автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Методы и средства моделирования динамических систем с интеллектуальными компонентами

Введение.

Глава 1. Исследование средств и методов моделирования поведения интеллектуальных объектов.

1.1 Основные определения.

1.1.1 Декомпозиция задачи.

1.2 Методы управления интеллектуальным агентом.

1.3 Методы моделирования окружающей среды.

1.3.1 Особенности задачи.

1.3.2 Восприятие агентом воздействий окружающей среды.

1.3.3 Аналитико-алгоритмические реализации.

1.3.4 Специализированные базы данных.

1.3.5 Системы класса «виртуальная реальность».

1.4 Методы моделирования взаимодействий интеллектуальных агентов.

1.4.1 Среда моделирования.

1.4.2 Модель динамического объекта.

1.4.3 Модель динамической системы.

1.4.4 Согласованность методов.

1.5 Формальная постановка задачи моделирования поведения интеллектуальных объектов.

Выводы по главе 1.

Глава 2.Методы работы со знаниями в задаче управления интеллектуальным агентом.

2.1 Особенности задачи.

2.2 Методы представления знаний интеллектуального агента.

2.2.1 Основные понятия и определения.

2.2.2 Логические формализмы представления знаний.

2.2.3 Системы продукций.

2.2.4 Фреймовые и сетевые модели.

2.2.5 Сценарии.

2.2.6 Методика построения БЗ ЭС управления ИА.

2.3 Онтологии как способ представления знаний.

2.3.1 Определение.

2.3.2 Формальная модель.

2.3.3 Методика синтеза прикладной онтологии.

2.4 Использование знаний на основе прикладной онтологии.

2.4.1 Межагентные коммуникации.

2.4.2 Интероперабельность компонент среды моделирования.

2.4.3 Накопление знаний и обучение.

Выводы по главе 2.

Глава 3.Моделирование взаимодействий интеллектуальных агентов с окружающей средой.

3.1 Классификация взаимодействий интеллектуальных агентов.

3.2 Моделирование воздействий.

3.2.1 Особенности задачи.

3.2.2 Подмодели.

3.2.3 Модельные фрагменты.

3.2.4 Планирование и идентификация событий.

3.2.5 Практический пример.

3.3 Моделирование восприятия.

3.3.1 Основные определения.

3.3.2 Лингвистические переменные.

3.3.3 Классификация термов лингвистических переменных.

Выводы по главе 3.

Глава 4. Реализация гибридной среды моделирования поведения интеллектуальных объектов.

4.1 Постановка задачи моделирования.

4.2 Анализ и формализация задачи.

4.3 Структурный состав СМ.

4.4 Проектирование БЗ ЭС управления ИА.

4.4.1 Структура прикладных единиц БЗ.

4.4.2 Объектные расширения.

4.4.3 Принятие решений на основе логического вывода.

4.4.4 Средства управления механизмом вывода.

4.5 Синтез прикладной онтологии компонент СМ.

4.5.1 Имитационная модель.

4.5.2 Геоинформационная система.

4.6 Пример совместного функционирования компонент СМ.

Выводы по главе 4.

Моделирование является одним из наиболее эффективных, с точки зрения стоимости и гибкости, методов исследования систем. Процесс моделирования начинается с определения целей разработки модели, на основе которых затем устанавливаются границы системы и необходимый уровень детализации моделируемых процессов [1,2]. Выбранный уровень детализации должен позволять абстрагироваться от неточно определенных из-за недостатка информации аспектов функционирования реальной системы. На выбранном уровне детализации происходит формализация системы, в процессе которой в системе выделяются составляющие ее элементы и идентифицируются способы взаимодействия элементов друг с другом.

Существует класс задач моделирования, требующих уровня детализации, на котором учитываются такие особенности поведения элементов моделируемой системы как наличие определенных целей, плана достижения этих целей, адаптивность, способность к взаимодействию с другими элементами системы и прочее. Элементы системы, проявляющие подобные особенности поведения, называются интеллектуальными.

Традиционные для имитации методы моделирования интеллектуальных элементов системы с помощью вероятностей или систем дифференциальных и/или разностных уравнений не позволяют достигнуть требуемой степени адекватности получаемых моделей.

Перспективным является использование методов искусственного интеллекта (ИИ), в основе которых лежит представление моделируемой системы как сообщества интеллектуальных агентов (ИА), действующих в некоторой окружающей среде.

Согласно фундаментальной работе [3], в которой раскрыты основные принципы агентно-ориентированного построения приложений, а также множеству других работ, из которых можно выделить [4, 5], интеллектуальный агент представляет собой автономный программный (или аппаратный) объект, воздействующий на свое окружение соответственно поставленным целям, способный к осмысленному реагированию на изменение окружающей обстановки и к взаимному обмену информацией с другими агентами.

Для управления ИА используются системы, основанные на знаниях, например, экспертные системы (ЭС). Эвристическое описание логики функционирования ИА, используемое в управляющей ЭС, позволяет в ряде случаев эффективно заменить традиционно применявшиеся ранее математические методы описания поведения. Это особенно очевидно при моделировании нелинейных, адаптивных систем, для которых является затруднительным или невозможным построение математических моделей, основанных на алгебраических, дифференциальных или разностных уравнениях и системах этих уравнений. Таким образом, мы можем выделить целый класс систем моделирования: системы моделирования, основанные на знаниях [6, 7, 8].

Способы представления знаний, разработанные в области искусственного интеллекта, такие как системы, основанные на правилах, фреймы, нейронные сети нашли применение в методологии имитационного моделирования [9]. В работе [10] обосновывается утверждение о том, что для целей моделирования более предпочтительным представляется использование систем, основанных на правилах, то есть, продукционных систем, нежели использование нейронных сетей. Основные доводы — большая вычислительная сложность алгоритмов работы с нейронными сетями и практическая невозможность объяснения решений, принимаемых нейронной сетью.

Продукционные системы, напротив, могут иметь достаточно эффективную программную реализацию на основе быстрых алгоритмов поиска и отбора решающих правил [И]. Примером может служить оболочка экспертной системы CLIPS (С Language Integrated Production System), свободно распространяемая в исходных кодах на языке С [12]. Существует несколько аналогов данной системы, представляющих собой реализации для других языков программирования, например, для Java [13]. Процесс логического вывода над множеством продукций является легко контролируемым, благодаря чему имеется возможность объяснения принимаемых решений. Кроме того, при построении систем продукций, возможно практически непосредственное использование ранее накопленного экспертного опыта.

Примечательно, что, используя подходы из области искусственного интеллекта в моделировании, мы получаем своего рода «модель внутри модели». Действительно, создание экспертной системы, управляющей поведением моделируемых объектов, предполагает создание и заполнение базы знаний, которая, в свою очередь, основывается на определенной модели внешнего мира [14], согласно которой информация о внешнем мире отображается на содержимое этой базы знаний. Поскольку, в нашем случае, внешний мир также является моделью, то получается, что база знаний (БЗ) управляющей ЭС интеллектуального объекта — это модель моделируемого нами же внешнего мира.

Для моделирования пространственно-временных соотношений в базах знаний интеллектуальных систем эффективным является использование нечетких схем [15]. Используемые при этом методы теории нечетких множеств дают возможность перехода от характерного для имитационных моделей «цифрового» описания внешнего мира к символьному (точнее, логико-лингвистическому) описанию, традиционно используемому в системах, основанных на знаниях. Характерно, что при этом множество разных, но близких друг к другу ситуаций в имитационной модели представляются одной и той же ситуацией в логико-лингвистическом описании (с варьирующимся коэффициентом уверенности). Благодаря подобному «обобщению» ситуаций, имеется возможность существенного уменьшения объема базы знаний управляющей экспертной системы. При этом, правильный подбор параметров функций принадлежности термов лингвистических переменных позволяет добиться качества управления, по крайней мере, не худшего, чем при использовании других подходов, например вероятностных схем или нейронных сетей [16].

Представление информации о поведении объектов системы в декларативной форме позволяет провести четкую границу между программным кодом, реализующим имитацию, и знаниями, представляющими информацию о поведении моделируемого объекта.

Интеллектуальный компонент модели реализует логику поведения моделируемых ИА, имитационный компонент— структуру взаимодействий ИА друг с другом и с окружающей средой.

Подобная модульная архитектура систем моделирования, основанных на знаниях, обладает рядом преимуществ. Во-первых, процесс модификации информации о поведении объектов системы упрощается. Это объясняется тем, что знания о поведении моделируемых ИА, записанные в декларативной форме, имеют достаточно простую, по сравнению с алгоритмическими моделями, структурную организацию.

Во-вторых, имеется возможность повторного использования ранее созданных баз знаний (БЗ) о поведении моделируемых объектов при разработке новых моделей. Ранее разработанные и отлаженные БЗ могут быть организованы в совместно используемую библиотеку моделей.

В третьих, базы знаний, созданные для моделирования поведения объектов, могут быть использованы в других приложениях, не имеющих непосредственного отношения к моделированию. В частности, созданные при моделировании базы знаний могут быть использованы в интеллектуальной системе управления (ИУС) реальными объектами, для моделирования которых эти базы знаний создавались. Согласно [17] типовая схема интеллектуальной управляющей системы предусматривает наличие имитатора — блока, используемого для прогнозирования поведения объекта управления в случае недостаточности сведений об объекте или недостаточности знаний для принятия управляющего решения. БЗ, используемые при моделировании объектов управления могут быть практически непосредственно использованы в имитаторе ИУС.

Что касается имитационного компонента, то в настоящее время существует множество специализированных систем и языков имитационного моделирования. Характерной чертой языков подобного типа является ограниченность набора операторов, реализованных в языке. Это, в частности, обусловливает их ограниченные вычислительные возможности при реализации моделей.

Отсутствие таких средств структурированного построения программ как иерархия классов с возможностью наследования, инкапсуляция кода компонентов модели, возможность организации статических и динамических библиотек, затрудняет или делает практически неосуществимым повторное использование ранее созданных разработок в новых проектах.

Проблема быстродействия имитационных моделей так же является открытой. Как правило, все специализированные имитационные языки являются языками интерпретирующего типа, что на порядок снижает потенциальные возможности по скорости выполнения моделей. В большинстве приложений скорость выполнения является одним из критичных показателей. В случае ее недостаточности предпринимается более «грубое» моделирование: скорость выполнения увеличивается за счет снижения точности, а, следовательно, и адекватности модели.

С другой стороны, существует множество положительных примеров разработки и использования систем моделирования с помощью языков программирования высокого уровня общего применения, таких как Pascal, С++, Java, Smalltalk [2, 18, 19, 20, 21]. Подобные системы, будучи эквивалентными по функциональным возможностям своим специализированным аналогам, имеют существенно более широкие возможности по организации специфических для конкретной модели вычислительных процедур и по интеграции систем с другими типами ПО. Как правило, подобные системы распространяются в виде исходных кодов, что позволяет решить задачу переносимости моделей между разными программно-аппаратными платформами.

Развитие методов объектно-ориентированного анализа и проектирования (ООА и ООП) программного обеспечения предоставляет ряд принципиально новых абстракций, которые могут быть эффективно использованы для построения моделей и систем моделирования [22, 23]. Одним из примеров является работа [24], в которой предложено объектно-ориентированное расширение формализма дискретных событий и на основе введенного формализма построена распределенная объектно-ориентированная система имитационного моделирования вычислительных сетей.

Базирующийся на основе методологии ООП компонентный подход к построению приложений позволяет реализовать модульную архитектуру модели системы, рассматривая ее как набор самостоятельных компонент, функционирующих в единой гибридной среде моделирования (СМ).

Дальнейшее развитие объектно-ориентированной парадигмы программирования привело к появлению развитых методов и методик управления распределенными групповыми программными проектами на всех этапах: от формализации предметной области до программной реализации, генерации кода и отладки программ.

Примером подобной системы методов является язык UML (Unified Modeling Language) [25-27], представляющий собой графический язык спецификации, визуализации, реализации и документирования программных систем. В основу данного языка заложено большое число методологий, концепций и абстракций. Общие синтаксические нотации, семантические модели и диаграммы UML облегчают целостное и всеобъемлющее восприятие структуры разрабатываемой системы, поведения и взаимодействия ее компонентов.

Среди существующих на данный момент времени проектов систем моделирования имеется тенденция к разработке стандарта систем имитационного моделирования, который бы поддерживал широкий класс систем моделирования. Примером является интенсивно развиваемая в настоящее время так называемая архитектура высокого уровня (High Level Architecture, HLA) [28, 29], сфокусированная на применении архитектурных решений относительно межпрограммных коммуникаций для всех областей моделирования. На данном стандарте основаны такие разработки Департамента моделирования министерства обороны США (Defense Modeling and Simulation Office, DMSO) как:

- Joint Modeling and Simulation System (JMASS), предназначенная для моделирования боевых действий на тактическом уровне;

- Joint Simulation System (JSIMS) — операционный уровень;

- Joint Warfare Simulation (JWARS), используемую при анализе совместных боевых учений.

Структура HLA, описываемая так называемыми «федеративными правилами» (Federation Rules), формальными спецификациями интерфейсов и шаблонами моделей объектов позволяет избежать повторного проектирования и повторной разработки программных модулей при появлении новой задачи, требующей проведения моделирования. Основное внимание при этом уделяется непосредственно разрабатываемой модели, а не особенностям ее программно-аппаратной реализации.

Особый интерес представляет интеграция в СМ внешних информационных систем (ИС), например, баз данных (БД) с характеристиками объектов среды, геоинформационных систем (ГИС), систем виртуальной реальности и т. п. В такие системы заложено большое количество информации, которая потенциально может быть использована как при создании, так и в ходе эксплуатации модели. Таким образом, имеет место задача организации открытости СМ.

Таким образом, помимо интеллектуального и имитационного компонентов СМ, целесообразно выделить третий компонент СМ, реализующий модель окружающей среды интеллектуальных агентов (ОСИА).

Моделирование ОСИА реализует представление естественных и искусственных сред, формирующих своего рода игровое поле, на котором проходит моделирование какого-либо процесса из реального мира. Таким игровым полем может быть весьма широкий набор сред, начиная от океанского дна, и кончая верхними слоями атмосферы, и космическим пространством. Во всех случаях моделирования следует с надлежащей точностью учитывать влияние, оказываемое окружающей средой среды на действия моделируемых интеллектуальных агентов. Моделирование окружающей среды включает в себя задачу адаптации моделей среды для конкретного использования в моделировании. Эта область включает также доступ к данным в специализированных БД окружающей среды и их использование в процессе модельного эксперимента, и разработке систем отображения, обеспечивающих не только реалистичное изображение, но и необходимую точность воспроизведения.

В упоминавшемся выше проекте JWARS по созданию системы моделирования совместных тактических учений, основные положения которого изложены в работе [30], моделирование окружающей среды выполнено по многоспектральной технологии, согласно которой модель окружающей среды строится из единых и согласующихся представлений электромагнитных взаимодействий среди всех интерактивных участников виртуального поля боя. Потребность в согласованном представлении воздействий со стороны окружающей среды также важна в контексте стандартизации и повторного использования компонент моделей. Наиболее детальные модели, воспроизводящие воздействия со стороны окружающей среды, представляют модели отдельных диапазонов электромагнитных излучений (радиочастоты, волны миллиметрового диапазона, инфракрасное излучение, около визуальный, или визуальный диапазон). Результатом является возможность воспроизведения плотного взаимодействия моделируемых объектов с воздействующей на них окружающей средой. С целью обеспечения возможности повторного использования компонент и организации их интероперабельности, выполнено разделение моделей пользовательских объектов и моделей воздействий окружающей среды на эти объекты. Технология виртуальной реальности, используемая в рамках данного проекта как расширение систем автоматизированного проектирования и построения моделей, предоставляет возможность моделирования процессов, которые являются трудно воспроизводимыми или опасными при проведении их в действительности.

Использование виртуальной реальности позволяет решить и другую немаловажную задачу, возникающую при моделировании: визуальное представление процесса моделирования и его результатов, что, в свою очередь необходимо для более полного и эффективного вовлечения человека в модельный цикл. В настоящее время существует целый спектр стандартов, технологий (например, OpenGL, VRML) и законченных систем, посредством которых становится возможным полное мультимедийное сопровождение процесса моделирования. При наличии соответствующих аппаратных мощностей или при возможности распределения вычислительных процессов имитации и визуализации по физически разным вычислительным узлам, визуализация может выполняться непосредственно в процессе моделирования системы. В противном случае используется отложенная визуализация: результаты моделирования сохраняются в некоторой базе данных и в последствии визуализируются.

Одним из примеров мощной распределенной многопользовательской системы синтеза виртуальной реальности может служить система DIVE (Distributed Interactive Virtual Environment), рассмотренная в работах [31, 32]. В этой системе, на основе встроенного языка описания образов генерируется виртуальная сцена, описываются свойства и ограничения участников виртуальной сцены и затем выполняется трехмерное воспроизведение взаимодеиствии участников виртуальной сцены.

Организация информационных хранилищ данных является еще одним важным вопросом, возникающим при постановке модельного эксперимента. Использование технологии реляционных баз данных и их объектно-ориентированных расширений, так называемых объектных БД [33, 34], позволяет эффективно организовать как сохранение результатов моделирования, так и подготовку входных данных, на основании которых выполняется модельный эксперимент. В настоящее время имеется множество самостоятельных информационных систем, в базах данных которых содержатся огромные объемы информации, которая может быть использована непосредственно в модельном эксперименте. Такими информационными системами являются, в первую очередь, геоинформационные системы (ГИС, например Arc View [35]) и специализированные БД, в которых представлена исчерпывающая информация о характеристиках моделируемой системы и ее элементов. Таким образом, актуальной задачей является автоматизация процедуры доступа и использования информации из информационных хранилищ в процессе модельного эксперимента.

Основной, типичной для всех открытых систем задачей, является организация интероперабельности компонент системы. Не решена проблема несоответствия внутренних представлений данных, используемых каждым компонентом.

Наличие интеллектуального компонента СМ и, в частности, реализация его способности к приобретению и накоплению знаний, требуют организации интероперабельности компонент СМ на более высоком, семантическом уровне. Имеет место задача построения формальной спецификации компонент СМ, на основе которой стало бы возможным организовать требуемый уровень интероперабельности.

С точки зрения методологии ИИ компоненты гибридной среды моделирования являются интеллектуальными агентами; взаимодействие компонент — коммуникациями между агентами. Коммуникации между агентами возможны при наличии совместно используемой онтологии [36, 37]. В контексте задачи интеграции гетерогенных компонент СМ термин «онтология» означает формальную спецификацию внутренних представлений, которая может быть использована интеллектуальными агентами для организации коммуникаций.

Настоящая диссертационная работа посвящена построению открытой гибридной среды моделирования путем организации семантической интероперабельности составляющих ее компонент на основе их формальных спецификаций, представленных в виде знаний.

Целью диссертационной работы является исследование и разработка методов и средств разработки моделей динамических систем, содержащих элементы с интеллектуальным поведением.

Достижение поставленной цели требует решения следующих основных задач:

- Исследование и классификация методов моделирования систем, содержащих интеллектуальные элементы;

- Исследование возможности использования информации, представленной во внешних ИС, для создания моделей;

- Разработка и обоснование применения прикладных онтологий как базиса для интеграции компонент гибридной СМ;

- Разработка методики синтеза онтологического представления компонент гибридной СМ;

- Исследование, развитие и разработка формализмов имитационного моделирования, поддерживающих методы и методики объектно-ориентированного анализа и проектирования при разработке имитационных моделей;

- Реализация СМ посредством организации совместного функционирования подсистем-компонент на основе прикладной онтологии;

В первой главе диссертации выполнен анализ и исследование методов моделирования поведения интеллектуальных объектов в виртуальной среде. В результате исследований проведена декомпозиция общей задачи на совокупность подзадач: интеллектуального управления объектом, моделирования окружающей среды объекта и реализации взаимодействий объектов друг с другом и с окружающей средой. Исследованы средства и методы решения каждой из обозначенных подзадач. Построена классификация средств и методов решения каждой подзадачи. Это позволило выделить основные признаки и критерии и использовать их при формальной постановке общей задачи моделирования поведения интеллектуальных объектов.

Во второй главе исследованы существующие и разработаны новые формализмы, методы и методики, необходимые для решения подзадачи интеллектуального управления объектом. Проведена дальнейшая декомпозиция задачи интеллектуального управления на подзадачи представления знаний о следующих категориях: цели ИА, действия ИА, внешнее окружение, реагирование ИА на внешние воздействия. Исследована применимость всех исследованных формализмов для решения перечисленных подзадач. Предложена оригинальная концепция прикладной онтологии. Показана возможность использования прикладной онтологии для решения задачи интеллектуального управления на основе знаний и данных, получаемых из различных, гетерогенных источников. Разработана методика синтеза прикладной онтологии.

В третьей главе разработаны теоретические положения, необходимые для решения подзадачи моделирования взаимодействий ИА в окружающей среде. На основе вновь введенных формализмов подмодели и модельного фрагмента разработаны средства поддержки методологии ООА/ООП при реализации имитационных моделей. Исследована возможность применения методов теории нечетких множеств и концепции лингвистической переменной для отображения на БЗ ИА информации о его окружении.

В четвертой главе на основе результатов, полученных в главах 1-3 диссертации, выполнено проектирование и реализация гибридной среды моделирования поведения ИА на примере построения модели движения интеллектуальных агентов по участку дорожной сети города. Для реализации интеллектуального управления использована стандартная оболочка ЭС FuzzyCLIPS; для решения подзадачи моделирования окружающей среды ИА использована стандартная ГИС ArcView; имитация взаимодействий ИА реализована в универсальной системе имитационнного моделирования Simpas. Определен структурный состав СМ, построенной на основе перечисленных компонент. Разработан обобщенный алгоритм функционирования целенаправленного ИА, выполнена реализация данного алгоритма в виде системы продукций FuzzyCLIPS. На основе разработанной в главе 2 методики реализована прикладная онтология компонент среды моделирования.

Выводы по главе 4

1. Выполнена реализация СМ на основе интероперабельных компонент: оболочки ЭС, ГИС, системы имитационного моделирования. Построена модель движения ИА по участку дорожной сети.

2. Осуществлена практическая реализация представлений в виде фреймов, продукций, сценариев и онтологий тех знаний, которые используются ЭС управления ИА. В результате разработана библиотека классов языка представления знаний CLIPS оболочки ЭС FuzzyCLIPS.

3. Предложена и реализована структура прикладных единиц БЗ ЭС управления ИА. Выполнено отображение разработанной структуры прикладных единиц БЗ на компоненты реальной оболочки ЭС FuzzyCLIPS.

4. Разработан и реализован механизм логического вывода над знаниями, описывающими поведение целенаправленного ИА. Реализована возможность оперирования с нечеткими высказываниями. Возможен прямой и обратный вывод.

5. Реализованы средства организации интероперабельности компонент модельной среды на основе прикладной онтологии. Данные средства выполнены в виде объектной надстройки над ЭС, функционирующей на основе БЗ прикладной онтологии.

6. Проведен синтез онтологии предметной области «движение агентов по участку дорожной сети». Выполнена реализация онтологии с использованием языков CLIPS, Avenue, Object Pascal.

Заключение по диссертационной работе

Цель, сформулированная в диссертационной работе, по исследованию и разработке методов и средств построения моделей динамических систем, содержащих элементы с интеллектуальным поведением, достигнута.

Теоретическая часть.

1. Проведен анализ, формализация и классификация методов и средств моделирования поведения интеллектуальных объектов.

Проведена декомпозиция задачи моделирования систем, содержащих интеллектуальные элементы, на подзадачи: управления на основе знаний; создания модели окружающей среды на основе имеющихся данных о свойствах среды; имитационного моделирования динамических объектов и их систем. Исследованы, формализованы и классифицированы средства и методы поэтапного решения каждой подзадачи.

Дано формальное определение СМ. Выполнена классификация событий СМ: события структуры, события сценариев, временные события, события состояния. Формализован процесс функционирования СМ, сформулированы правила построения моделей динамических систем по модульному принципу.

Исследован и обоснован тезис о возможности применения компонентного подхода к построению моделей и использования в качестве компонент СМ внешних ИС, содержащих информацию о характеристиках моделируемых объектов. Сформулирована и решена задача организации семантической интеропе-рабельности компонент гибридной СМ.

2. Исследованы методы работы со знаниями в задаче моделирования поведения интеллектуального агента.

Проведен анализ методов представления знаний: логических, продукционных, фреймовых и сетевых моделей представления знаний и представлений в виде сценариев.

Предложена оригинальная концепция прикладной онтологии, определена ее формальная модель.

Построено формализованное описание процесса межагентных коммуникаций на основе совместно используемой онтологии. Результаты исследований использованы при решении задачи организации семантической интеропера-бельности компонент СМ.

Показана принципиальная возможность использования гибридной СМ для построения моделей интеллектуальных систем с возможностями накопления знаний и обучения.

3. Исследован и формализован процесс моделирования взаимодействий интеллектуальных агентов друг с другом и с виртуальной окружающей средой.

На основе вновь введенных формализмов подмодели и модельного фрагмента решены задачи: представления внутреннего состояния ИА; представления структуры ОСИА; моделирования воздействий ИА на окружение и окружения на ИА.

Дано формальное описание процесса моделирования взаимодействия ИА с окружающей средой по комбинированной дискретно-непрерывной схеме.

Показана возможность использования лингвистических переменных для отображения на БЗ ЭС управления ИА информации о состоянии ИА и ОСИА, полученной в результате имитационного моделирования.

4. Выполнена реализация механизма логического вывода над знаниями, описывающими поведение целенаправленного ИА.

Реализована возможность оперирования с нечеткими высказываниями. Возможен прямой и обратный вывод.

Методическая часть.

Разработана оригинальная методика построения БЗ ЭС управления ИА с использованием перечисленных моделей знаний.

Разработана оригинальная методика синтеза прикладной онтологии предметной области моделирования как основы для создания гибридной СМ, основанной на знаниях.

Введенные формализмы подмодели, и модельного фрагмента, определения оператора идентификации событий состояния, вызова фрагмента и синхронизации подмодели составляют методическую основу формализации, алгоритмизации и реализации моделей сложных динамических систем с интеллектуальными элементами.

Показана возможность реализации объектно-ориентированного подхода к построению имитационных моделей с использованием введенных формализмов подмодели и модельного фрагмента. Практическая часть.

Разработан комплекс программ создания модельной среды, включающий в себя:

- ЭС управления ИА;

- Объектно-ориентированную систему имитационного моделирования;

- Модули интерфейса со стандартной ГИС ArcView;

- Модули поддержки семантической интероперабельности компонент СМ: ЭС управления ИА, объектно-ориентированной системы имитационного моделирования, ГИС;

На основе созданных в работе методов и методик и разработанного комплекса программных средств реализована экспериментальная модель движения ИА по участку дорожной сети города.

Достоверность научных положений диссертации подтверждена: выполненными экспериментальными исследованиями, практической реализацией среды моделирования и экспериментальных моделей, результатами внедрения.

1. Прицкер А. Введение в имитационное моделирование и язык СДАМ II: Пер. с англ.- М.: Мир, 1987 646 с.

2. Марков А. А. Моделирование информационно-вычислительных процессов: Учебное пособие для вузов М.: Изд-во МГТУ им. Н. Э. Баумана, 1999.-360 с.

3. Shoham Y. Agent-Oriented Programming //Artificial Intelligence- 1993 -V.60, №1 P.51-92.

4. Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice //Knowledge Engineering Review 1995 -V. 10, №2-P.75-82.

5. Ferber J. Simulating with Reactive Agents //Many-Agent Simulation and Artificial Life.- 1997,- V.8,№ 1.- P.8-28.

6. Reddy R. Epistemology of Knowledge Based Simulation //Simulation 1987-V.48, №4 - P.147-162.

7. Емельянов В.В. Введение в интеллектуальное имитационное моделирование сложных дискретных систем. Язык РДО М.: Анвик, 1998 - 426 с.

8. Cardullo F. Application of Neuro-Fuzzy Systems to Behavioral Representation in Computer Generated Forces //Proceedings of 8th CGF Conference, DMSO-New York (USA).- 1999.- P.l32-141.

9. Tollc A. Adjustable Rulesets versus Neural Nets for Order Generation in Closed Combat Simulation Models //Proceedings of 8th CGF Conference, DMSO-New York (USA).- 1999.-P.66-73.

10. Forgy C. L. Rete: A Fast Algorithm for the Many Pattern and Many Object Pattern Match Problem //Artificial Intelligence 1982 - V. 19-P. 17-37.

11. Giarratano J. CLIPS Version 6.0 User's Guide.- Houston (USA): NASA Johnson Space Center, 1993 170p.

12. Friedman-Hill E. J. JESS, The Java Expert System Shell version 5.0-Livermore (Canada): Distributed Computing Systems, Sandia National Laboratories, 2000 157p.

13. Поспелов Д. А. Логико-лингвистические модели в системах управления,-М.: Энергоиздат, 1981.-232 с.

14. Кандрашина Е. Ю., Литвинцева Л. В., Поспелов Д. А. Представление знаний о времени и пространстве в интеллектуальных системах / Под ред. Д.А.Поспелова.- М.: Наука. Гл. ред. физ.-мат. лит.- 328 с.

15. Бураков М.В., Попов О.С. Элементы искусственного интеллекта в проблеме управления сложным динамическим объектом //Автоматика и телемеханика.- 1997.-№8,-С. 118-124.

16. Поспелов Д. А. Ситуационное управление основа прикладных интеллектуальных систем //Вестник МГТУ. Приборостроение - 1995 -№2 - С.3-9.

17. Марков А. А., Яснецкий Е. А. Рефлексы как абстракции в объектно-ориентированном подходе к моделированию систем //Тез. докл. науч.-техн. конф., посвящ. 165-летию МГТУ им. Н.Э. Баумана-М., 1995 -С.45-46.

18. Окольнишников В.В., Ротова А.В. Направления развития средств имитационного моделирования //Труды / РАН СО ВЦ- Новосибирск, 1994-Вып.2 С.3-20.

19. Родионов А.С. Объектная ориентация в интеллектуальных системах моделирования //Труды / РАН СО ВЦ,- Новосибирск, 1994,- Вып.2.- С.21-42

20. Фути К. Судзуки Н. Языки программирования и схемотехника СБИС: Пер. с япон,- М.: Мир, 1988,- 224 с.

21. Little М. С., McCue D. L. Construction and Use of a Simulation Package in С++ Newcastle (UK): University of Newcastle upon Tyne, Department of Computing Science, 1998-96p.

22. Zeigler В. P. Object-Oriented Simulation with Hierarchical, Modular Models-Tucson (USA): University of Arizona, Department of Electrical and Computer Engineering, 2000 35 lp.

23. Hild, D. R. Discrete Event System Specification (DEVS) Distributed Object Computing (DOC) Modeling And Simulation: Ph.D. dissertation- Tucson (USA), 2000,-219p.

24. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений: Пер. с англ.- 2-е изд.- М.: Изд-во Бином, 1999 560с.

25. Фаулер М., Скотт К. UML в кратком изложении. Применение стандартного языка объектного моделирования: Пер с англ.- М.: Мир, 1999 191с.

26. Страуструп Б. Язык программирования С++: Пер. с англ.- 3-е изд.- СПб.: Невский Диалект, 1999-991с.

27. Lutz R., Scrudder R. High Level Architecture Object Model Development and Supporting Tools //Simulation.- 1998,- V.71, №6,- P.401 -409.

28. Zeigler B. P. Exploiting HLA to Promote Interoperability and Reuse in Lockheed Corporate Environment //Simulation.- 1999.- V.73, №5 P.288-295.

29. Joint Warfare System (JWARS) Overview.- New York: JWARS Office, 1999.-115p.

30. Carlsson C., Hagsand O. DIVE — A Platform for Multi-User Virtual Environments //Computers and Graphics 1993 -V. 17, №6-P. 14-27.

31. Hagsand O. Interactive Multiuser VEs in the DIVE System //IEEE Multimedia Magazine.- 1996,- V.3, №1.- P.57-64.

32. Дейт К. Дж. Введение в системы баз данных: Пер. с англ.- 6-е изд.- К.: Диалектика, 1998-784с.

33. Эбби М., Кори М. Oracle 8: первое знакомство М.: Изд-во Лори, 1998470 с.

34. ArcView GIS User's Guide- Redlands (USA): Environmental Systems Research Institute, 1996-442p.

35. Gruber Т. R. Toward Principles for the Design of Ontologies Used for Knowledge Sharing //Proceedings of the International Workshop on Formal Ontology.- Padova(Italy), 1993,- P. 19-32.

36. Finin Т., Fritzson R. KQML — A Language and Protocol for Knowledge and Information Exchange.- Baltimore: Computer Science and Electrical Engineering University of Maryland, 1993 32p.

37. Искусственный интеллект: Справочник, В 3 кн.- М.: Радио и связь, 1990-Кн. 1. Системы общения и экспертные системы / Под ред. Э.В.Попова-464 с.

38. Yasnetsky Е. Extracting 3D object orientation information from a single view point: estimation of capabilities // Proceedings of Digital Photogrammetry and Remote Sensing Conference St.Petersburg, 1995-P.285-290.

39. Кулик В. П., Липницкий А. К., Яснецкий Е. А. Определение пространственной ориентации объекта //Тез. докл. науч.-техн. конф., посвящ. 165-летию МГТУ им. Н.Э. Баумана,- М., 1995,- С.58.

40. Chamberlin D.D. Anatomy of an Object-Relational Database //DB2 Magazine-1996.-V.l,№ 1.- P.5-12.

41. Лорьер Ж. Л. Системы искусственного интеллекта: Пер. с франц.- М.: Мир, 1991.-568 с.

42. Гилула М. М. Множественная модель данных в информационных системах,- М.: Наука, 1992,- 208 с.

43. Нильсон Н. Принципы искусственного интеллекта: Пер. с англ.- М.: Радио и связь, 1985 376 с.

44. Кинг Д. Создание эффективного программного обеспечения: Пер. с англ-М.: Мир, 1991.-254 с.

45. Искусственный интеллект: Справочник, В 3 кн.- М.: Радио и связь, 1990-Кн. 2. Модели и методы / Под ред. Д.А.Поспелова.- 304 с.

46. Чиркова Р. Ю., Мальковский М. Г. Технология создания экспертных систем для динамических задач управления процессами в критических ситуациях // Программирование 1996, №6 - С.48-62.

47. Статические и динамические экспертные системы / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М. Д. Шапот,- М.: ФиС, 1996,- 320с.

48. Построение экспертных систем: Пер. с англ. / Под ред. Ф. Хейеса-Рота, Д. Уотермана, Д. Лената.-М.: Мир, 1987-441с.

49. Левин Р., Дранг Д., Эделсон Б. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике: Пер. с англ.-М.: ФиС, 1990,-239с.

50. Сойер Б., Фостер Д. Программирование экспертных систем на Паскале: Пер. с англ.-М.: ФиС, 1990,- 191с.

51. CLIPS v.6.0 Basic Programming Guide- Houston (USA): NASA Johnson Space Center, 1993,-378p.

52. Ожегов С. И., Шведова Н. Ю. Толковый словарь русского языка М.: Русский язык, 1984,-787с.

53. Guariano N. The Ontological Level //Proceedings of 16th Wittgenstein Symposium Kirchberg (Austria), 1993 - P.74-95.

54. Георгиев В. О. Модели представления знаний предметных областей диалоговых систем //Изв.АН СССР. Техническая Кибернетика.-1991.-№5,- С.3-23.

55. Осипов Г.С. Построение моделей предметных областей. Неоднородные семантические сети // Изв. АН СССР. Техническая Кибернетика.- 1990.-№5,- С.32-45.

56. Верников Г. Стандарт онтологического исследования IDEF5 //Открытые системы,- 1999 №2.- С.25-35.

57. Козлов В. А. Открытые информационные системы М.: Финансы и статистика, 1999.-224с.

58. Чеппел Д. Технологии ActiveX и OLE: Пер. с англ.- М.: Издательский дом «Русская редакция», 1997.- 320 е.

59. Роджерсон Д. Основы СОМ: Пер. с англ.- М.: Издательский дом «Русская редакция», 1997.- 376 с.

60. Kubat М., Parsons S. Approximating Knowledge in a Multi-Agent System //Informatica.- 1994,- V. 18.- P. 115-129.

61. Тарасов В. Б. Искусственная жизнь и нечеткие эволюционные многоагент-ные системы — основные подходы к построению интеллектуальных организаций // Изв. РАН. Теория и системы управления 1998.-№5.- С. 12-23.

62. Kaelbling L. P., Littman М. L., Moore A. W. Reinforcement Learning: А Survey //Journal of Artificial Intelligence Research 1996 - V.4.- P.237-285.

63. Липницкий А.К., Яснецкий E. А. Разностные алгоритмы адаптации систем селекции подвижных объектов //Тез. докл. науч.-техн. конф., посвящ. 165-летию МГТУ им. Н.Э. Баумана,- М., 1995,- С.57.