых теоретических и практических средствах обработки. Проблема создания теоретических и практических средств проектирования СТС, в том числе ЭД, является крупной народохозяйственной проблемой. Во введении формулируется объект исследования - АП СТС на примере трех классов систем: ВС, конструирования РЭА, систем_ автоматизированного управления. Предмет исследования связан с феноменом принципиальной НПИ, причем, неполнота рассматривается с трех точек зрения: неточности, неопределенности и нечеткости. Выбираются и обосновываются методы и средства исследования - это теория нечетких систем, нейронные сети (НС), генетические алгоритмы и вероятностные рассуждения. Из современных информационных технологий использованы - клиент- серверные технологии, технологии экспертных систем (ЭС) (FuzzyCLIPS 6.04), САПР (AutoCAD, Autodesk Inc.). Введение содержит цель диссертационной работы - разработать модели, методы и алгоритмы АП СТС в условиях принципиальной НПИ.

Первая глава "Анализ состояния теории и практики АП в условиях неопределенности

" содержит сравнительный анализ работ в области теории и практики обработки НПИ в САПР; классификации СТС, как объектов проектирования; классификации видов НПИ; классификации теорий, учитывающих разные виды неполноты; сравнение систем приближенных вычислений и ЭС; анализ архитектур нечетких нейронных систем (ННС); методов принятия решения в САПР; классификации методов решения оптимизационных задач в условиях НПИ, в том числе генетических алгоритмов; алгоритмов размещения элементов. На основании анализа более 100 работ разных авторов делается вывод о. важности и масштабе проблемы создания теоретических и практических средств проектирования СТС, как крупной народохозяйственной проблемы. Общий подход к построению САПР традиционно отличался использованием четких расчетных процедур, НПИ рассматривалась с двух точек зрения: как неточная информация в рамках теории ошибок и стохастическая информация в рамках теории вероятностей. Традиционно считалось, что слабоформализованная, нечеткая информация сосредоточена на ранних этапах проектирования, и в многочисленных работах разных авторов приводятся методы и конкретные примеры использования искусственного интеллекта для поисковой, творчесхой части проектирования. В настоящее время в отечественной литературе (за редким исключением ) отсутствуют работы по использованию нечеткой информации в процессе

проектирования, особенно, на разных этапах проектирования. Можно сделать вывод о том, что достижения новой парадигмы искусственного интеллекта - вычислительного интеллекта, не использованы для решения задач САПР. Феномен НПИ характерен не только для раннего, но для всех этапов проектирования, если объект проектирования - СТС. Теорию нечетких систем можно рассматривать, как средство описания СТС, так как эта теория принципиально использует неполные описания.

Неполные описания классифицируются в работе на неточные, неопределенные и нечеткие. Каждый выделенный класс НПИ отражает определенный вид незнания: неточные знания-это знания о значении, выраженные с помощью интервала, в рамках теории ошибок; неопределенные знания - это знания с неоднозначной оценкой истинности; нечеткие знания - это знания о значении, заданные в интервальной форме, причем, на интервале задано распределение возможностей. Проведен анализ проектных процедур с целью указать подзадачи, в которых объективно используются неполные описания из выделенных классов. Теория нечетких систем является для многих задач САПР- новаторской и в настоящее время еще не нашла широкого применения. Возможности использования теории нечетких систем в АП, на наш взгляд значительные, так как можно констатировать большое пересечение задач АП и возможностей современной теории нечетких систем. САПР любого класса приложений так или иначе решает задачи поиска типовых проектов; принятия решений в условиях многокритериального выбора; оптимизации ресурсов; сочетает синтез подсистем объекта проектирования с анализом и моделированием функционирования. Расширена на случай представления нечетких данных и запросов реляционная алгебра Кодда, на основе которой можно построил, архив проектов с гибкой поисковой системой. Во многих работах проанализирована задача многокритериального выбора в условиях нечетких предпочтений. Нечеткая оптимизация сложилась в методы возможное! ниго программирования. Развивается ní>-ti-rv:w (ггятиг.тикя Нечеткие контропепы являются пполуютом не только теории, но индустрии систем управления. На основе проведенного сравнительного анализа теорий в диссертационной работе делается вывод об эффективности мягких вычислений в САПР, причем, не только на ранних этапах проектирования.

Мягкие вычисления - это научное направление, развиваемое в русле парадигмы вычислительного шгтеллекта. Как основным продуктом искусственного интеллекта, вобравшим в себя основные достижения по извлечению, представлению и обработке знании являются так основным практическим результатом мягких вычислении

являются системы приближенных рассуждений, как нечеткие функциональные аппрсксиматоры. В настоящее время предложены различные схемы нечеткого вывода: упрошенная, по Сугено, по Цукамото, по Ларсену, по Мамдани. В главе 3 диссертационной работы проанализирована пригодность зсех пяти схем вывода для задач АП. Особенно важными с точки зрения применения к задачам САПР являются методы дефуззификации, так как нечеткие методы имеют на входе четкие данные, обрабатывают слова, а выход должны формировать как четкие значения. В первой главе содержится обзор методов

Синергетический эффект наблюдается при сочетании методов нечетких систем с методами нейрокомьютинга. В первой главе диссертации проанализированы задачи построения интеллектуальных САПР, в которых могут быть эффективны методы нейронных сетей (НС). К таким задачам отнесены задачи анализа тенденций, прогнозирования, извлечения знаний из реальных или полученных на модели протоколов поведения объекта проектирования. Для выделенных задач САПР выбраны адекватные архитектуры ННС. Так для задачи анализа тенденций рассмотрены архитектуры многослойных НС и сетей с обратными связями. Для задач извлечения знаний рассмотрены в работе архитектуры типа: ANFIS, NNFLC, GARIC, NEFCON, FUN. Для нечетких нейронных сетей ННС в дальнейшем проводились эксперименты по извлечении) продукций распознавания тенденций нечетких временных

рядов. Процедура принятия решений (ПР) - это многокритериальный выбор с нечетко определенной структурой предпочтений. В главе 3 диссертации систематизированы современные методы решения задачи многокритериального выбора. Метод анализа иерархий соответствует структурной декомпозиции объекта проектирования. Метод анализа иерархий в дальнейшем модифицирован для задач АП. Если переформулировать многие задачи САПР как математические, то по своей сущности это будут оптимизационные задачи. В первой главе диссертации кратко проанализировано современное состояние методов нечеткой оптимизации, подробный анализ выполнен в главе 6 . Областью приложения методов нечеткой оптимизации в диссертационной работе является область оптимизации ресурсов ВС. При проектировании ВС нужно решить много задач оптимизации, например, задачу оптимизации средних задержек при множественном доступе, оптимизации загрузки канала. В диссертации приведены и обобщены некоторые постановки задач на оптимизацию ресурсов. Часто ограничения задаются в нечеткой форме, так как гипотетический трафик может быть описан только неполно.

Оптимизационными является и такие традиционные для САПР задачи как размещение элементов разных габаритов в ограниченном объеме. В первой главе диссертационной работы систематизированы алгоритмы размещения элементов. Генетические алгоритмы, как составная часть мягких вычислений, не применялись( насколько известно автору диссертации) для решения задачи размещения в САПР. Известны работы только по эволюционному моделированию формы в САПР. В первой главе приведен обзор известных генетических алгоритмов.

Таким образом, первая глава диссертации очсрчтшает ксптекст настоящего исследования, анализирует и систематизирует существующие работы отечественных и зарубежных авторов, определяет многие понятия и термины, которые используются при дальнейшем

Вторая глава "Теория проектирования СТС в условиях НПП" посвящена изложению основных теоретических положений, важных с точки зрения НПИ. Глава начинается с обоснования и формулировки подхода к неполноте проектной информации с точки зрения "конструктивной неопределенности", затем вводится понятие ЭД в рамках АП. Излагается содержание ЭД как последовательности из пяти этапов экспертизы: фуззификации, анализа ^тенденций, интегральной оценки состояния, прогнозирования поведения объекта проектирования и планирования проектной деятельности. Общая теория систем и "мягкие вычисления" являются формальным аппаратом диссертационной работы. На практике процесс проектирования - это многократно повторяющееся шаги анализа и синтеза. Поэтому в перечень задач ИИ в САПР наряду с задачами синтеза необходимо включить: анализ (ЭД) поведения окружения проектируемой технической системы; анализ (ЭД) гипотетического (моделируемого) поведения проектируемой технической системы; анализ экспериментов с действующим образцом; анализ результатов вычислительного эксперимента; анализ результатов измерения старой системы, для которой проектируется замена. Автор современной теории нечетких систем и термина "мягкие вычиолгпия" Л. А. Заде утверждает следующее: "По мере возрастания сложности системы наша способность формулировать точные, содержащие смысл утверждения о ее поведении уменьшается вплоть до некоторого порога, за которым точность и смысл становятся взаимоисключающими". То есть формирование экспертного заключения - это процесс повышения конструктивной неопределенности, выполняемое за счет обобщения данных. Алализ реальных заключений, сделанных экспертами, показывает, что значительная часть заключения представляют собой либо качественные оценки значений переменных, либо характеристики тенденции динамики переменных и лишь остальная небольшая по объему часть содержат резюме о состоянии объекта, прогнозы и рекомендации об управлении объектом. Назовем вводимый подход - подходом конструктивной неопределенности

Подход с точки зрения конструктивной неопределенности утверждает: по мере изучения проектной ситуации эксперт-проектировщик переходит от точных, но дискретных и конкретных исходных данных к неточным, нечетким, неопределенным, но обобщающим знаниям и моделям.

Очертим круг задач, решаемых экспертом в процессе ЭД. Эксперт работает в некоторой проблемной области. Обычно о состоянии объекта судят по поведению объекта в течении какого-то временного периода. Поведение представляется временным рядом. Определение 1. Экспертная деятельность при АП заключается в анализе окружения проектируемой технической системы, прототипов, опытных образцов, технологического и организационного обеспечения изделия, поведения аналитических и имитационных моделей объекта проектирования с использованием современных информационных технологий. ЭД, понимаемая в таком широком смысле, сосредоточена не только на ранних этапах проектирования, как рассматривают большинство авторов, но необходима для формирования модели (облика) изделия, эскизном и рабочем проектировании. В результате измерения состояний- объекта получаются точные (неточные, но четкие) временные ряды (BP) поведения. Во время анализа таких рядов эксперт фуззифицирует значения, устанавливая релевантную для конкретного этапа проектирования точность. Оцепка динамики развития объекта ставит задачу анализа тенденций и исследования взаимных влияний. Анализ отдельных факторов не дает целостной картины, и поэтому необходима интегральная оценка объекта. Дальнейший прогноз развития отдельных факторов или состояния в целом, позволяет генерировать ( планировать) действия. Иногда- ЭД ограничивается первыми тремя этапа;.!;:, а именно, фуззификацией, оценкой тенденций развития и интегральной оценкой состояния объекта. В таком ограниченном случае целью экспертизы является диагностика состояния объекта, поэтому можно уточнить наименований ЭД лп экспертной лиагностики. Введем опоеделение зкспеотиой диагностики. Определение 2. Экспертной диагностикой будем называть ЭД, ограниченную выработкой лингвистических оценок BP, оценкой тенденции BP и .интегральной оценкой состояния объекта. Целью экспертной диагностики является диагностирование текущего состояния объекта.

Для формализации описания ЭД необходимо выбрать адекватную математическую модель каждого этапа ЭД. Суть каждого этапа ЭД сводится к оценке множества функций, причем оценка пыпажается в внле действительного числа Числовая оценка критерия качвстзл, определенная на множестве функций- управлений, имеет математическую природу функционала. На первом этапе анализа объекта эксперт переходит от количественных значений параметров объекта к лингвистическим оценкам качества. То есть суть этапа фуззификации - это функционал Fuzzy

xr(t)=Fuzzy[|ix!i(tfl), x,(t)] (1),

где X, (t)- иСкюр нечетких меток (фуззифнцирсванных значении), j -',...п -номер нечеткой метки с функцией принадлежности Ux.J(o), , п - количество разбиений, Xi(t) - переменная х, зависящая от времени t. Самые различные шкалы используются для решения задачи генеращм лингвистических оценок. Результатом этапа фуззификации и моделью данных в ходе дальнейшего анализа является нечеткий временной ряд. Введем определение нечеткого временного ряда.

Определение 3= Нечетким временным рядом будем называть упорядоченную последовательность наблюдений над некоторым явлением, характер которого изменяется во времени, если значения которые принимает некоторая величина в момент t выражена с помощью нечеткой метки.

Нечеткая метка представлена лингвистическим термом и функцией принадлежности. Цшмпистс™.«,!»!».^), и-величина, задающая носитель нечеткого множества.

Этап анализа тренда нечеткого временного ряда (НВР) выполняется экспертом после этапа фуззификации, то есть на данном этапе анализируется нечеткий BP xf(t). Для каждого НВР может быть выбрана аппроксимирующая функция с непрерывной областью определения - подмножеством рациональных чисел (целых) и дискретным множеством значений ХЛ ЭД в силу избранного подхода усиливает субъективную нечеткость и нуждается в более слабом понятии тренда, по сравнению с традиционным понятием "знак производной". Оценки тенденции динамики переменной заключаются в соотнесении графика BP и понятий "рост", "падение", "стабилизация", "колебания", "хаос", которые являются более широкими понятиями, чем классические математические определения изменений монотонных функций. Таким образом, решение задачи анализа тренда задается функционалом:

Тг/ = Trendf {xf(t) }] (2), где Тг;' - наименования тренда ( "рост", "падение", "стабилизация", "колебания", "хаос",...); Trend - функционал; {xf(t)} - дискретно-значный временной ряд. Множество возможных BP xf(t) является бесконечным. Конструктивным уточнением функционала Trend может служить набор процедур, идентифицирующих тип тренда для представителей BP, полученных в результате измерений. Алгоритм процедуры Можно представить в виде продукций. Таким образом, характеристику тренда предполагается получить с помощью эмпирических правил.

Определение 4. Тенденцией нечеткого временного ряда будем называть нечеткую метку, выражающую динамику (систематическое движение) НВР. К значимым наименованиям тенденций отнесем следующие нечеткие мсткз: рост; пгдгнпе; стабилизации; ксдебгния; хаос.

Разумеется, для нечетких термов, обозначающих тенденцию, возможно применение модификаторов "очень", "более-менее". До настоящего этапа рассматривались аспекты анализа отдельных параметров объекта. Очевидно, что объект ЭД является многомерным и, разобравшись с оценками и тенденциями отдельных параметров, необходимо разобраться с состоянием объекта в целом.

Интегральная сцепка представляет собой дискретное конечное множество характеристик состояний многомерного объекта I, меньшей мощности, чем множество состояний объекта, составленное комбинаторикой оценок отдельных параметров. То есть интегральная оценка всегда группировка," обобщение состояний. Конструктивные решения названных задач найдены в распознавании образов. Интегральная оценка строится экспертом на основе сопоставления множества преобразованных НВР xf'(t).Следовательно, задача интегральной оценки - это поиск функционала Estimate:

Р= Estimate! {xf(t)},...,{ xf(t) },....{ хДОД (3) Функционал fcstimate [ ] можег быть определен феноменологически для различных объектов. Уточним понятие интегральной оценки состояния с помощью следующего определения.

Определение 5. Интегральным оцениванием состояния объекта будем называть диагностирование состояния, то есть выбор релевантного наименования состояния из перечня состояний, принятых в проблемной области.

Харакгерпымгл примерами перечней являются перечни возможных дефектов устройства, перечень режимов эксплуатации системы, степеней износа и другие.

Задача прогнозирования может рассматриваться в узком и широком плане. В узком смысле прогнозирование связано с построением значения xf(Wi), где п- точка ряда Т для отдельной переменной x,(t), преобразованного ряда оценок xf(t), тренда переменной Tr,J, то

есть для HBP xf(t) известно последнее фактическое значение. Прогнозирование - это вычисление аппроксимирующей функции, заданной нечетким временным рядом, то есть прогнозирование в узком смысле связано с построением функционала х;,,^,»"^,) =

Forecaste [{xf(t)}, Tr.j] (4) , такого, чтобы ошибка прогноза стремилась к min.

I Xi , prognoe "(Wi) - xf(Vi), I -> min (5). Прогнозирование в широком смысле - это построение интегральной оценки Im(t„»i) по известным ряду интегральных оценок I(t), и множеству трендов (Tr,(t) }:

r(Wi)=Forecaste_i [{I(t)}| t= 0,..., tj (6). В таком случае функционал Forecaste представляет собой итерацию процедур построения иерархий, попарных сравнений (шкалирования) и процедуры многокритериального выбора. Представляется уместным использование мягких вычислений (MB) как при шкалировании, так и при многокритериальном выборе.

Завершающим разделом любого экспертного заключения является выработка рекомендаций для достижения объектом целевого состояния S. То есть необходимо по целевому состоянию S, ряду интегральных оценок I(t), где - t - анализируемый период от 0 до t„; построить для заданного периода от t„ до tn+m, где m - длина планируемого периода:

Тг,* =Plan[S,I(t)] (7),

то есть необходимо "прочерчить" согласованное множество линий развитая каждой отдельной переменной для достижения целевого состояния S. Содержание функционала Plan можно выразить с помощью системы нечеткого вывода. Для построения функционала Fuzzy (1) рассмотрим два вида моделирования нечетких величин: во-первых, на основе трапециевидных функций принадлежности и, во-вторых, на основе квазивогнугых (колоколообразных) функций формы. Формулируются следующие утверждения. ■Утверждение 1 - Фулзифилаци* »¡^шьппюд рядов ы ЭД при Ail -Lrri.

выполнена на основе функций принадлежности, параметризованных с помощью функций формы.

Функции формы, традиционные для современной теории нечетких систем - это функции треугольной, трапециевидной и колоколообразной форм.

Утверждение 2. Настройка параметров функций принадлежности, представленных параметризованным семейство?.! функций может быть результативно выполнена с помощью ооучекия ш г* *

В обоснование утверждения 2 проведены эксперименты по настройке параметров представляющего семейства функций формы на основе алгоритма обучения ННС.

Обоснование утверждения 1 построено на том что квазивогнутые функции формы для функций принадлежности сохраняют унимодальность представления

Подход с точки зрения мягких вычислений позволяет использовать для распознавания тенденций аппарат НС. Временные ряды представляются своими графиками. Распознавание тенденции каждого графика можно считать задачей распознавания изображений. В результате подход мягкпх вычислений позволяет сформулировать следующее утверждение. Утверждение 3. Результативным средством распознавания тенденций нечетких временных рядов является НС.

Для обоснования утверждения 3. были проведены вычислительные эксперименты, которые позволили также уточнить tim НС, оптимальный для задачи распознавания тенденций. Кроме распознавания тенденции нечетких временных рядив интерес представляет возможность извлечения правил распознавания тенденций методом нейрокомдькшшга. Утверждение 4. Архитектура ННС результативна для извлечения правил решения задачи анализа тенденций.

В обоснование утверждения 4 в главе 3 приведена методика проведения обучения ННС распознаванию тенденций и результаты экспериментов.

Для этапа интегральной оценки состояния объекта проектирования предложено использовать НС многослойной архитектуры. Система таких НС, совокупность которых предложено называть макронейроном, способна выполнить прогнозирование в широком смысле.

Прогнозирование будущего функционирования СТС основано на тенденциях базовых показателей и методах аппроксимации. Для прогнозирования значений нечетких ВР можно использовать НС в режиме предиктора. НС обучается распознавать тенденции с приемлемым качеством для одного или нескольких ВР. Для получения интегральной оценки необходима совокупность НС, обученных поведению различных базовых переменных. Совокупность таких НС будем называть макронейроном, если их выходы служат входами для НС.второго уровня, вырабатывающей интегральную оценку состояния. Определение 6. ЭС, сочетающую традиционный механизм продукционного вывода с испоп1.зованием обученных НС будем называть пейроэкспертной системой (НЭС). Предложение 1. Задача прогнозирования в широком смысле, как прогнозирование интегрального состояния объекта проектирования может быть выполнена НЭС. НЭС относится к гибридным системам, описание и классификация которых подробно рассмотрена в главе 1. Глава 3 уточняет архитектуру ЭС, названную мягкой, основу которой составляют сочетание механизма нечеткого логического вывода и НС. Этап принятия проектного решения рассматривается как решение задачи многокритериального выбора в контексте блочно-иерархического метода проектирования. В теории проектирования СТС предложен модифицированный метод анализа иерархий. Кратко существо модификации приведено далее.

Определение 7. Мягким методом анализа иерархий (ММАИ) будем называть метод анализа иерархий, использующий сложные компенсаторные функции свертки критериев. Постановка задачи многокритериально! и выбора формализуется следующим образом: Кх, Cl(x)Ql С2(х) Q2...Qn-l Сп(х), где К - нечеткий квантификатор, С1...Сп - критерии выбора, QI...Q11-I -операции свертки критериев. К, С1...Сп - рассматриваются как нечеткие множества с выпуклой функцией принадлежности, определенной на rai(X), где mi - преобразованание объекта в непрерывную базовую переменную. Веса критериев X

можно использовать при аддитивной свертке:_

m

nG(x) = I(XinCi(mi(x)));(S)

_i=l_■

Предлагается дополнить метод анализа иерархий сложной функцией свертки критериев: HG(x) = Qi-1 |i Ci(mi(x)) , где G - цель многокритериального выбора, Qi-1- операции

свертки пар критериев Ci-1, Ci. Многокритериальная свертка.._._

п ■

pG(x)= Qi nCi(mi(x)) (9) !=! .

требует определения характера операций Qi по примерам свертки пользователем двух критериев на основе предъявленных примеров.

Предложены функции: шах (О,U + V-l); U* V; min(U,V); med(U,V,l/4); med(u,v, 1/2), V+U; max(U.V), med (U,V,3/4).

Предложение 2. Целесообразно дополнить метод анализа иерархий сложной функцией свертки критериев: |aG(x) = Qi-1 ii Ci(mi(x)) , где G - цель многокритериального выбора, Qi-1- операции свертки пар критериев Ci-1, Ci.

Третья глава "Архитектура мягкой ЭС, как элемента САПР" посвящена интеллектуализации САПР за счет внедрения элементов ЭС. Внедрение ЭС в процедуры САПР - традиционный путь интеграции систем искусственного интеллекта и АП. Но в

данной дисссертационной работе впервые решается задача интеграции систем "вычислительного" интеллекта" и САПР объектов, поведение которых представлено временными рядами. Для решения задачи разработана архитектура и основные структурно-функциональные решения мягкой ЭС. В начале главы дается понятие мягкой ЭС, сопоставляются понятия нечеткой и мягкой ЭС. Для описания архитектуры мягкой ЭС используется типология, сформированная на базе трех основных признаков: способ извлечения знаний; представление знаний; обработка знаний

Определение 8. Мягкой ЭС будем называть нечеткую ЭС, которая обладает следующими особенностями. Мягкая ЭС для извлечения знаний использует статистические данные, которые интерпретирует как обучающие выборки для ННС. Мягкая ЭС представляет знания как совокупность лингвистических переменных (функций принадлежности), нечетких продукций и обученных НС, функций свертки критериев при многокритериальном выборе. Редукция множества нечетких продукций выполняется с помощью генетических алгоритмов. Мягкая ЭС сочетает шаги вывода по нечетким продукциям с шагами многокритериального выбора решения. Многокритериальный выбор решети является по существу специализированным типом продукции.

В главе 3 описано извлечение, представление и обработка знаний в мягкой ЭС. Особенности такого мягкого извлечения знаний исследованы на примере извлечения нечетких продукций для ЭС анализа тенденций. Мягкая ЭС анализа тенденций решает одну из задач ЭД и может рассматриваться как элемент САПР. Анализ тенденций - это удобная задача для извлечения продукций оценки, так как возможно разработать генераторы тестов различных тенденций. При разработке таких генераторов необходимо учитывать диапазоны значений конкретной проблемной области, типичные значения таких переменных МЭС должна предоставить инструментальную и информационную среду для ЭД в ходе АП.

------ - .............. ^ "" *Л -

БД функций принадлежности; нейроимитатор, работающий в режимах обучения, распознавания, предсказания; ("III': система нечеткого вывода.

Феномен резкого роста объемов БД породил новые научные направления (KDD) knowledge discovery in databases, сформировавшееся в рамках искусственного интеллекта к 1989 г. и (DM) dai.t mining, в рамках современной статистики. Мягкая ЭС извлекает знания из статистических выборок, интерпретируя их как обучающие выборки для обучения НС, то есть является средством KDD. Особенности такого мягкого пзг.лачгпля знаний ксслгдсвгпы на двух примерах: извлечение нечетких продукций для ЭС анализа тенденций; извлечение нечетких продукций для задачи конструирования стендов изделий.

Задача распознавания тенденций была исследована на примере реальных временных рядов экономических показателей предприятий промышленности. Совокупность таких BP характеризуют поведение среды функционирования автоматизированных систем управления. Для распознавания использовались классические НС в двух формах: многослойная НС с алгоритмом обратного распространения ошибки в качестве алгоритма обучения; сеть Кохонена, обучаемая по методу динамических ядер, то есть алгоритмом без учителя. При подготовке эксперимента было принято решение о разработке нейроимитатора, реализующего многослойную НС и сеть Кохонена. Нейроимитатор реализован в среде разработки С++ Builder для ОС Windows NT. Графики интерпретировались как изображения, определенные на матрице размерностью 10 * 10. Эксперимент, проводимый па многослойной сети, показал, что многослойная сеть успешно решает задачу распознавания тенденций. Обучение многослойной НС проводилось на выборке, содержащей 96 образцов, 11 входов и 3 выхода ("рост", "падение", "стабильность"). Многослойная НС представляла собой 3-х слойную сеть с 7-ю нейронами в скрытом слое, 110 входами и тремя выходами. В качестве функции активации нейронов использовалась униполярная сигмоида. Потребовалось 2830 итераций для уменьшения

ошибки НС до уровня 10"4 , что обеспечивает стабильное распознавание образов на уровне 94 %.

Эксперимент, проводимый на сети Кохонена, проводился на той же самой обучающей выборке, что и эксперимент, проводимый на многослойной сети. Сеть Кохонена представляла собой двухслойную сеть с 110 входами и тремя выходами. В качестве функции активации нейронов использовалась униполярная сигмоида. Потребовалось 10000 итераций для стабилизации выходов с точностью в Ю-4 на всех образцах, что обеспечивает стабильное распознавание тенденций на уровне 89 %.

В ходе исследований были проведены эксперименты с нечеткой ННС. Целью экспериментов было установил, возможности обучения ННС анализу тенденций, извлечь продукции оценки тенденций, установить методику обучения анализу тенденций. В ходе экспериментов ННС была обучена анализу тенденций, получены продукции для такого анализа. В ходе обучения была сформирована методика обучения анализу тенденций, которая состоит в том, что более качественные результаты распознавания дает НС, обученная отличать один вид тенденции от всех других. Следовательно, результативной будет методика обучения отдельной ННС одной тенденции. Сначала - тенденции "рост", затем - "падение", "стабилизация" и другим. На заключительном этапе методика требует синтезировать мягкую ЭС из обученных отдельных ННС, рассматриваемых как элементы. Оптимизация (редукция) множества извлеченных правил выполняется на основе генетического алгоритма. Второй задачей для которой были извлечены продукции с помощью ННС была задача конструирования стендов изделий. При конструировании стендов изделий конструктором решаются две задачи выбора: выбор корпуса изделия и/или выбор передней панели. Особенностью многих предприятий, производящих изделия, является наличие в качестве подразделения проектной организации, которая разрабатывает в том числе стенды для ныимТошш шдииьл. Часто . проектные ергиппздцш! располагают длигсльник историсн разработок аналогичных стендов. Можно использовать статистику как обучающую выборку для извлечения правил методом ННС. Для решения задачи выбора корпуса конкретного стенда можно выделить следующие значимые лингвистические переменные: количество монтажных плат; количество стрелочных приборов; размер блока питания; количество трансформаторов; количество мелкодискретных элементов; количество фасетных переключателей; количество тумблеров; количество надписей; количество индикаторов; количество клемм; количество разъемов. Для выходной переменной, означающей объем корпуса необходимо вычислить объемы корпусов, допустимые стандартом предприятия и задать функции принадлежности на оси объемов. Таким образом, такой инструмент, как ННС кроме функций принадлежности и нечетких продукций, которые исчерпывают базу знаний нечеткой ЭС, порождает совокупность обученных НС, которые входят в базу знаний мягкой ЭС. Как было определено выше база знаний мягкой ЭС должна содержать следующие части: функции принадлежности; нечеткие продукции; обученные ННС, в том числе нечеткие; матрицы попарных сравнений альтернатив; функции агрегации критериев проблемной области; процедуры интерпретации хромосом генетических алгоритмов; функции оптимизации. Последний элемент базы знаний мягкой ЭС - функции агрегации (свертки) критериев формируется в ходе многократных повторов процедур многокритериального выбора. Каждый проход пользователем процедуры многокритериального выбора аккумулирует знания и функции свертки критериев и альтернатив.

Обработка нечетких продукций в мягкой ЭС, в соответствии с вьнвеггртаедекным определением, сочетается с процедурой многокритериального выбора. Такое сочетание является результатом адаптации мягкой ЭС к задачам АП, Степень интеграции СПР и ЭС может быть различной. Учет особенностей процедуры проектирования приводит к самой глубинной интеграции, при которой модифицированный метод анализа иерархий встроен в

ход вывода результата, как специализированный вид продукции. Так как иерархия (сценарий) относятся к априорно извлеченным знаниям мягкой ЭС, то процедура многокритериального выбора предполагает диалог на основе такой иерархии. Целью диалога является либо попарное сравнение критериев и альтернатив, либо задание предпочтений свертки критериев. Поэтому представляется обоснованным построение инструментария как интеграции систем двух типов: экспертной системы ЭС и системы принятия решений (СПР). На определенном этапе развития интеллектуальных САПР интеллектуализация связывалась с использованием методов ЭС при АП. Однако проектировщик также часто оказывается в положении лица, принимающего решение в условиях многокритериального выбора детерминированных альтернатив (типовых решений), как и в ситуации поиска решения. Поэтому представляется обоснованным построение интеллектуальной САПР как композиции систем трех типов систем САПР, ЭС и СПР.

В главе 3 для проведения интеграции систем рассмотрено текущее состояние современной теории ПР.

Таким образом, третья глава описывает архитектуру мягкой ЭС, как элемента САПР. Четвертая глава "Организация информационной среды, архива проектов крупной проектной организации" посвящена описанию организации баз данных, допускающих нечеткие запросы в условиях корпоративной сети. В диссертационной работе рассмотрена информационная система проектной организации, база данных которой ограничена рамками расширенной нечеткой реляционной модели данных в клиент-серверной технологии. Большинство работ по организации нечеткой реляционной алгебры носят теоретический характер. В некоторых работах представлены исследовательские системы организации нечеткого запроса, реализованные на разных языках программирования. Популярным среди

-------■-----. п ------ - ПТТ^П ' ■ . 1 fiiinfnmini ПЛ/'ППЛЛ'МИИДШт Т Г f^VKTT

(ivv.i^vuuivjivii ""j"'4" w* " • u i w. ^ —s* ' ' 1 Г —---1----i------—--J i--г----------------" г 1

Если бы удалось совместить преимущества использования промышленного сервера данных с организацией нечеткого запроса, то результат »мел бы несомненную практическую ценность. Цель настоящего исследования - учесть принципиальную НПИ. Такая цель с точки зрения формирования информационной системы проектной организации приводит к двум задачам. Первая задача - реализация нечеткой расширенной реляционной алгебры для обработки нечетких запросов в промышленной клиент-серверной базе данных. В качестве среды экспериментов выбран сервер даккьк -Oracle 7.3, (Oracle Inc.). Втора? задача -применение нечетких терминов в проблемно-ориентированных информационно-поисковых средствах. Например, нечеткие границы технических параметров, количеств, проблемных терминов повышают гибкость вводимого запроса. Важнейшими понятиями модели реализации нечеткого запроса являются понятия возможностного атрибута и нечеткого запроса.

Определение 9, Под возможностным атрибутом будем понимать числовой атрибут, связанный с лингвистической нечеткой меткой с помощью функции распределения возможности.

Определение 10. Под нечетким запросом будем понимать запрос, условная часть которого содержит возможностный атрибут. Возможностные атрибуты записываются на основе функции распределения возможности^,трибу**™™. «>рт™) (значение атрибута). С помощью sup-min-ых формул компактно записывается обработка нечеткого запроса, например для условия А(х) ö а формула имеет следующий вид;

|i,»e(d)= sup min (m>(d,d'), p«(d')) (10) deD

П(а # 9[A(x)) = sup min (ц. # e(d), ^„(d)) (11). d gD

Знак # означает композицию операций. Для современного этапа развития моделей данных характерно влияние теории нечетких систем, которое приводит к нескольким предложенным к настоящему моменту расширениям реляционной алгебры. Теория возможностей позволяет построить такое расширение на основе четкого реляционного отношения, содержащего нечеткие атрибуты. Теория возможностей предлагает sup-min -ые формулы для базовых операций расширенной реляционной алгебры. Практические реализации нечеткой реляционной алгебры к настоящему времени не вышли за рамки исследовательских прототипов. Реализацию нечетких запросов в среде промышленных серверов данных целесообразно выполнить в форме процедурного расширения SQL-запроса. Для реализации механизма нечетких запросов в существующих СУБД необходимо найти:, способы представления функций распределения возможностей для каждого кортежа и для-его атрибутов; функций принадлежности нечетких предикатов для пар сравнимых атрибутов; функций принадлежности нечетких значений. Необходимо найти способ обработки нечеткого запроса и эквивалентного представления в виде sql-запроса. Самой перспективной внешней формой нечеткого запроса, очевидно, является форма sql-запроса со специальной функцией фуззификации: SQL> SELECT * FROM BASE WHERE FUZZY(......)

Механизмы .реализации нечеткого запроса в промышленных, то есть законченных, и следовательно; закрытых серверах данных, могут опираться только на разработку служебных схем данных, рабочих таблиц, хранимых процедур, триггеров и процедурное расширение SQL-запроса. Поэтому разработка механизма реализации была выполнена в три этапа: разработка модели представления возможностного атрибута на уровне сущностей (объект, свойство, нечеткая метка); разработка схем данных для представления модели возможносгного атрибута; реализация механизма в среде конкретного сервера данных. Основным понятием модели возможносгного атрибута (МВА) является понятие объекта, которому соответствует реляционное отношение (совокупность связанных реляционных отношений). Объект в репозитарии представлен схемой данных с выделенным первичным ключом и рабочими таблицами. Конкретные экземпляры объектов - это строки рабочих таблиц. Типы атрибутов объекта (домены, столбцы) могут быть выбраны из фиксированного перечня, ограниченного в каждом конкретной сервере данных. Наиболее распространенные атрибуты: числовой, символьный, логический, дата. Возможностный атрибут (В А)- это атрибут, хранящий распределение возможных значений числового атрибута. ВА позволяет поставить в соответствие числовому значению атрибута нечеткую метку с некоторой степенью возможности и необходимости. Один объект может иметь несколько ВА. Каждый атрибут характеризует какое-то свойство объекта. Первичный ключ уточняет объект до конкретного экземпляра объекта. Каждое свойство характеризуется множеством оценок степеней проявления свойства. Каждая оценка свойства выражается распределением возможностей. Распределение возможностей можно представить в форме списка параметров. Для трапециевидной функции формы список должен содержать коордииан,! четырех точек, задающих трапецию, для ¡содоксдообразной функции формы -два параметра, характеризующие расположение центра и разброса.

Таким образом, четвертая глава содержит результативное описание реализации нечеткого запроса в среде современного сервера данных.

Пятая глава " Мягкая ЭС в САПР конструирования стендов изделий " посвящена созданию ЗС конструирования стендов изделий :;а базе архитектуры мягкой ЭС. Для производственной деятельности конструкторских бюро характерно изготовление опытных образцов, малых серий изделий, модифицированных блоков серийных изделий. Необходимой технологической задачей служит задача разработки, в том числе конструирования стендов для испытаний или контроля и диагностики блоков. Большие конструкторские бюро, имеющие длительную историю создания таких стендов обладают

значительными архивами разнообразных стендов. Архивы проектов в настоящее время представляют собой как правило хранилища бумажной технической документации. Информация, хранимая таким образом, редко используется повторно и недоступна оперативно. Другим результатом продолжительной производственной деятельности конструкторских бюро является наличие опытных специалистов - конструкторов. Такие специалисты, эксперты, покидая предприятие часто уносят уникальный опыт проектирования. Поэтому в качестве решения проблемы сохранения накопленного опыта проектирования необходимо комплексное решение. Недостаточно использовать даже самую современную распределенную информационную систему доступа к архиву проектов, так как методика конструирования не отражается в конечном продукте - технической документации на стенд. Информационная система должна включать в себя ЭС, содержащую знания экспертов, которые в настоящее время никак не документируются на предприятиях. Предложение 4. ЭС в составе интеллектуальной САПР конструирования РЭА должна носить характер мягкой ЭС, основную часть которой составляет система нечеткого вывода. Исходное задание конструктору включает принципиальную схему стенда, спецификацию элементов и технико- экономические требования как к стенду, так и к режиму эксплуатации. В ходе выполнения разработки конструктор часто принимает решения, являющиеся компромиссными с точки зрения технологичности, эргономичности и стоимости стенда. Многие решения определяются не формальными нормами, а опытом конструктора. В ходе разработки конструктор выполняет выбор корпусов, передних панелей, сборочных единиц и деталей на основе стандарта предприятия (СТП). СТП, с точки зрения построения ЭС, сокращает пространство поиска Выбрав корпус и переднюю панель конструктор решает задачу размещения элементов.

Исходную заданную ситуацию можно представить как тройку объектов^Е" , Р ,К. >, где Н"" - перечень элементов, устанавливаемых bhvteíi Koonvca . согласно спецификации. Р",п -ряд типоразмеров передних панелей ао СТП, К'"' - ряд типоразмеров корпусов по СТП. Для корпусов ряды размеров сформулированы в СТП в рамках трех типов: корпус со скошенной передней панелью, с вертикальной передней панелью (параллелепипед) и корпус с шасси. Необходимо выбрать размер передней панели и корпус PCT",,KCTnt , удовлетворяющие эргономическим, технологическим и стоимостным критериям и выполнить размещение разногабаритных элементов как на переднюю панель, так и внутрь корпуса. Заданная ситуация для размещения элементов на передней панели и внутри корпуса в общем виде записывается следующим образом.

Дано : <Еспй, Ес"„п, Р^.К'™^, где Ес"5 - перечень элементов, устанавливаемых внутри блока,

Есл„„ - перечень элементов, устанавливаемых на переднюю панель, Р01™, - выбранная передняя панель н К"", - выбранный корпус.

Найти: размещение элементов Е™б внутри корпуса и Еспш, на передней панели, оптимальное с.точки зрения длины соединений.

Для извлечения знаний о конструировании стендов в условиях действующей проектной орпп-::~-~нт можно использовать такие средства извлечения, как анкетирование эксперта, протоколирование реального процесса решения задачи, извлечение знаний из архива проектов. Учитывая значительный объем реальных архивов проектных организаций, особенно привлекательным представляется извлечение знаний из данных ■ методом пейрохемпьютшна. Для проведения эксперимента по извлечению правил необходима ННС, вербализующая правила. Таким инструментом служила ННС с редукцией полученных правил генетическим алгоритмом FUNGEN 1.1. Достоинством FUNGEN 1.1. является способность генерировать текстовый файл правил, настраивать колоколообразные исходные функции принадлежности и генерировать классификатор или аппроксиматор как исходный Си -код. В качестве оболочки ЭС, использующей нечеткий вывод, использован программный продукт FZCL1PS 6.04, свободно доступный для исследователей в Internet.

Система принятия решений на основе мягкого метода анализа иерархий была разработана в среде Foxpro 2.5 for Windows, реализация эволюционных алгоритмов выполнена на языке программирования Си ++. Система нечеткого вывода FZCLIPS 6.04, предоставляет разработчику приложений ЛИСП- подобный язык, реализацию алгебры нечетких множеств и систему нечеткого вывода, большое число встроенных функций для выражения функций принадлежности, фуззификаторов и дефуззификаторов, базовых операций теории нечетких систем. Интерпретатор нечетких продукций реализует min-max логический вывод, то есть ' может быть отнесен к системе нечеткого вывода по Мамдани. Функции принадлежности для нечетких переменных, в соответствии с правилами FZCLIPS 6.04, бьиш заданы как параметризованные колоколообразные функции принадлежности. В САПР конструирования стендов выполняются следующие расчеты: расчет суммарной установочной площади элементов; расчет суммарного объема элементов; расчет коэффициента заполнения передней панели; расчет площади надписей на передней панели; расчет площади передней панели с точки зрения эргономики. Задача вычисления весов аддитивной свертки выбора передней панели решается с помощью классического метода анализа иерархий Т. Саати и позволяет получить веса аддитивной функции. Структура задачи размещения разногабаритных элементов в пространстве задается следующим образом: ограничения пространства объема размещения (например, габаритами конкретного корпуса, определенные СТП предприятия); элементы размещения , заданные своими габаритами( объемами). На практике задача размещения в пространстве часто заменяется размещением на установочной площади, которую называют монтажным полем. Каждый элемент, предназначенный для размещения , б таком случае представляется своей установочной площадью. Установочная площадь элемента грубо представляется прямоугольником, то есть двумя габаритами: длиной и шириной. Таким образом, задача

riH j»fi4Ti^uï4u çRprriffÇg ¡г çjyçnv»0!UeMy.

Дано: a,b - габариты монтажного поля, {(ai,bi),...,(a,,bi),....(a„,bn)}- список элементов размещения, заданных своими габаритами; С- матрица связей элементов размещения, представляющая собой матрицу смежности.

Найти: вариант размещения элементов на монтажном поле Z= {(xi,yi),...(Xi,yO.....(x^,y„)J, где

(х,,у;)-координаты размещения центра тяжести установочной площади элемента размещения i, такой чтобы площадь перекрытия площадей установленных элементов была нулевая, а общая длина соединений минимальная. Задача размещения ставится как задача оптимизации функции, выражающей нормированную оценку суммы штрафа за перекрыл!« площадей

установленных элементов и общей длины соединенений,_

X'- min (0(L(z,)+P(So6lu(z,)) (12)

_zjeZ_

где Zj- вариант размещения, S общ- общая площадь перекрытия площадей установленных элементов, 0(L(zj)) - оценка общей длины соединений, приведенная к интервалу [0,1], P(So6n<)- функция штрафа за перекрытие площадей, принимающая значения из интервала [0,1]. Далее описывается адаптация стандартного генетического алгоритма к задаче размещения элементов на монтажном поле и предлагается ряд новых эволюционных алгоритмов.

Общая схема эволюционного алгоритма следующая:

t=0; установка времени эволюции

init_popuIation (Р1); инициализация исходной популяции

while (not done (termination_condition)); пока не выполнено условие-завершение эволюции Р' = selection(Pt); выбор лучших в смысле функции оптимальности индивидуумов для , рекомбинации Pr = recombination (Р1); рекомбинация Pm = mutation(P'); мутация

Р"1 = generation (Р', Pr, Р™); формирование нового состояния популяции t=t+l, переход по эволюционному времени

endwhile_

Далее общая схема уточняется для разновидностей эволюционных алгоритмов. Для реализации прикладной задачи с помощью генетического алгоритма необходимо уточнять следующие параметры: способ кодирования решения (хромосомы), функцию оптимальности (оценки) каждой хромосомы, содержание операторов отбора (селекции), рекомбинации и мутации, вероятностные параметры управления сходимостью эволюции, условие завершения эволюции.

Утверждение 5. Стандартный генетический алгоритм с бинарным кодированием хромосом, пропорциональным оператором селекции, функцией оптимальности, выражаемой формулой (1) эффективен для решения задачи размещения элементов. Кроме стандартного генетического алгоритма в диссертации исследованы возможности эволюционной стратегии только с оператором мутации. Стандартный генетический алгоритм сохраняет силу для эволюционной стратегии "только с мутацией". Особенность составляет наличие установки пользователем параметра: вероятность мутации. Утверждение б. Эволюционная стратегия "только мутация" с бинарным кодированием хромосом, пропорциональным оператором селекции, функцией оптимальности, выражаемой формулой (12) эффективна для решения задачи размещения элементов. Эксперименты с такой разновидностью генетического алгоргггма демонстрируют медленную сходимость к решению.

В диссертации рассмотрена эволюционная стратегия с рекомбинацией (m,k). Стандартный генетический алгоритм сохраняет силу для эволюционной стратегии с рекомбинацией (m,k). Особенность составляет реализация оператора рекомбинации (m,k). Оператор рекомбинации (m,k) предполагает m родителей и к потомков. Параметры тик устанавливает пользователь. Теоретически параметры могут изменяться в следующих диапазонах; m = I, 1-1; k= 1,...m. Параметр 1 - длина хромосомы. Зависимость количества потенциальных потомков при m родителях выражается формулой: mm-m ,если потомки не повторяют родителей(клоны запрещены). Предложено использовать стратегии го следующего перечня (2,2),(3,1)(3,2),(3,3),(4,1),(4)2),(4,3),(4,4). Основное отличие эволюционной стратегии с рекомбинацией (m,k) - это реализация оператора рекомбинации.

Утверждение 7. Эволюционная стратегия с вариантами рекомбинации с бинарным кодированием хромосом, пропорциональным оператором селекции, функцией оптимальности, выражаемой формулой (i'y эффективна для решения задачи размещения элементов.

Эксперименты с эволюционной стратегией с вариантами рекомбинации выявили 0006510 результативность оператора рекомбинации (3,3).

Таким образом, для решения задач конструирования типичной является задача размещения элементов на монтажном поле. Результативное решение такой задачи может быть найдено с использованием генетических алгоритмов. Предложенные методы кодирования решений и функция оптимальности эффективно решают задачу размещения.

Шестая глава "Оптимизация ресурсов ВС в условиях неопределенности" описывает решение ряда задач проектирования и организации эксплуатации ВС. ВС представляет

собой эволюционирующий объект, который за время эксплуатации переживает несколько модификаций. Процесс такой модификации будем называть перепроектированием. Условия перепроектирования существенно отличаются от условий проектирования тем, что ВС в текущем состоянии доступна для измерений. Результаты измерения параметров трафика и эксплуатационных параметров ВС могут был. использованы для прогнозирования параметров ВС в новом послепроехтном состоянии. При проектировании с нуля гипотетические параметры могут быть получены в результате вычислительного эксперимента в ходе имитации или в результате экстраполяции результатов какого-то "типового" варианта на проектируемый вариант. Задача проектирования (модернизации) ВС декомпозируется на три этапа: размещение (оптимизация размещения) коммутационного оборудования; выбор типа коммуникационного оборудования; изменение структуры каналов и переподключение узлов.

Задача оптимального размещения коммутационного оборудования может быть поставлена и решена как задача возможностного программирования. Задача выбора коммуникационного оборудования решается алгоритмом полного перебора или эвристическим алгоритмом целенаправленного поиска Задача модернизации топологии может быть решена с помощью генетического алгоритма.

Задача нечеткого линейного программирования решается в два этапа: во-первых, преобразование нечетких данных в детерминированный аналог; во-вторых, решение задачи линейного программирования любым из известных методов, например, симплекс-методом. Для решения задачи нечеткого линейного программирования необходимо учесть различные способы представления нечетких данных. Рассматривают» три способа представления нечеткости: трапециевидные функции принадлежности; нечеткие исходы с заданной вероятностью и трапециевидными функциями принадлежности; квазивогнутые функции к-знгдлгзак;стп Нечеткими 22*стор ул^Дщптддгпд 1г»тп>ппн /Ьу?£5сттмт* иатпш1я

коэффициентов и вектор ограничений.

Иногда фактор НПИ включает кроме нечеткости и вероятность события. Такие величины называют нечеткими случайными величинами. Нечеткая величина - это случайная (то есть имеющая распределение вероятностей) величина, исходы которой являются нечеткими. Первый элемент пары- это нечеткий исход, а второй элемент - значение вероятности - р^ (рь - вероятность к-ого исхода). Значит представление одного значения нечеткой случайной величины при трапециезидной функции принадлежности - пятерка чисел х = (т"-<1", т', т*, т++ £Г,рь),, а при квазивогнутой - тройка чисел х= (с, о, рк).

Опишем текущее состояние ВС с точки зрения размещения коммуникационного оборудования. Считаем, что на некотором этапе развития ВС Принято решение о прокладке центральной магистрали, закупке и установке коммуникационного оборудования. Перечень рабочих станций (узлов) ВС известен. Причем, для узлов решена "задача размещения -известны координаты узлов. Размещение узлов в условиях учреждения подчиняется сложившейся структуре подразделений, запросам пользователей, поэтому представляется, что техническую оптимизацию целесообразно ограничить рамками размещения коммуникационного оборудования. Коммуникационное оборудование представлено -маршрутизаторами, концентраторами и/или коммутаторами. Каждый узел (рабочая станция) может быть подключен только к одному коммутатору или концентратору (ком/конц), таким образом каждый ком/конц определяет сегмент ВС. Разбиение узлов по ком/конц считаем известным. Пусть в ВС имеется п ком/конц и ш узлов. Обозначим узлы и^ , 1= 1,...1н, а ком/конц ^1,...п. Координаты узлов будем отмечать верхним индексом и, а искомые координаты ком/конц не будут иметь верхнего индекса. Таким образом, (<х°1, у";, 7°!>, .<х°, у\ г°>,...<х°ж у"~, г°и>) - известные координаты узлов. Пусть в = ¡=1,..п, ^=1,. .то- это матрица разбиений узлов на сегменты. Значение & равно1, если узел и; подключен к комм/конц и равен 0, если узел и; не подключен к комм/конц Связи

комм/конц в общем случае характеризуются матрицей Н = : {hit}, 1=1,..n, k=l,..m - где hik -1, если комм/конц qi подключен к комм/конц qi и hit - 0, если комм/конц qi не подключен к комм/конц qt Канал связи qi и qt будем обозначать Sik- Ограничения с точки зрения задачи размещения представлены ограничениями на допустимые длины каналов связи. Матрица Н в большинстве реальных ВС представляет последовательное соединение каналов (рис. 1). В контексте задачи существуют два вида каналов связи:

<узел> — <комм/конц>; < комм/конц > — <комм/конц>. В любой ВС каналов первого типа

Ограничения на длины каналов заданы в виде нечеткого понятия: "Допустимая длина":< d,

п тт? М> "Э TT«i?HV fTppp.r>rQ Т{ТЦЯ » BSiCiDp 'ISTBtipi^K ^ГТРтгутоит?

ридй' 5Г = { s"j),j"l.. m

где s°j - это четверка < d, D, ш, М>. Ограничения на длины каналов связи второго типа - это матрица четверок: SS° { ss' л,- }, i~l,..n, k ~ 1,..ш. 1Дель оптимизации размещения -минимизация стоимости передающей среды и представлена скалярным произведением : Ci * s\ + ... + Cj * s'j + ... + Cm * s '„+ Cm.i * ss'n + ... + Cm+n*(n-iy2 * SS1,,.(„-,У2 -> min, где [Q. ..Cm»n.(„. 1У2]" - вектор четверок, характеризующий стоимость единицы длины канала, [s'. ss'-^-.in.i^] - вектор длин каналов связи В ходе решения задачи необходимо найти координаты размещения комм/конц: (<xi,yi,zi,>, .... <Xi,y;,z.>, ,...<x„,y„,z„>). Б условиях учреждений расстояние прокладывается не по кратчайшему пути . и вычисляется формулой ASab = (хА - хв) + (уа - ув) + (za - zB) - то есть имеет ступенчатую форму. Общий вид неравенств, получаемых для канала второго типа, проложенного между узлами i и о: h,j * (х, - х.) + п.. * (у, - yj) + hj. * ( z.[ - Zj) <= Ss°,j

Если неравенств, ограничивающих каналы первого типа, п, то неравенств второго типа -столько, сколько единичных элементов Ц- в верхнем треугольнике, относительно главной диагонали. Если допустить, что каждый канал характеризуется собственной стоимостью, то

целевая функция выражается следующим образом:

С", = - qi * Cj + Xj hn * сц, j -1, . . . п (13) . Вычисления но вышеприведенным формулам остаются в рамках скалярного произведения трапециевидных функций принадлежности. Таким образом, задача оптимизации размещения коммуникационного оборудования может быть поставлена как задача возможностного программирования.

Утверждение 8. Оптимальное размещение коммуникационного оборудования может быть найдено как решение задачи возможностного программирования.

Вид коммуникационно го оборудования (коммутаторов или концентраторов) значительно влияет на загруженность каналов связи. Реальная ВС часто содержит как коммутаторы так и концентраторы. Улучшить пропускные способности каналов связи можно за счет

оптимального выбора коммутаторов или концентраторов. Задача выбора коммуникационного оборудования задается на уровне каналов связи, каждый канал к характеризуется пропускной способностью - реальной Рь и максимальной Р™"к(бит/сек). Интенсивность взаимодействия (передачи сообщений) любой пары узлов - это величина Вц (бит/сек). Величина измеряется в течении длительного промежутка времени Т и усредняется. Усреднение может быть представлено вычислением среднего значения В у ср или построением на основе гистограммы распределения вероятностей или построением функции принадлежности на основе распределения возможностей. Суммарный трафик, приходящийся на канал связи, зависит от типа канала. Будем рассматривать только каналы типа: <коммутатор/концентратор>-----<коммутатор/концентратор>

Тогда можно выделить следующие подвиды каналов: <коммутатор > ----<коммутатор >;

<концентратор> ----< концентратор^ <коммутатор >---< концентратора Суммарный

трафик выражается по-разному для 3-х подвидов каналов сиязи Рассмотрим суммарный

трафик канала типа <коммугатор >----<коммутатор >._

п п Тк = 2 2 Ву (14)

_) еМ1 } е М2_

Множество вершин М| и множество вершин М2 - это множества узлов по одну и другую

стороны от канала связи (рис. 1). Суммарный трафик канала <концентратор> ----<

конценгратор> измеряется по-другому, так как канал образованный концентраторами образует общую магистраль:

п п Тк = 2 £ В^ (15)

Г1 3=1

Суммарный трафик канала <хонцентратор> -----<коммутатор> может быть вычислен

следующим образом:

Необходимость перепроектирования ВС определяется по степени близости суммарного трафика и пропускных способностей каналов связи.

Интенсивность взаимодействия рабочих станций ВС, величины могут быть охарактеризованы как нечеткие, так как измерения могут выявить лишь интервал с распределением возможности. Такие величины можно представить с помощью трапециевидных или колоколообразных функций распределения возможности. Реальные пропускные способности каналов связи также нечеткие величины, то есть в теоретическом плане сравните значений пропускных способностей и суммарного трафика - это сравнение двух нечетких интервалов.

В реальных ВС количество комм/конц п обычно невелико, поэтому количество вариантов выбора комм/конц равно 2°. Для п=10, количество вариантов - 1024, то есть даже С точки зрения средней вычислительной производительности невелико. Необходимо оценить суммарный трафик всех каналов для всех вариантов распределения. Кодирование решения, то есть варианта выбора комм/конц, удобно представить битовой строкой длины п, в которой 1-ая позиция содержит 0, если это концентратор и 1, если это коммутатор. Генерация очередного варианта = это операция инкремента на 1 двоичного числа,

представленного битовой строкой. Обозначим строку-распределение комм/конц на 1-ом шаге комм/конц, как ВАРИАНТ1.

Алгоритм выбора оптимального варианта распределения следующий.

Шаг 1. Ц~~0, Оценка варианта. I? = МАХ. Сгенерировать ВАРИАНТ1*1 ках битовую строку

длины п, заполненную 0.

1Паг2. га+1

Если I = 2" +1 то идти к шагу 5 иначе

Вычислить для ВАРИАНТ' суммарный трафик Тк, для V к = 1 ...К с помощью формул

Шаг 3 Вычисление Б' = лип || Тк~ - Рк~ || для V к = 1...К (Р1 - степень загруженности самого

загруженного канала связи для ВАРИАНТ1)

Шаг 4. Выбор текущей максимальной оценки Б1 = тах(Р1, Р1"1), сохранение номера оптимального варианта Г = I. идти к шагу 2 Шаг 5. Конец.

Утверждение 9. Задача выбора коммуникационного оборудования может быть эффективно решена с помощью алгоритма выбора оптимального варианта распределения. Таким образом, предложенные алгоритмы определения степени необходимости перепроектирвования ВС и замены концентраторов на коммутаторы решают задачу выбора адекватного технологического оборудования.

Решение задачи переподключения рабочих станций - это процесс направленного перебора вариантов подключения с целью оптимизации. Размерность задачи велика даже для ВС среднего размера (до 200 узлов). Поэтому целесообразным представляется решить задачу с

помощью генетического алгоритма. Кодирование решения задачи (хромосомы) может быть следующим. Вариант разбиения узлов ид спмепхы, то сьш иси|1.нй^ удоСпй ирс-лстав-илть как ряд целых чисел. Пусть все узлы имеют уникальные номера от 1 до т и упорядочены в соответствии с номерами. Позиция 1 содержит номер комм/конц (ог 1 до и), к которому подключен узел I Наибольшую важность имеет определение функции оптимальности хромосомы, так как определение влияет на сходимость эволюции.В качестве функции

оптимальности может бьггь взята следующая:___

| ¿йр ¡!Ти - Ц(17) !

|_уЦеЬ V к, к< =К___\

где К - количество каналов, а Ь - множество всех вариантов выбора коммуникационного оборудования.

Утверждение 10. Результативным методом оптимизации топологии ВС является генетический алгоритм с функцией оптимальности (17)

Седьмая глава " Приложения теории проектирования СТС. Интеграция САПР вычислительны: сетей, САПР изделий, автоматизированных систем управления, систем: информационного мониторинга при бизнесспроцессреинжиниринге"

посвящена анализу конкретных информационных систем, разработанных с помощью теоретических результатов диссертационной работы. В рамках проектирования будущего бизнес-процесса возможно, моделирование влияния перехода производства на новое изделие на финансово-хозяйственный результат предприятия. Следовательно, основой полноценного проектного решения служат три источника аргументов: техническая эффективность; затраты, подсчитанные методом функционально-стоимостного анализа в ходе проектирования; влияние выпуска нового изделия на финансово-хозяйственный результат. Некоторые традиционные объекты АП в новых условиях требуют учитывать экономическое окружение в условиях будущей эксплуатации. Особенно существенно экономическое окружение влияет на такой объект проектирования как ВС (корпоративные

сети). Идеальный облик сети может бьггь найден не только из соображений оптимизации трафика или выравнивания нагрузки на узлы сети, но и из модели бизнеса корпорации. Только динамическая модель бизнеса, генерирующая ожидаемый поток событий, дает исходные данные для проектирования сети. Современные методики бизнес-процес-реинжиниринга предполагают проектирование информационной системы в ходе прямого инжиниринга. Обобщая сказанное, можно выделить три основы для интеграции САПР и современных методов экономического анализа: функционально-стоимостной анализ затрат на новое проектируемое изделие, бизнес-процесс-реинжиниринг предприятий, новое научно-техническое направление - корпоративные сети.

В настоящее время существует дефицит методов и средств АП ВС. Исходные данные для проектирования ВС формируются в ходе анализа или реинжиниринга бизнес-процессов предприятия. Для принятия обоснованного технико-экономического проектного решения необходимо иметь сведения двух типов: данные о гипотетических затратах на производство проектируемого изделия и данные о маркетинговых условиях изделия. Полные данные могут быть извлечены из системы экономического анализа деятельности предприятия. Если "экономическая" компонента САПР ограничится ФСА, то возможно учесть только прямые затраты на производство изделия. Названная причина заставляет рассматривать систему экономического анализа предприятия как встраиваемую компоненту САПР. Такая компонента может принадлежать к одному из трех типов: автоматизированное рабочее место эксперта-экономиста (АРМ ЭЭ), система принятия экономических решений, экспертная система экономического анализа. Назначением места АРМ ЭЭ является полный анализ финансово-хозяйственной деятельности предприятия. Такой анализ предполагает выполнение в несколько этапов и опирается на ретроспективные и текущие данные бухгалтерской отчетности предприятия. Данные для анализа можно представлять себе как МпОукестоО о^Нь1шЬ|л рядов 5àjuobiA показателей. Pà3ounu< л?М ЭЭ ^а БрС2*хя липксаного цикла было представлено несколькими версиями реализации: АРМ 1.0 (Clipper, MS/DOS); АРМ 1.1 (Foxpro, MS/DOS); АРМ 2.0 (Excel, Windows'95).

Системы принятия решений позволяют учесть как технические, так и экономические аргументы. Примером для оценивания такой возможности интеграции послужит СПР и бизнес-планирования (СПР-БП). Назначением СПР-БП является АП и разработки бизнес-планов производства проектируемого изделия. Именно такой интегральный продукт, встроенный в САПР, позволяет не только учесть как технические, так и эхономич гские решения, по и спроектировать наряду с технической документацией организационные модули бизнес-процессов. СПР-БП в течении жизненного цикла развития прошла ряд стадий реализации в форме следующих версий: 1.0 (Clipper, MS/DOS), СПР-БП 1.1 (Foxpro 2.5, MS/DOS) и СП-БП 2.0 (Foxpro for Windows 2.6, Windows'95).

Моделью ПР для СПР-БП служили метод анашеза иерархий Т. Саатк и модифицированный мягкий метод анализа иерархий, описанные выше. Третий способ интеграции САПР и систем экономического анализа - это использование ЭС анализа финансово-хозяйственной деятельности предприятия как встроенной компоненты САПР.

ЭС ЭА предназначена для решения двух задач: оценить текущую финансово-хозяйственную ситуацию на предприятии на основе объективных данных и выработать рекомендации по формированию стратегии предприятия. ЭС ЭА использует следующие методы мягких вычислений: фуззификацию временных рядов базовых экономических показателей, распознавание тенденций нечетких временных радов с использованием НС, визуализацию аил tî pajujhoro состояния предприятия, прогнозирование методом неирокомпъютикга, разработку стратегий на основе нечеткого логического вывода.

Таким образом, интеграция САПР и систем экономического анализа в настоящее времени является требованием времени.

Идея единого проектирования производственной (финансово-экономической) деятельности, информационной системы и локальной сети предприятия проверена в ходе комплексной автоматизации таких разнородных предприятий как предприятия дорожного строительства (Дорожно-ремонтное строительное управление ДРСУ) и негосударственных пенсионных фондов (НПФ): В обеих случаях ставилась задача полного финансово-экономического анализа, реорганизации основных бизнес-процессов на основе результатов анализа , проектирования и внедрения информационной системы, в том числе проектирования локальной ВС учреждения, адекватной деловым процессам. Описание задач позволяет определить данные для проектирования ЛВС: количество рабочих станций и распределение АРМ между ними, количество и функции АРМ, состав и количество разделяемых данных нормативно-справочной информации, состав и количество локальных оперативных данных, расписание выполнения задач, пшотетическпй трафик, генерируемый каждым АРМ.

Некоторые полученные результаты, в частности архитектура мягкой ЭС, применение методов нейрокомпьютинга к задаче распознавания тенденций могут применены к новым типам сложных технических систем, в частности к системам информационного мониторинга: экономического, экологического, демографического.

Приведенные примеры дополнительных областей использования разработанной теории АП СТС в условиях неопределенности подтверждают результативность предлагаемых теоретических положений и моделей. В частности, областями применения могут быть автоматизированные системы обработки данных и управления, системы информационного мониторинга.

В заключении приведены основные результаты исследований, представленные в

диссертационной работе. Ос::ее::ь:е результат:.:

Главным итогом диссертационной работы является разработка новых теоретических

П/~\ тто-т-лтттгт» » г/-Чтт<аттатг »«ЛТ'ГЧ ПАО ц О ГТ ПГЧГМГТ'И о итгтрптитт ТТР»аТРТП_*Т/"\ГТТ* \Л

Ш V1 и <1 и<И и^инчии • »V —' ж А»

автоматизированном проектирован!ш сложных технических систем в условиях принципиальной неполноты проектной информации, создание и внедрение средств автоматизации проектирования нового класса на основе подхода с точки зрения конструктивной неопределенности. Область применения нового специализированного класса интеллектуальных САПР ограничена прос*сгиро??.ни*гм объектов повсдснкл ьт.тор?,т\' характеризуется реальными или гипотетическими (полученными но основе моделирования) временными рядами. Основные вьшодь: и итоги:

¡. В результате исследований впервые предложен подход к созданию интеллектуальных САПР с точки зрения неполноты проектной информации. Обоснована необходимость особого вида анализа функционирования СТС, который предложено называть в работе экспертной деятельностью (ЭД). Специфика ЭД - это обработка нечетких ВР. Новый подход утверждает, что проектировщик, двигаясь от точных исходных, дшних к исчякоыу экспертному заключению, теряет точность, но приобретает осмысленность проектных решений. Подход с точки зрения конструктивной неопределенности развит до уровня кохщспции ЭД при проектировании. Выделены и обоснованы пять этапов ЭД: фуззпфикация, анализ тенденций нечетких ВР, интегральная оценка состояния объекта, прогнозирование поведения системы б условиях функционирования, миогскр:ггеркалы1кк выбор ПР.

2. Впервые разработаны некоторые теоретические положения и модель проектирования СТС в условиях принципиальной НПИ. Обоснован переход проектировщика от точных ВР характеристических переменных к нечетким ВР в результате фуззификации. Введено понятие тенденции нечеткого ВР. Предложено вычислять тенденцию нечеткого ВР методом

нейрокомпьютинга. Для интегральной оценки состояния СТС предложено использовать нейро ЭС, включающую макронейроны. Этап прогнозирования поведения объекта проектирования в условиях функционирования выполняется с помощью- нейронных сетей. Для сочетания нейронных сетей и нечетких систем показан эффект синергизма. Этап принятия решений рассматривается как многокритериальный выбор, причем в теории учтены особенности проектных процедур и модифицирован метод анализа иерархий, в котором традиционная аддитивная свертка заменена на свертку с уникальными функциями агрегации различных пар критериев. Впервые рассмотрена возможность использования метода многокритериального выбора в качестве продукции ЭС.для случая небольшого количества альтернатив. Показана возможность глубинной интеграции систем принятия решений и ЭС на основе разработанного подхода проектирования СТС в условиях принципиальной НПИ.

3. Впервые предложена архитектура мягкой ЭС, как элемента интеллектуальной САПР. Исследованы и сопоставлены различные механизмы вывода в нечетких системах приближенных рассуждений. Рассмотрен состав базы знаний проекта ва основе ЭС. Такая база знаний должна содержать наряду с продукциями функции принадлежности, функции агрегации критериев, иерархии выбора решений, аккумулированные "результаты промежуточных выводов и процедур многокритериального выбора. Мягкая ЭС может служить встраиваемым интеллектуальным компонентом для САПР объектов, поведение ! которых представлено временными рядами.

4. Показана результативность использования разработанных моделей проектирования СТС при создании архива проектов крупной проектной организации для решения задачи поиска релевантных типовых проектов при нечетко сформулированном запросе. Исследованы и проанализированы возможности современных серверов данных (Oracle Inc.) для организации нечеткого поиска в рамках расширенного SQL-языка. Построены средства обработки нечетких клиентских запросов.

5. Рассмотрены различные постановки задач по оптимизации ресурсов ВС в условиях нечетко заданного трафика, в частности постановка задачи по оптимизации размещения коммуникационного оборудования. На основе методов возможноепюго программирования разработан алгоритм решения задачи и построена система АП. Приложение методов нечеткой оптимизации к задаче проектирования ВС выполнено впервые. Выполнены расчеты по оптимизации ресурсов информационных сетей по хозяйственным договорам с рядом предприятий. Рассмотрен и проанализирован современный уровень работ по АП ВС

6. Рассмотрены и систематизированы алгоритмы размещения применительно к задаче размещения разногабаритных элементов в произвольном коммутационном поле (пространстве). Впервые предложен алгоритм размещения на базе генетического алгоритма для САПР конструкторского проектирования РЭА. На базе разработанной САПР было выполнено конструкторское проектирование стендов контроля для производства изделий.

7. Теоретические положения и модели проектирования СТС в условиях НПИ применены при разработке ряда систем класса территориально распределенных АСУ, исследованы возможности нового подхода в проектировании систем управления в экономике.

8. В диссертационной работе рассмотрена интеграция САПР с системами экономического анализа и автоматизированных систем управления. Интеграция является условием корректности проектных технико-экономических решений. Проанализированы методы бизнес-процес-реипжиниринга.

В диссертационной работе таким образом получила решение имеющая важное теоретическое и народохозяйствениое значение проблема построения САПР сложных технических систем в условиях неполноты проектной информации.

Основное содержание работы (положения диссертации) опубликовано в 100 работах, в том

числе:

Монографии:

1. Ярушкина Н.Г. Методы нечетких экспертных систем в интеллектуальных САПР.-Саратов:

Из-во Сарат. ун-та, 1997 г., -107 с.

2. Соснин П.И., Ярушкина Н.Г., Евсеева О Н., Левицкий А.Ю. Проблемно-ориентированные диалоговые среды.-Саратов: Из-во Сарат ун-та, 1995 г., -100 с.

Статьи, научно-технические отчеты, тезисы докладов:

3. Соснин П.И., Ярушкина Н.Г., Левицкий А.Ю., Шишкин В.В. Управление испытаниями цифровых схем на основе машинных знаний // В книге трудов 10 Всесоюзного совещания по проблемам управления, Кн. 2. Москва, 1986, с. 513-514

4. Соснин НИ, Яруппснна H Г., Левицкий А.Ю. Диалоговая поддержка принятия решений /7 Всесоюзная школа-семинар "Бионика интеллекта". Харьков, 1987, с. 48

5. Ярушкина Н.Г., Соснин П.И., Евсеева О.Н., Левицкий А.Ю. Инструментальные средства управления процессом в САПР // 1 Всесоюзная науч.- тех. конф. "Методы анализа надежности программного обеспечения ВС реального времени на основе моделей нечеткой логики и качественных описаний". Киев: КИИГА, 1987 , с. 27

6. Соснин П.И,, Ярушкина Н.Г., Левицкий А.Ю., Евсеева О.Н. Инвариантное обеспечение контрольно-испытательных работ // Всесоюзная конф. "Проблемы комплексной автоматизации функциональных испытаний изделий в машиностроении". М.: НИАТ,1988,

7. Соснин П И., Ярушкина Н.Г., Евсеева О.Н., Левицкий А.Ю., Шишкин B.S. САПР тестов михпопрттрсспрных гх«м И Ульяновск Обл. появление Союза НИО СССР, i 938. 52 с.

8. Ярушкина Н.Г., Соснин П.И., Гогин C.B. Средства проблемно-ориентированного диалога в САПР тестов микропроцессоров // Межвузовский сборник науч.тр "Вычислительная техника в автоматизированных системах контроля и управления" . Пенза, 1988 , с. 57-59.

9. Ярушкина Н.Г. Комплекс инструментальных средств для разработки САПР в среде ОС ЕС ЭВМ // Межвузовский сборник науч. тр. "Проектирование, контроль и диагностика микропроцессорных систем. Архитектура, схемотехника и математическое обеспечение". Ульяновск- УлПИ, ! 9S9. с. 78-80

Ш.Соснин П.И., Яруппснна Н.Г., Левицкий А.Ю., Евсеева О.Н. САПР тестов микропроцессорных схем // Всесоюзная науч.-тех. конф. "Проектирование вычислительных средств". Каунасе, 1989, с. 108-110.

П.Ярушкина Н.Г. Инструментарий организации диалога в САПР //Республиканское совещание "Численные методы и средства проектирования и испытания элементов твердотельной электроники", Т.2. Таллинн, 1989, с. 75-79

12.Ярушкина Н.Г., Евсеева О.Н. Интеллектуальный инструментарий проектирования

1990, с. 31-32

13..Ярушкина Н.Г.,Соснин П.И. ИДА - инструментарий диалога и адаптации // В материалах, выставки "Программное обеспечение и прикладные системы ИИ" при Всесоюзной конф. ВКИИ-90. Минск, 1990 , с. 162-164

14.Ярушкина Н.Г., Соскнн П.И. Интеллектуальный инструментарий проектирования и реализации диалоговых систем // Управляющие системы и машины. 1991, N 4, с. 67-72

15 Лрушкина Н.Г., Евсеева О.Н. Об одной модели обучения в диалоговых системах // сборник науч. тр. "Проектирование, контроль и диагностика микропроцессорных схем. Автоматизация проектирования производства вычислительных систем". Ульяновск, 1991, с. 26-31

16.Ярушкина Н.Г., Кравченко Е.Н., Кравченко В В. Экспертная система анализа финансово-хозяйственной деятельности предприятия II Российская науч.-тех. конф. "Интерактивные системы". Ульяновск, 1993 , с. 52

17Лрушкина Н.Г., Шишкин В.В. Опыт прототипирования экспертной системы анализа финансово-хозяйственной деятельности предприятий // Выставка- конф. "Новые информационные технологии в школах и вузах". Москва, 1993 , с. 108

18.YarusbkinaN., Shishkin V., Mitarev P. Expert system of analysing economic state of enterprise under conditions of structural reconstruction, of manufacture // Междунар. конф. "Интерактивные системы: проблемы человеко-компьюпгерного взаимодействия". Ульяновск, Ч. 1, 1995, с. 29-31

19.Ярушкина Н.Г. Анализ графиков экономических показателей на основе нечетких интервалов в экспертной системе экономического анализа // 2-ая Всеросс.конф. "Распознавание образов и анализ изображений: новые информационные технологии", Ч.З,Ульяновск, 1995, с.208-210

20.Ярушкина Н.Г., Меркулова Т.А. Метод экспертной диагностики нечетких временных рядов при аналитическом проектировании // 30-ая науч.-тех. конф. УлГТУ, Ульяновск: УлГТУ, 1996, с. 100-102

21.Yarushkina N. Soft method of hierarchy analysing for decision making support system // Междунар. семинар "Мягкие вычисления-96", Казань, 1996 , с. 222

22.Yarushkina N. An analysis of Economic Data Diagramms Based oh Fuzzy Intervals in an Expert System of Economical Analysis // Pattern Recognition and Image Analysis. Vol. 6, N. 2, 1996, p. 329-330

23.Yarushkina N., Shishkin V., Merkulova T. Vizualization of the Enterprise Economy State in an Expert System of Economic Analysis // Pattern Recognition and Image Analysis. Vol. 6, N. 2,

A T----1QO< „ T21

. j,. ---

24„Ярушкина Н.Г., Меркулова T.A, Таратухлн В.В. и др. Информационные технологии в экономике / Отчет по НИР 15-59. N гос. per. 01970004016, Иив. N 02970003356 (ВНТИЦешр), 1996.

25.Ярушкина Н.Г., Пирогов В.В. Методы и средства проектирования информационно-вычислительных сетей//31-ая науч.-тех. конф. УлГТУ, Ульяновск: УлГТУ, 1997, с. 52

26.Ярушкина Н.Г., Краснов С.В. Об одном подходе к оптимизации ЛВС сети на этапе проектирования // Науч.-прак. конф. "Наука - производству. Конверсия сегодня", Ч. 2, Ульяновск, 1997 ,с. 84-85

27.Ярушкина Н.Г., Рахматуллин А.Э. Современные методы нейрокомпьютинга в экономическом анализе . Л 3-я Междунар. конф. им. Л В. Канторовича "Предпринимательство и реформы в России". Т.1. Санкт-Петербург: Изд-во Санкт-Петербургского ун-та, 1997, с. 20-21

28.Ярушкина Н.Г., Пирогов В.В. Оптимизация ресурсов информационно-вычислительной сети в условиях неопределенности // 2-я Междунар. науч.- тех. копф. "Интерактивные системы: проблемы человеко-компьютерного взаимодействия". Ч. 1. Ульяновск, 1397 , с. 52-53 ......

29.Yarushkina N. Soft economic expert system // 2-ая междунар. конф. 'Интерактивные системы: Проблемы человеко-компьютерного взаимодействия".4. 2. Ульяновск, 1997 , с. 37-40

30.Ярушкина Н.Г., Тухгаров В.К. Запросы к интеллектуальному репозитарию в САПР Н Всеросс. науч.-тех. конф. "Информационные и кибернетические системы управления и их элементы". Уфа, 1997, с. 166 -167

31.Yarushkina N, Soft hierarchy analysing method for economic expert system // Proceedings of Seventh International Fuzzy Systems Association World Congress, Vol. 3, June 1997, pg. 80-82

32.Yarushkina N. Soft Hierarchy Analysing Method for Economic Experts System // Proceeding of 5th European Congress on Intelligent Techniques and Soft Computing. Aachen, Germany, 1997, pg. 980-981

33.Yamshkina N. Soft Computing in an Experts Systems // Proceeding of 1th International Conference on Soft Computing and Measurements St. Petersburg, 1998, Vol. 1, pg. 300-304

34.Ярушкина Н.Г., Рахматуллин А Э., Глебов С.С. Исследование эффективности методов нейроинформатики для анализа тенденций // В книге трудов международной научно-технической конференции "Нейронные, реляторные и непрерывнологические сети и модели", Том 1. Ульяновск: УлГТУ, 1998, с. 68-69

35 Ярушкина Н.Г., Евсеева О Н. Анализ тенденций временных рядов методом

нейрокомпьютинга // В книге трудов международной научно-технической конференции "Нейронные, реляторные и непрерывнологические сети и модели", Том 1. Ульяновск: УлГТУ, 1998, с. 70-72

36.Ярушкнна Н.Г., Мактас МЛ., Наместников А.М., Сидоренко A.B. Извлечете правил методом нечетких нейросетей при конструировании стендов изделий // Всероссийская научно-практическая конференция (с участием стран СНГ) "Современные проблемы создания и эксплуатации радиотехнических систем", Ульяновск.: УлГТУ, 1998, с. 115

37.Ярушкина Н.Г., Сапегин Н.Г., Наместников А.М. База знаний экспертной системы проектирования стендового оборудования // Всероссийская научно-практическая конференция (с участием стран СНГ) "Современные проблемы создания и эксплуатации радиотехнических систем", Ульяновск.: УлГТУ, 1998, с. 116-118

ЗоЛрупткина Н.Г., Мактас М.Я., Наместников А.М., Сапегин Н.Г. Решение конструкторских задач САПР РЭА на основе нечеткой экспертной системы // Научно-техническая конференция "Радиоэлектроника и электротехника в народном хозяйстве". Москва.: К/ГтМ 1QQR С: 54-1S

ЗУ.лрушкипа Н.Г., Сапегин Н.Г. Экспертная система проектирования стендов изделий ш основе мягких вычислений Н 32-ая научно-техническая конфепенпия УлГТУ, Ульяновск: УлГТУ,1998, 37-38.

40.Ярушкина Н.Г., Мактас М.Я., Наместников A.M., Сапегин Н.Г. Применение нечетких моделей в экспертных системах САПР стендового оборудования // 6-ая национальная конференция по искусственному интеллекту с международным участием, сборник научи ых трудов, Т i _ с 325 - 329

4¡.Ярушкина. Н.Г. Мягкие зьгшсления а САПР// 6-ая национальная конференция по искусственному интеллекту с международным участием, сборник научных трудов, Т. 1., с. 343 - .150

42. Ярушкина Н.Г., Шишкин В.В. Мягкие вычисления d процессах бизнсс-реннжнпирипга и САПР И Вестник УлГТУ, N 1, 1998, 57-63.

С/0 //. 03. № - уж

/У/ И- на правах рукописи

ЯРУШКИНА Надежда Глебовна

АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Специальность 05.13.12 - Системы автоматизированного проектирования

(промышленность)

ДИССЕРТАЦИЯ

на соискание ученой степени доктора технических наук

¡| Президиум ВАК Росси.

| (решение от" " ¿£¿119 Ш^Щ/у [; присудил ученую степень ДОКТСТ

___на

гхачальникд^равления ВАК Росси

Ульяновск 1998

СПИСОК СОКРАЩЕНИЙ

АП - автоматизированное проектирование

АРМ ЭЭ - автоматизированное рабочее место эксперта-экономиста

АС - автоматизированная система

БВ НС - байесовская вероятностная нейронная сеть регрессии

БПР - бизнес-процесс реинжиниринг

ВА - возможностный атрибут

ВИ - вычислительный интеллект

BP - временной ряд

ВС - вычислительная сеть

ГА - генетический алгоритм

ГННС - генетические нечеткие сети

ГС - гибридная система

ГСНВ - генетические системы нечеткого вывода

ДРСУ - дорожно-ремонтное строительное управление

ИИ - искусственный интеллект

ИС - индекс согласованности

КЗ - качественные знания

КЗ - комплекс задач

КОМ/КОНЦ - коммутатор/концентратор

КП - коммутационное поле

JIB С - локальные вычислительные сети

ЛПР - лицо, принимающее решение

МАИ - метод анализа иерархий

MB - мягкие вычисления

МВА - модель возможностного атрибута

ММАИ - мягкий метод анализа иерархий

МСП - многослойный перцептрон

МЭС - мягкая экспертная система

НВР - нечеткий временной ряд

HJI - нечеткая логика

ннс - нечеткая нейронная сеть

НПФ - негосударственный пенсионный фонд

НРА - нечеткая реляционная алгебра

НС - нейронная сеть

ООП - объектно-ориентированное программирование

ОС - отношение согласованности

ПР - принятие решений

псс - постсинаптическая связь

псэ - постсинаптический элемент

РБФНС - нейронная сеть с радиальными базовыми функциями

РБФ - радиальные базовые функции

РС - рабочая станция

САПР СТС - система автоматизированного проектирования сложной технической

системы

СПР - система принятия решений

СПРБП - система принятия решений по бизнес-планированию

СТП - стандарт предприятия

СТС - сложная техническая система

СУБД - система управления данными

ТЗ - техническое задание

ТНИ - теория нечетких интервалов

ФА - функция активации

ФСА - функционально-стоимостной анализ

цц - центральная дирекция

эд - экспертная деятельность

эс - экспертная система

эскс - экспертная система конструирования стендов

ЭС ЭА - экспертная система экономического анализа

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..........................................................................................................12

ГЛАВА 1. АНАЛИЗ СОСТОЯНИЯ ТЕОРИИ И ПРАКТИКИ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ...................................................................................19

1.1. Концепция сложных технических систем, как объекта

проектирования, с учетом неполноты проектной информации.................19

1.1.1. Феномен сложности........................................................................... 19

1.1.2. Феномен принципиальной неполноты проектной информации. Теория нечетких систем в САПР...............................................................................22

1.2. Мягкие вычисления и задачи автоматизации проектирования. Анализ нечетких временных рядов и теория возможностей. Тенденция нечеткого временного ряда.................................................................................................26

1.3. Схемы вывода по базе нечетких продукций...........................................31

1.4. Архитектуры нечетких нейросетей..........................................................40

1.4.1. Преимущества аппарата нечетких нейронных сетей.......................40

1.4.2. Понятие нечеткой нейросети..............................................................42

1.4.3. Мягкая экспертная система - это гибридная система.....................45

1.4.4. Морфологические признаки ГС.............................................................46

1.4.5. Примеры ГС...........................................................................................50

1.4.6 Методика выбора архитектуры гибридной системы в качестве прототипа построения мягкой экспертной системы.................................54

1.5. Теория нечетких систем и задачи нечеткого многокритериального выбора и нечеткой оптимизации.....................................................................56

1.6. Анализ современных информационных технологий проектирования с

точки зрения создания архивов проектов.....................................................67

1.6.1. Клиент-серверные СУБД......................................................................67

1.6.2. Нечеткая реляционная алгебра............................................................69

1.7. Анализ методов оптимизации ресурсов вычислительных сетей (ВС) 74

1.8. Обзор интеллектуальных методов размещения элементов в САПР конструирования изделий................................................................................79

1.8.1. Обзор алгоритмов размещения элементов РЭА..................................79

1.8.2. Генетические алгоритмы, как средства оптимизации проектируемого объекта...............................................................................81

ГЛАВА 2. ТЕОРИЯ ПРОЕКТИРОВАНИЯ СТС В УСЛОВИЯХ НЕПОЛНОТЫ ПРОЕКТНОЙ ИНФОРМАЦИИ...........................................87

2.1. Состав проектной информации. Виды неполной информации при проектировании СТС. Принцип конструктивной неопределенности........87

2.2. Анализ и синтез при автоматизированном проектировании. Определение экспертной деятельности..........................................................95

2.3. Этапы экспертной деятельности при автоматизированном проектировании................................................................................................100

2.4. Основные теоретические положения автоматизации проектирования сложных технических систем в условиях неполноты проектной информации. Формализация этапов ЭД.......................................................107

2.5. Математические методы, используемые для решения этапа ЭД............................................................................................................113

2.5.1. Фуззификация данных в ходе ЭД. Основные инструменты фуззификации................................................................................................113

2.5.2. Средства оценки тенденции нечеткого временного ряда................115

2.5.3. Нейросетевая экспертная система - средство интегральной оценки состояния объекта проектирования...........................................................124

2.5.4. Прогнозирование будущего функционирования СТС........................126

2.5.5. Этап планирования достижения целевого состояния на основе многокритериального выбора. Принятие проектных решений.................127

ГЛАВА 3. АРХИТЕКТУРА МЯГКОЙ ЭКСПЕРТНОЙ СИСТЕМЫ, КАК ЭЛЕМЕНТА САПР..........................................................................................137

3.1. Определение мягкой экспертной системы. Сравнение нечеткой и мягкой экспертных систем............................................................................137

3.1.2. Понятие мягкой ЭС............................................................................142

3.2. Нечеткая нейросеть - метод и средство извлечения знаний для мягкой экспертной системы........................................................................................147

3.2.1. Новые направления в исследовании извлечения знаний: (KDD) knowledge discovery in databases; (DM) data mining....................................147

3.2.2. Мягкая ЭС анализа тенденций...........................................................148

3.2.3. Задача извлечения правил методом нечетких нейросетей при конструировании стендов изделий..............................................................156

3.3. Представление знаний в мягкой экспертной системе. Содержание баз знаний и данных мягкой экспертной системы...........................................164

3.4. Мягкий метод анализа иерархий как основа принятия решения. Интеграция систем принятия решений и экспертных систем..................166

3.4.1. Задача принятия решений. Основные определения и обозначения.. 168

3.4.2. Классификация задач ПР...................................................................

3.4.3. Соответствие задач ПРразличным этапам автоматизированного проектирования............................................................................................172

3.4.4. Методы ПР..........................................................................................173

3.4.5. Схемы интеграции СПР, ЭС и САПР................................................Ill

ГЛАВА 4. ОРГАНИЗАЦИЯ ИНФОРМАЦИОННОЙ СРЕДЫ, АРХИВА ПРОЕКТОВ КРУПНОЙ ПРОЕКТНОЙ ОРГАНИЗАЦИИ. ЗАДАЧА ПРЕДСТАВЛЕНИЯ НЕЧЕТКОЙ ИНФОРМАЦИИ В СЕРВЕРАХ ДАННЫХ...........................................................................................................180

4.1. Основные понятия, характеризующие информационную систему проектной организации...................................................................................180

4.1.1. Классификации современных исследований нечеткой реляционной алгебры..........................................................................................................182

4.1.2. Способ сокращенной математической записи возможностного атрибута.......................................................................................................184

4.1.3. Задачи создания механизма обработки нечеткого запроса в современных СУБД.......................................................................................186

4.2. Задача представления нечеткой информации в клиент-серверной технологии на примере организации информационной среды конструкторов..................................................................................................187

4.3.1. Уточнение понятия расширенного запроса......................................187

4.3.2. Реализация расширенных запросов в рамках клиент-сервреной промышленной СУБД....................................................................................188

4.2.3. Особенности организации реляционных таблиц с возможностными атрибутами..................................................................................................189

4.2.4.Фукции и особенности интерфейса клиента.....................................190

4.2.5. Описание инвариантных процедур и триггеров, хранимых на сервере...........................................................................................................192

4.3. Механизмы реализации нечеткого запроса в промышленных

серверах данных...............................................................................................193

4.3.1. Модель представления возможностного атрибута на уровне

сущностей.....................................................................................................194

4.3.2 .Схемы данных для представления модели возможностного атрибута ........................................................................................................................196

4.5. Особенности практической реализации нечеткого запроса к серверу данных Oracle 7.3............................................................................................199

ГЛАВА 5. МЯГКАЯ ЭКСПЕРТНАЯ СИСТЕМА ВЫБОРА КОРПУСА ДЛЯ КОНСТРУКТОРСКОЙ САПР.......................................................................201

5.1. Задача конструирования стендов..........................................................201

5.1.1. Обоснование использования интеллектуальных методов при решении задачи конструирования стенда для испытаний.......................................201

5.1.2. Этапы решения задачи конструирования стенда............................203

5.1.3. Соответствие этапов решения и методов мягких вычислений......206

5.1.4. Выбор инструментария реализации..................................................206

5.1.5. Структура мягкой экспертной системы конструирования стендов

........................................................................................................................207

5.1.6. Методы извлечения знаний.................................................................208

5.2. Интеграция систем принятия решений и экспертной системы конструирования стендов..............................................................................210

системы...........................

5.3.1. Описание фактов

212

5.3.2. Классификации элементов с точки зрения конструкторской задачи.............................................................................................................213

5.3.3. Описание элементов: структура и функции принадлежности.......215

5.3.4. Описание правил..................................................................................216

5.3.5. Управляющие правила. Стратегия выполнения................................217

5.3.6. Расчетные процедуры.........................................................................217

5.3.7. Правила конструирования стендов...................................................218

5.3.8. Взаимодействие пользователя с САПР конструирования стенда............................................................................................................220

5.4. Организация архива элементов с учетом нечетких параметров на основе клиент-серверной технологии..........................................................226

5.4.1. Описание процесса конструирования как коллективной работы. Необходимость использования клиент-серверной технологии..................226

5.4.2. Состав и структура исходных данных. Архив проектов.................226

5.4.3. Схема представления нечетких данных об элементах РЭА............226

5.4.4. Схема реализации нечеткого запроса к БД.......................................227

5.4.5. Структурно-функциональное решение АРМ администратора БД САПР и АРМ конструктора.........................................................................228

5.5. Решение задачи размещения элементов на основе генетического алгоритма..........................................................................................................229

5.5.1. Структура задачи размещения разногабаритных элементов.........229

5.5.2. Задача размещения.............................................................................230

5.5.3. Решение задачи размещения элементов на монтажном поле с помощью эволюционного алгоритма...........................................................231

ГЛАВА 6. ОПТИМИЗАЦИЯ РЕСУРСОВ ВЫЧИСЛИТЕЛЬНОЙ СЕТИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ.........................................................242

6.1. Автоматизированное проектирование информационно-вычислительных сетей организаций. неполнота исходных данных

проектирования, нечеткость гипотетических и прогнозных значений... 242

6.1.1. Условия перепроектирования. Ограничения на тип ВС...................242

6.1.2. Методика перепроектирования ВС в условиях объективной неопределенности.........................................................................................243

6.2. Решение задачи размещения и оптимизации на основе возможностного программирования............................................................244

6.2.1. Этапы решения задачи нечеткого линейного программирования... 244

6.2.2. Задача четкого линейного программирования..................................244

6.2.3. Способы представления нечетких данных........................................244

6.2.4. Структура исходных данных.............................................................248

6.2.5. Формулы преобразования нечеткой задачи линейного программирования к детерминированному аналогу...................................252

6.3. Задача размещения коммуникационного оборудования ВС.............256

6.3.1. Содержание задачи размещения коммуникационного оборудования ВС...................................................................................................................256

6.3.2. Решение задачи оптимального размещения коммуникационного

оборудования методом нечеткого линейного программирования.............259

6.3.3 Задача выбора коммуникационного оборудования.............................263

6.4. Оптимизация топологии ВС...................................................................269

6.4.1. Содержание задачи............................................................................269

6.4.2. Задача переподключения узлов...........................................................270

ГЛАВА 7. ПРИЛОЖЕНИЯ ТЕОРИИ ПРОЕКТИРОВАНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ. ИНТЕГРАЦИЯ САПР ВЫЧИСЛИТЕЛЬНЫХ СЕТЕЙ, САПР ИЗДЕЛИЙ, АВТОМАТИЗИРОВАННЫХ СИСТЕМ УПРАВЛЕНИЯ ПРИ БИЗНЕС-ПРОЦЕСС-РЕИНЖИНИРИНГЕ................3

7.1. Теоретические основы интеграции методов САПР и систем проектирования (инжиниринга) бизнеса.....................................................73

7.1.1. Функционально-стоимостной анализ (ФСА) проектируемого изделия...........................................................................................................275

7.1.2. ФСА как проектная процедура..........................................................275

1.1.3. Бизнес-процес-реинжиниринг - это приложение идей автоматизированного проектирования к планированию и организации производства.................................................................................................279

7.2. Интеграция САПР и систем принятия экономических решений на основе функционально-стоимостного анализа изделия, экономического анализа предприятия.......................................................................................281

7.2.1. Автоматизированное рабочее место эксперта-экономиста, как встраиваемая компонента САПР................................................................282

7.2.2. Система принятия экономических решений при бизнес-планировании производства проектируемого изделия.......................................................289

7.2.3. Мягкая экспертная система экономического анализа.....................293

7.3. Комплексное проектирование информационной инфраструктуры организации......................................................................................................296

7.3.1. Применение теории, методов и средств проектирования сложных технических систем к автоматизации деятельности предприятий дорожного строительства. Описание бизнес-процессов предприятия дорожного строительства..........................................................................297

7.3.2. Описание информационной системы предприятия дорожного строительства.............................................................................................298

7.3.3. Данные для проектирования локальной вычислительной сети........300

7.3.4. Оптимизация ЛВС..............................................................................300

7.3.5. Применение теории, методов и средств проектирования сложных технических систем к автомацизации деятельности добровольных пенсионных фондов. Описание бизнес-процессов негосударственного пенсионного фонда........................................................................................302

7.3.6. Описание информационной системы негосударственного пенсионного фонда.............................................................................................................304

7.3.7. Данные для проектирования локальной вычислительной сети........307

7.3.8. Описание ЛВС НПФ............................................................................308

7.4. Дополнительные приложения методов проектирования сложных технических систем.....................................................................................309

ЗАКЛЮЧЕНИЕ................................................................................................313

БИБЛИОГРАФИЧЕСКИЙ СПИСОК...........................................................324

ПРИЛОЖЕНИЯ

345

ВВЕДЕНИЕ

Автоматизированное проектирование сложных технических систем (СТС), таких как вычислительные системы, корпоративные сети, автоматизированные системы управления, системы информационного мониторинга и другие, характери�