автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Модели и методы синтеза и реализации специализированных гибридных экспертных систем

На правах рукописи

Лобанов Владимир Васильевич

МОДЕЛИ И МЕТОДЫ СИНТЕЗА И РЕАЛИЗАЦИИ СПЕЦИАЛИЗИРОВАННЫХ ГИБРИДНЫХ ЭКСПЕРТНЫХ СИСТЕМ

Специальность 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Саратов 2006

Диссертационная работа выполнена в ГОУ ВПО «Саратовский государственный технический университет».

Научный руководитель: доктор технических наук, доцент

Большаков Александр Афанасьевич Официальные оппоненты: доктор технических наук, профессор

Кушников Вадим Алексеевич кандидат технических наук, доцент Антонов Олег Викторович

Ведущая организация: Тамбовский государственный технический

университет

Защита состоится « 25 » января 2006 г. в « 14 » часов на заседании диссертационного совета Д 212.242.08 при ГОУ ВПО «Саратовский государственный технический университет» по адресу: 410054, г. Саратов, ул. Политехническая, д. 77, Саратовский государственный технический университет, ауд. № 319.

С диссертацией можно ознакомиться в научно-технической библиотеке ГОУ ВПО «Саратовский государственный технический университет».

Автореферат разослан «23» декабря 2005 г.

Ученый секретарь диссертационного совета

А. А. Большаков

аоосд

ША

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В современных условиях особую важность приобретает промышленная разработка прикладных интеллектуальных систем, которая становится одной из наиболее перспективных и быстро окупающихся областей в сфере внедрения новых информационных технологий. В последние годы все более широкое распространение в различных областях социальной и производственной сферы жизни получает новое поколение интеллектуальных систем - гибридные экспертные системы поддержки принятия решений.

Основные причины этого заключаются в следующем: во-первых, гибридные экспертные системы (ГЭС) используются для решения относительно более широкого круга неформализованных или плохоформализованных задач, а также рассчитаны на приложения, которые считались малодоступными для вычислительной техники. Во-вторых, ГЭС при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности экспертов. В-третьих, с помощью ГЭС специалисты, не знакомые с программированием, могут самостоятельно разрабатывать интересующие их приложения, что резко расширяет сферу применения вычислительной техники. В-четвертых, комбинирование методов искусственного интеллекта с регулярными позволяет расширить круг решаемых задач. К ним, в частности, относятся анализ и классификация данных, принятие решений в условиях неопределенности: при пропуске данных, сильной зашумленности и т.д.

Вопросам создания интеллектуальных систем поддержки принятия решения посвящены работы Д. Ф. Люггера, Ж. Л. Лорьера, В. П. Мешалкина, Н. Нильсона, С. Осуга, Э. В. Попова, Г. С. Поспелова, Дж. Слейгла, П. Уинстона и др. В них изложены основные методы синтеза экспертных систем, а также выделено новое направление развития в виде гибридных экспертных систем. Частные случаи применения гибридных экспертных систем для решения ряда прикладных задач в химической промышленности, сфере образования и экономике рассматриваются в трудах Л.С. Берштейна, А. В. Гаврилова, В. П. Мешалкина, Л. Л. Михайлова.

Однако до сих пор не сформулированы общие принципы и подходы разработки структуры шбрвдных экспертных систем в связи с тем, что для выбранной предметной области не имеется строго формализованного решения. Обычно эта задача сводится к параметрическому синтезу с некоторым возможным набором структурных изменений. Этап синтеза структурных проектных решений может быть формализован методами искусственного интеллекта (ИИ). Для этого используются методы генерации решений экспертами с последующей обработкой проектных решений и далее выбором лучшего согласно заданному критерию. Последним этапом решения задачи является параметрическая оптимизация при "закрепленном" структурном решении.

В процессе создания ГЭС наиболее сложной является работа со знаниями: на этапах сбора, формализации, представления и использования. Показатели эффективности функционирования гибридной экспертной системы могут быть улучшены при обоснованном выборе модели представления знаний для наиболее полного описания предметной области.

Существует множество моделей представления знаний. К наиболее распространенным и общепринятым относятся логические, фреймовые и продукционные модели, а также семантические сети. Каждая из них имеет как преимущества, так и недостатки. Поэтому при создании ГЭС необходарф ¿ьфщ^ пРеДставления

знаний, которая с требуемой точностью описывкет преднвдезду^^ръ. <

От правильности организации структуры ГЭС зависит не только скорость и качество полученных решений как результата работы экспертной системы, но и возможность ее функционирования в целом.

Сложность решения указанных задач обусловливает необходимость проведения научных исследований методов синтеза гибридных экспертных систем поддержки принятия решений в условиях неопределенности.

Цель работы. Повышение эффективности решения задач производственной и непроизводственной сферы жизнедеятельности на основе разработки методов синтеза гибридных экспертных систем поддержки принятия решений в условиях неопределенности и их апробация при практическом использовании.

Направление исследований связано с использованием принципов совместного применения как регулярных и интеллектуальных методов, так и эвристических способов, предложенных в работах A.A. Большакова, для синтеза ГЭС поддержки принятия решений в условиях неопределенности.

Методика работы. В диссертационной работе применяются методы искусственного интеллекта, математического моделирования, теория графов, аппарат статистического анализа, объектно-ориентированного программирования.

Достоверность и обоснованность диссертационного исследования определяется корректным применением методов исследований и подтверждается результатами программного моделирования, успешным внедрением разработанных алгоритмов и программных средств в различных организациях и предприятиях.

На защиту выносятся:

1. Гибридная модель представления знаний для наиболее полного описания предметной области в ГЭС.

2. Комбинированный метод синтеза структуры гибридных экспертных систем поддержки принятия решений и алгоритм его реализации.

3. Разработанная гибридная экспертная система "Цеолит", осуществляющая выработку рекомендаций в области использования природных цеолитов.

4. Созданная гибридная экспертная система "Диагностик", позволяющая проводить диагностику и выявление туберкулезных заболеваний.

5. Разработанная гибридная система поддержки принятия решений в области анализа и планирования финансовых потоков на железнодорожном транспорте.

6. Инструментальная программная среда создания многоинтерфейсных систем, позволяющая реализовывать многофункциональные пользовательские интерфейсы для гибридных экспертных систем, функционирующих в условиях часто изменяющихся и нечетких спецификаций с использованием Интернет и Интранет-ресурсов.

Научная новизна. Создана гибридная модель представления знаний для описания предметной области, основанная на применении трех функциональных подходов: правил продукций, семантических сетей, элементов теории объектно-ориентированного подхода, что позволило устранить основные недостатки используемых моделей представления знаний при их обособленном применении в организации баз знаний.

Установлена экспериментальная зависимость скорости принятия решения в базе знаний, построенной на основе комбинированной модели, от мощности множества методов знаний, которая позволяет формировать оценочную характеристику скорости принятия решения в специализированных гибридных экспертных системах поддержки принятия решений.

Синтез гибридных экспертных систем представлен как многокритериальная оптимизационная задача и предложен обобщенный комбинированный метод построения структуры ГЭС поддержки принятий решений на основе принципа декомпозиции в сочетании с методами искусственного интеллекта, а также алгоритм его реализации, отличающийся от общепринятых подходов к структурному синтезу систем. Наличие в комбинированном методе интеллектуальной компоненты позволяет осуществлять структурный синтез ГЭС на начальном этапе проектирования.

Предложена эвристическая процедура, построенная на основе генетического алгоритма, для решения задачи оптимизации структуры ГЭС с учетом достижения необходимой точности решения в условиях ограничений на время принятия решений. Исследована ее эффективность и определены оптимальные значения параметров.

Сформулированы принципы построения инструментальных программных средств при создании современных пользовательских интерфейсов специализированных гибридных экспертных систем, отличающихся использованием Интернет и Интранет-ресурсов, что позволяет оперативно осуществлять их адаптивную настройку в условиях часто изменяющихся, нечетких спецификаций.

Практическая значимость. Предложенный метод представления знаний позволяет наиболее точно описать предметную область и существенно улучшить характеристики специализированных гибридных систем поддержки принятия решений (скорость и достоверность вырабатываемых рекомендаций).

Показана применимость разработанных функциональных подходов при синтезе и реализации гибридных экспертных систем поддержки принятия решений в различных областях: для диагностики медицинских заболеваний; идентификации природных цеолитов и сфер их применения; анализа и планирования финансовых потоков в условиях неопределенности.

На основе предложенных моделей и методов разработана гибридная экспертная система "Цеолит", позволяющая осуществлять поддержку принятия решений в области определения природных цеолитов по набору физико-химических свойств минерала.

Созданные функциональные подходы применены при проектировании и реализации гибридной системы поддержки принятия решений в области медицинской диагностики, для выявления значимых факторов легочных заболеваний.

Разработана и внедрена гибридная система поддержки принятия решений в области планирования и анализа финансовых потоков, формирования платежного баланса более чем на 30 предприятиях железной дороги.

Результаты работы также используются в учебном процессе в Астраханском, Саратовском и Тамбовском государственных технических университетах, в Московском государственном университете инженерной экологии.

Реализация и внедрение результатов работы. Результаты диссертационной работы использованы при создании ряда специализированных "гибридных экспертных систем поддержки принятия решений, внедренных на железнодорожном транспорте, в медицине, экологии:

- "Цеолит" (выбор цеолитов для использования в промышленности и экологии);

- "Диагностик" (диагностика легочных заболеваний);

- "Платежный баланс" (гибридная система поддержки принятия решений анализа и планирования финансовых потоков).

Апробация работы. Результаты работы докладывались на международных научных конференциях: Математические методы в технике и технологиях (ММТТ) -

ММТТ-15 (Тамбов, 2002), ММТТ-16 (Ростов-на-Дону, 2003), ММТТ-17 (Кострома, 2004), ММТТ-18 (Казань, 2005), Современные информационные технологии в медицине и экологии ИТМЭ-2003 (Смоленск, 2003), Новые информационные технологии в медицине и экологии (Украина, Крым, Гурзуф. 2000), на научных семинарах кафедры "Системы искусственного интеллекта" СГТУ 2001-2005 гг.

Публикации. Основные положения диссертации отражены в 14 публикациях, в том числе 4 свидетельствах Роспатента на программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка использованной литературы и приложения. Основная часть диссертации изложена на 136 страницах, содержит 33 рисунка, 8 таблиц. В приложении приведены копии авторских свидетельств и актов внедрения разработанных программ.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность решаемой задачи и необходимость создания гибридных ЭС поддержки принятия решений в условиях неопределенности. Здесь же сформулированы цель и задачи диссертационной работы, выделены новые результаты, приводятся основные положения, выносимые на защиту.

В первом разделе рассматриваются основные классы ГЭС поддержки принятия решений, пришиты, критерии и структурная схема классификации. Проведен краткий обзор существующих ГЭС с перечнем их технических характеристик, особенностей реализации и функционального назначения (Escort, ЭКСКО, СМОПЛЕКС, Экран-ХТС, INFANTA, Аналитик, Диагностика).

Рассмотрены методы построения ЭС поддержки принятия решений (ППР), проанализированы и структурированы основные этапы их создания: идентификация (осмысление задач, которые должна решать ЭС, формирование требований к ней); концептуализация (содержательный анализ проблемной области, выявление используемых понятий и их взаимосвязей, определение методов решения задач, который завершается созданием модели предметной области (ПО), включающей основные концепты и отношения); формализация (определение состава средств и способов представления декларативных и процедурных знаний, формирование описания решения задачи ЭС на выбранном формальном языке); выполнение (создание прототипа ЭС, решающего требуемые задачи); тестирование (оценка выбранного способа представления знаний в ЭС); опытная эксплуатация (проверяется степень пригодности ЭС для пользователя).

Приводятся основные характеристики задачи синтеза ГЭС, выделены основные проблемы, возникающие при их разработке и проектировании.

Второй раздел посвящен выделению класса задач, для решения которых целесообразно использовать специализированные ГЭС. Рассмотрена задача представления и формализации знаний, методы построения и выбора структуры ГЭС. Предложен обобщенный комбинированный метод структурного синтеза с устранением неопределенности в исходных данных (пропуски, зашумленность) и обоснована его применимость. Осуществлен выбор инструментальных программных средств.

Выделены следующие основные классы задач, решаемых экспертными системами: интерпретация, диагностика, прогнозирование, идентификация, обучение, проектирование, мониторинг -Ет = {Е '„}, где Е'т - /-й класс задач, г'е[1..и].

К задачам, для нахождения решений которых применяются регулярные модели и методы, относятся управление различными объектами, задачи моделирования -Ег = {Ёг}, где ->й класс задач,/е[1..л].

Сочетание в ГЭС двух вышеуказанных подходов позволяет решать множество задач, возникающих на стыке двух этих направлений, которое описывается соотношением - Еж = Ег П Ет.

При решении задач ППР в условиях неопределенности обычно используют следующие типичные модели представления знаний (МПЗ):

- продукционная, в которой знания представлены совокупностью правил в формате "ЕСЛИ ..., ТО ...". Первая часть выражения - условие, а вторая - действие. Между ними располагаются факты, объекты, процессы, от которых зависит характер действия (принимаемого решения). Под продукцией Рг понимается выражение вида: Рг = (0; 2; Р\ Л => 5; ТУ, где г-имя продукции, с помощью которой она выделяется из всего множества, Q характеризует сферу применения, А=> В-ядро продукции, элемент Р - условие применимости этого ядра, N описывает постусловия;

- логическая, в основе которой содержится понятие формальной теории, задаваемой четверкой: 5= 5 (С, .Г, I, Р.), где С - счетное множество базовых символов (алфавит) теории 5; ^ - подмножество выражений теории 5, называемых формулами и позволяющих строить из С выражения в виде последовательности базовых символов теории аксиома теории т.е. множество априорно истинных формул, Л - конечное множество отношений (гь г2, ... г„) между формулами, называемыми правилами вывода;

- фреймовая, основанная на структуре следующей конструкции: /=/(г/7/, г212, ..., лЛ)> где/- имя фрейма, г, ~ имя слота, I, - значение слота. Слоты описывают характеристики (свойства) объекта;

- семантическая сеть. Сетевые модели представляют графы, вершинами V которых являются некоторые сущности (объекты, события процессы), а дуги V выражают связи между этими сущностями. В общем виде сеть можно описать соотношением Я = <У, II], 112,..., Ш, (5>. Отображение в задает связи заданного набора типов связей между информационными единицами, входящими в V.

Используемые МПЗ наряду с преимуществами имеют и недостатки, которые не всегда позволяют построить требуемую модель. Автором предлагается использовать комбинированный подход, когда различные МПЗ дополняют друг друга, т.е. используется некоторая их модификация. При этом получается гибридная МПЗ, которая позволяет наиболее точно описать предметную область. Для исследуемой предметной области Q воспользуемся семантической сетью и продукционной моделью в сочетании с элементами объектно-ориентированного подхода. Получаемую при этом модель будем называть СОП-моделью.

Применение объектно-ориентированного подхода к описанию отношений в семантических сетях, а также свойств объекта (качественных, количественных или параметрических характеристик), и использование методов продукций позволило интегрировать две указанных МПЗ. Комбинация сетевого подхода с продукционной МПЗ устранила такой недостаток семантических сетей, как отсутствие механизма управления выводом. Применение в качестве элементов сети объектов, содержащих множество свойств и знаний об объекте, обеспечивает модульность представления о нем, полноту информации, логическую целостность сети знаний, прозрачность отношений между объектами, простоту механизма логического вывода.

Выражение, описывающее СОП-модель представления знаний Нг, запишем в виде: Hg= {V, U}, где V= {Vs, Vpn Vsp) - множество объектов знаний предметной области, {У ¡a V,c) - множество признаков количественных и/или качественных объектов V\ Vpr= {Pr = (/); Q; P;A=>B;N) - множество правил продукций, определяющих знания об объектах V, где i - имя продукции, А => В - ядро продукции, элемент Р - условие применимости ядра продукции, N описывает постусловия продукции, Vsp = F(y„ Vpr) - множество отношений между Vs и Vpr; U= {£/„ Upn U!p, G} - множество связей между объектами знаний предметной области, Us = {иш Usc) -множество признаков (количественных и/или качественных), Upr - множество знаний о связях U в виде правил продукций, U!p = F(US, Upr) - множество отношений между U, и Upr1, G - отображение связей между информационными единицами. Структурная схема

СОП-модели представления знаний приведена на рис. 1.

ОБЪЕКТ ЗНАНИЙ

о

с т

H н

й ш А

Е Ж

в / ■ / Я

А Я /

(3 Объект знаний связи между объектами предметной области

Объект знаний информационной единицы предметной области Рис. 1. Структурная схема гибридной модели представления знаний Предложенная гибридная модель представления знаний использовалась при разработке баз знаний ряда интеллектуальных систем, требующих применения знаний экспертов и эвристик для решения плохоформализованных задач. Автором реализована СОП-модель на объектно-ориентированном языке программирования высокого уровня Borland Delphi 5. На рис. 2,3 приведены графики зависимости времени вывода решений в тестовой базе знаний в зависимости от количества объектов и знаний. Исследованные технические характеристики приведены в табл. 1.

Таблица 1

Технические показатели базы знаний реализованной на СОП-модели_

Наименование показателя Значение показателя Комментарий

Максимально возможное число хранимых объектов предметных областей 100 При совокупном числе объектов знаний и связей в одной ПО 500 и их среднем объеме данных не более 200 kb. Определяется техническими возможностями выбранной СУБД.

Максимально возможное число хранимых объектов знаний (связей) для одной предметной области 25000 При среднем объеме данных объекта знаний (связей) не более 200 kb, с учетом существования организации структуры в виде дерева (25000 -объектов связей по 200 kb данных). Определяется техническими возможностями выбранной СУБД.

Скорость получения вывода (средняя сек) 3.5 Локальный вариант, рабочая станция - Pentium 4 2600, RAM - 256, операционная система - WinXPSP2. Проверено на 20 тестах. Количество используемых объектов знаний в процедуре поиска 150.

Алгоритм поиска решения направленный Определяется организационной структурой модели

Время» Р(] мания)

/

/

/

-г-па

врмм>р(об»1пьд

а 1

9 100

|«Р«1|

Рис. 2. График зависимости времени получения решения от количества методов знаний

Рис. 3. График зависимости времени получения решения от количества объектов в базе знаний

Проведенный анализ экспериментальных данных, полученных в ходе тестирования базы знаний, позволил выявить эмпирическую зависимость времени принятия решения от количества методов знаний в контейнере "Объект знаний", которая имеет вид: V" = 0.37*22+17.02*21+195.73*2°, где Т* - время принятия решения, Ъ - мощность множества методов знаний. Проверка адекватности модели проводилась по критерию Фишера. При этом рассчитанное значение критерия ^(2, 5, 0.05) = 5.79, превышает значение Г-статистики F=2.23, поэтому нет оснований для отклонения нулевой гипотезы об адекватности модели. Выявленная зависимость позволяет проводить оценочную характеристику скорости принятия решения в специализированных гибридных экспертных системах поддержки принятия решений при реализации баз знаний с использованием описанной модели.

Одной из проблем решаемого класса задач является учет как качественных, так и количественных характеристик в исходных данных, а также неопределенности, возникающей из-за пропусков и зашумленности. В работах Р. Н. Каримова, Ф. Мостеллера, Дж. Тыоки, которые посвящены предварительной обработке экспериментальной информации, описываются методы и эвристические способы восстановления данных. Автором предлагается модификация метода многомерного

статистического анализа, в частности пошагового дискрими-нантного анализа при обработке исходных данных, дополненного процедурой предварительного анализа для преодоления неопределенности, структурная схема которого приведена на рис. 4.

Диофшинтямлй —Л Вымяпш

аяаяаЛашла "V твяа ~У ивчюшх

\ Г

С

н>

Рис. 4. Структурная схема комбинированного метода многомерного статистического анализа

Синтез архитектуры ГЭС в общем виде может быть сведен к разработке структуры сложной вычислительной системы (СВС),

и далее к задаче дискретного программирования, особенностями которой являются многокритериальное^, неединственность решения, наличие ограничений и большое количество переменных. Таким образом, для заданного поведения прикладной программы Н^РК) требуется синтезировать архитектуру Н^А, прикладную программу Н^Р и выбрать способ организации процесса поиска решения <р. При этом должен достигаться экстремум критерия оценки качества решения {/¡} при выполнении ограничения на допустимые решения {&}. В качестве параметров оптимизации выступают варьируемые характеристики моделей Н^А, Н^Р и <р. Критерии оценки качества решения, ограничения на допустимые решения и варьируемые параметры моделей определяются при конкретизации экспертами задачи синтеза архитектур:

/ (НрР, Н&А, <Р) ехлг gl(HglP, Н'^А, <р) < О, I е/з, /4;

gl(HssP, НгаА, ф) = 0, / е/5) /6; Я^Ре Н&Р\ Н^е НВА\<ре <р'\

где /,,/з,/5 - множества динамических, /2, /4, /«- множества статических критериев и ограничений, (Я^*, Н^*, (р*) - пространство допустимых решений.

Проведенный анализ различных подходов к задачам структурного синтеза и оптимизации показал отсутствие приемлемых методов синтеза для начальных этапов проектирования систем. Выход из сложившейся ситуации может быть найден на основе комплексного использования методов структурного синтеза и ИИ.

Последовательная генерация структур, носящая итерационный характер, должна осуществляться поисковыми методами на основе эвристических правил синтеза, учитывающих существующую неопределенность исходных данных, критериев, действий, функциональных и логических зависимостей, с последующим выбором рациональной структуры оптимизационными методами. При этом в проектных задачах, подразумевающих получение еще не существующего объекта, с учетом особенностей предметной области при создании ГЭС, наиболее приемлемым подходом к структурному синтезу является выделение базовой структуры из обобщенной модели с дальнейшей ее трансформацией на основе определенных эвристических правил генерации. Автором предлагается комбинированный метод синтеза структуры гибридной экспертной системы, схема которого приведена на рис. 5.

Процесс построения структуры ГЭС состоит из ряда взаимосвязанных этапов.

1. Постановка задачи и ее описание по определенным правилам, которое дает исчерпывающее представление о сущности и логике преобразования информации для получения требуемого результата.

2. Анализ поставленной задачи и выделение основных классов объектов на основе методов декомпозиции и/или эвристических способов, с использованием экспертных систем, которые способны осуществлять поддержку принятия решений в данной предметной области.

3. Построение информационных и математических моделей выделенных объектов на основе единого комбинированного метода. При этом получаем множество моделей подсистем {/„}, где т - количество выделенных объектов, совокупность которых будет описывать создаваемую систему. Проводится многокритериальная оптимизация полученных структур подсистем {/„} на основе принципа Парето и эвристической процедуры, базирующейся на использовании генетического алгоритма.

4. Проверка адекватности полученных моделей {/„} на тестовых наборах данных {А}я}. При отказе от гипотезы неадекватности модели переходим к следующему шагу синтеза структуры. В противном случав проводим анализ причин неудач и возвращаемся на один из предыдущих шагов, а затем новыми регулярными

ДМСФИППМЩМ. выделение »скота ых каассо» «б»«гм

Выбор (построем не)

■нфориациоквых но«м ей

*

Мжегожрятер ижяь

ОПТИККМЦХЛ

1

AJUUI дркчшш МПИ1 Выбор «t МОМПОСП

точхкиаариа моя«*«* Urn)

Эксперты ми ОС иояеяярммня

KÎ

Тктсам

Этмвжяыа

Опрадшмвша ami

или эвристическими методами и способами осуществляем очередную итерацию решения задачи структурного синтеза. При этом, возможно, потребуется вернуться к задаче декомпозиции и выделения основных классов объектов или к проверке адекватности построения информационной, математической модели подсистем.

5. Задание функциональных связей и зависимостей между отдельными подсистемами, что позволяет в дальнейшем сформировать целостную структуру разрабатываемой системы.

6. В результате успешного | завершения описанных выше этапов формируются исходные данные для построения структуры гибридной экспертной системы: информационные и математические модели {/„} выделенных подсистем, множество связей, описывающих функциональные и структурные отношения между отдельными подсистемами {F/m}.

7. Заключительным шагом

является проверка адекватности

построенной модели на некоторых

тестовых наборах данных и сравнение

полученных результатов с эталонными

значениями. Если полученные результаты

испытаний системы находятся в заданном

диапазоне допустимых значений, то

процесс построения модели считается

завершенной. В противном случае на

очередной итерации необходимо

выполнить анализ причин неудач с

привлечением регулярных, эвристических

методов и/или способов и вернуться к

одному из этапов построения

определению функциональных и

структурных связей между

основными информационными единицами , _

_________„,„ гол "ис. 5. Структурная схема комбинированного

или синтеза структуры ГЭС. метода синтезаГЭС

Задача структурной оптимизации ГЭС рассматривается как построение архитектуры системы с минимальным количеством функциональных блоков, обеспечивающих необходимую функциональность и время получения приемлемого по точности решения. Таким образом, для заданной модели поведения системы Я и времени получения решения f требуется определить минимальное число функциональных блоков M для реализации решения поставленной задачи и провести оценку общего времени решения на основе подпрограмм Hg!P = {S^P,}, i=[\..M], реализующихся в виде структурных блоков системы Hg!A. Для решения поставленной задачи автором предложена эвристическая процедура на основе генетического алгоритма (ГА) Холланда - Simple Genetic Algorithm (SGA).

Начальным этапом этой процедуры является кодирование данных для ГА, которое проводилось следующим образом:

CinawMu

ГЭС

X

Ma огокретер я мь

Ашп ярппы мвукив- Внбор

X

S.-Н^А 1-

Тсето«м«

Х»ы»(ж«-)

Этмоямм

<битовая строка> — <поле подпрограммы>,);

<поле подпрограммы> = (<номер подпрограммы> и <приоритеты интервалов>)', <приоритеты интервалов>={ у <приоритет интервала^),

у-1

где и - операция склейки битовых строк, А" - число подпрограмм в программе, /- число

к

рабочих интервалов в 1-й подпрограмме, N = ^1, - число вершин в графе Я.

Далее целевую функцию зададим соотношением: Р (к,, кт) = С\ к,+ С21ст, где С1 и С2 - коэффициенты, С1 + С2 = 1, к, - оценка решения по времени выполнения программы, кт - оценка по числу функциональных блоков.

Аргументы к, и кт принадлежат интервалу (0, 1] и вычисляются следующим образом: кт = 1 -М/К, ¡Т°/Т , при - Г°: ~

11 п и-Т° >Т где К- максимально возможное число подпрограмм, М -

^'при ' число подпрограмм, использованных в решении.

Для поставленной задачи всегда выполняется условие:

M>\¿£JT°

где ] • [ - округление до ближайшего большего целого и /, - число рабочих интервалов в г-й подпрограмме, с временем выполнения t¡. При нахождении М, удовлетворяющего заданному условию, получим оптимальное решение в заданном смысле.

Если алгоритм оптимизации при соблюдении ограничений на время нахождения решения определяет число функциональных блоков (подпрограмм), которое удовлетворяет строгому равенству для М, то происходит его останов. В противном случае процедура останавливается, если за заданное число итераций текущее максимальное значение целевой функции не было существенно улучшено. Для селекции в данном генетическом алгоритме используются комбинация схемы пропорциональной селекции и рулетки.

Исследование эффективности алгоритма проводилось на графах модели ГЭС поддержки принятия решений в условиях неопределенности, предназначенных для решения актуальных задач в химической промышленности, медицине и экологии -"Цеолит", "Диагностик", а также в области анализа и планирования финансовых потоков - "Платежный баланс". Данные ГЭС состоят из совокупности подпрограмм с произвольными информационными связями, которые организуются в комплексы с помощью независимых, последовательно-параллельных цепочек.

Число вершин в графах изменялось от 10 до 100, рабочих интервалов у подпрограмм - от 1 до 5. Дисперсия времени выполнения подпрограмм изменялась в пределах: 0^50%; 50-400%; 100+200%. Число итераций алгоритма без улучшения коэффициента выживаемости находилось в интервале [700,1200].

Оптимальные значения параметров алгоритма содержатся в следующих интервалах: порог вероятности мутации - [0.0069, 0.0078], а скрещивания - [0.3, 0.5], весовые коэффициенты (С() - 0.31-Ю.56, размер популяции - 24.

Другие начальные условия параметров ухудшают качество получаемых результатов. Число итераций для достижения оптимального решения находится в интервале [90, 1200].

Третий раздел посвящен вопросам синтеза гибридных экспертных систем поддержки принятия решений в экологии и медицине. Выполнена постановка задачи,

12

описаны этапы синтеза гибридных экспертных систем, приведены функциональные и структурные схемы, архитектуры программных комплексов, созданных на основе комбинированного метода, предложенного автором во втором разделе.

Гибридная экспертная система "Цеолит"

Актуальность разработки гибридной экспертной системы по определению природных цеолитов и сфер их применения определяется возрастающим интересом в результате открытия их адсорбционных и ионообменных свойств. Эти свойства определили возможность использования данных минералов во многих отраслях, таких , как водоподготовка, очистка оборотных и сбросных вод, рекультивация земель,

' кондиционирование низкоурожайных и загрязненных почв. Вторым наиболее важным

фактором является ситуация, характеризующаяся существенным недостатком специалистов, обладающих требуемыми знаниями в области использования цеолитов, из-за резкого возрастания интереса к достижениям в данной области.

Поэтому необходимо разработать интеллектуальную систему поддержки принятия решений в области определения природных цеолитов.

В ходе анализа поставленной задачи ее удалось разделить на две подзадачи:

- первая связана с определением цеолитов по набору физико-химических свойств минерала (задача классификации). Проведенный обзор традиционных методов решения задач классификации с аналогичными исходными данными, которые обладают большой размерностью, неопределенностью значений некоторых параметров, а также последующая сравнительная оценка показали, что лучшим является предложенный автором комбинированный пошаговый дискриминантный анализ;

- вторая задача заключается в выработке рекомендаций по определению сфер использования цеолита, обладающего заданными физико-химическими свойствами, и его выбора для заданной области использования. Одним из эффективных способов решения этой задачи является использование экспертной системы поддержки принятия решений в данной предметной области.

Особый интерес представляют два этапа построения системы: формализация и представление данных в виде СОП-модели, синтез структуры ГЭС. На основе применения предложенного комбинированного метода синтеза структур систем разработана структура системы, базы знаний о цеолитах на основе СОП-модели и получены алгоритмы логического вывода.

Формирование структуры ГЭС основывается на анализе особенностей предметной области и связано с построением информационной модели рассматриваемого класса объектов. Далее определяются требования к структуре ГЭС, в состав которой должны входить следующие функциональные блоки: база знаний; вывода решений; объяснений и интеллектуального общения с лицом, принимающим решение (ЛПР), и экспертом; предварительной обработки данных.

Синтезированная структура ГЭС поддержки принятия решений по применению 1 природных цеолитов представлена на рис. б. Система реализована с помощью

объектно-ориентированных языков программирования высокого уровня DelphiS, Visual Prolog 5.0, что позволило создать удобный пользовательский интерфейс и 4 обеспечить многопользовательский доступ для работы в локальной вычислительной

сети. Схема реализации ГЭС "Цеолит" приведена на рис. 7.

Созданный программный комплекс предназначен для сотрудников НИИ соответствующего профиля, разработчиков природных месторождений, содержащих

породы с цеолитом, а также работников различных отраслей промышленности, медицины и сельского хозяйства, в которых возможно использование цеолитов.

Система используется в учебном процессе при подготовке специалистов в области изучения природных минералов и методов ИИ.

Свиям

Бамд»них

Сплин* ЩИГ пгттш «со

Ре!«Г»р ц«о

Ь>|1<и111«яч»

Экснрт ТПР^МЧП

0«мм шт рммб

Сжтмм ■ЦАмищирми

Бм Бм

амфышм**- 'гЕг

Пмимммв сагтнш

ДО ОЦщмИ

/ 7

№\\1а<Ьм |

Сп—рВД |

«я В

¡Г

Баи шашй Н

Бгалмишх ¡1

1

Р«Ьчи<ТМК1

(клнгнг 1>

Рабвчяя

(КЛи«1ГТ(4)

Рис. б. Архитектура ГЭС "Цеолит"

Рис. 7. Архитектура программного комплекса "Цеолит"

Гибридная экспертная система "Диагностик"

Диагностика в области медицины может быть представлена как задача нахождения зависимости между симптомами (входными данными) и диагнозом (выходными данными). Для создания эффективной системы диагностики необходимо использовать методы искусственного интеллекта.

Целесообразность такого подхода подтверждает анализ данных, используемых при медицинской диагностике, который показывает, что они обладают такими особенностями как качественный характер информации, наличие пропусков данных; взаимная коррелированность; большое количество переменных при относительно небольшом числе наблюдений. Кроме этого, значительная сложность объекта наблюдения (заболеваний) нередко не позволяет построить даже вербальное описание процедуры диагноза врачом.

Для решения актуальной задачи медицинской диагностики легочных заболеваний необходимо выявить существенные признаки: туберкулезного, неспецифического и злокачественного плевритов. По выявленным значимым признакам на базе интеллектуальной процедуры осуществляется выдача рекомендаций по постановке диагноза пациенту.

Для этого автором предложена гибридная экспертная система диагностики, в основе функционирования которой находится комбинированный метод построения диагностирующей процедуры. Архитектура интеллектуальной системы легочной диагностики представлена на рис. 8. Согласно ей блок входной информации формирует матрицу исходных данных размерности МхЫ, где М - число переменных (симптомов, характеристик и т.п.), а Ы— число наблюдений (больных).

Модуль предварительного анализа служит для исследования особенностей входной информации: наличия и относительного веса переменных качественного характера, пропусков данных; соотношения числа переменных и наблюдений и т.д.

Эксперт (ЛПР) принимает решение о настройках следующего модуля -предварительной обработки по результатам информации предыдущего блока. Данный

блок позволяет при необходимости восстановить пропущенные данные одним из выбранных способов, отбросить «дикие измерения» и т.п.

Модуль многомерного статистического анализа числовых и нечисловых данных позволяет выявить наиболее информативные переменные с точки зрения влияния на диагноз. Его использование позволяет существенно сократить количество рассматриваемых переменных и тем самым снизить требования по количеству наблюдений для построения нейронной сети. В качестве многомерного метода обработки данных целесообразно использовать дискриминантный анализ с итерационной процедурой включения переменных.

В блоке выбора информативных переменных принимается решение о составе переменных, которые используются для построения нейронной модели диагноза заболеваний. При этом эксперт может дополнить перечень подобных переменных, формируемых по результатам работы предыдущего модуля.

Рис. 8. Архитектура гибридной экспертной системы диагностики туберкулезных заболеваний

Следующий блок - построение нейронной классифицирующей сети по заданному множеству входных переменных и диагнозу. Опыт решения подобных задач автором показал, что целесообразно использовать двухслойные нейронные сети прямого распространения с сигмоидальной функцией активации.

В заключительном блоке принятия решения делается вывод о достижении поставленной цели - создании нейронной сети для формирования диагноза заболевания с заданной точностью. Если задача не решена, то осуществляется переход к предыдущим блокам, и вновь повторяется итерационная комбинированная процедура построения модели диагностики.

Применение предложенного математического метода построения этиологического диагноза у больных с изолированными плевральными выпотами позволил выделить наиболее значимые признаки в дифференциации плевритов (табл. 2). При этом для разграничения специфических и неспецифических выпотов такую роль играет клеточный состав экссудата.

Таблица 2

Результаты пошагового дискриминантного анализа_

Значимые признаки Значение дискриминантной функции Коэффициент значимости (1*0,05)

Клеточный состав жидкости 49,879 0,000000

Геморрагический оттенок плевральной жидкости 9,002 0,000287

Увеличение периферических лимфоузлов 6,288 0,002854

В результате для каждого из 3 заболеваний использовалась нейронная сеть с прямой передачей сигнала, которая содержит 3 нейрона на входе с заданными допустимыми граничными значениями. Сеть имеет один скрытый слой, состоящий из

4-х нейронов, и один нейрон на выходе. Скрытый слой использует сигмоидальную функцию активации вида fin)'= 1/(1+ех/?(-л)), а выходной слой линейную функцию fin) = п, где «е(-оо, +<»).

На рис. 9 представлен график сходимости процесса обучения сети для прогнозирования заболевания злокачественного плеврита. Из графика видно, что разработанная сеть обучилась с ошибкой 0,0001, и для этого потребовалось 17 итераций. При тестировании сети правильный результат достигался в 92%. В

среднем точность предсказания диагноза различных заболеваний находится в пределах [86%; 94%].

Разработанная гибридная ЭС "Диагностик" содержит комплекс подпрограмм, состоящих из следующих взаимосвязанных функциональных модулей: предварительного анализа и обработки данных; многомерного статистического анализа и выявления значимых факторов, использующий функции пакета статистического анализа данных (STATGRAPHICS); диагностики злокачественных легочных заболеваний, построенный на основе нейронной сети (Neural Network Toolbox системы Matlab).

Четвертый раздел посвящен особенностям синтеза гибридных систем поддержки принятия решения в организационно-технических системах, содержит описание постановки задачи, этапов синтеза систем, функциональных и структурных схем, а также архитектур программных комплексов, принципов построения инструментальных программных средств для их реализации.

Автоматизация бизнес-процессов, управления, анализа, контроля и прогнозирования финансовых потоков предприятия является важной и актуальной задачей.

Так, одним из наиболее актуальных аспектов при работе с платежным балансом, в частности на предприятиях железнодорожного транспорта, является оперативный анализ фактического его исполнения. Поэтому необходимо разработать систему автоматизации централизованного сбора и анализа данных финансовых потоков по подразделениям железных дорог.

В качестве исходных данных для построения системы использовано формализованное описание процесса хозяйственной деятельности предприятия, а также сводные таблицы данных показателей финансовой отчетности, представленные в виде Excel файлов.

При анализе поставленной задачи построена структурная схема формируемых информационных потоков, которая имеет древовидную структуру, выявлены технические возможности ведомственных сетей и каналов связи.

Автором предложены следующие принципы для организации технологии работы распределенной многофункциональной системы:

1) консолидированные данные по движению денежных средств в виде Excel-файлов с обособленных или линейных предприятий по ведомственным каналам связи передаются на выделенный FTP ресурс;

Рис. 9. График обучения нейронной сети для заболевания злокачественный плеврит

2) с выделенного FTP ресурса переданные данные импортируются внутренними средствами системы в системную базу данных с предварительным анализом и обработкой;

3) после импорта представленных данных доступной для пользователя функциональной частью программного комплекса оператор системы выполняет операции визуального контроля и при необходимости корректировки данных. На основе подсистемы анализа и формирования сводных отчетов пользователь получает консолидированные отчеты данных по формированию плана и факта исполнения платежного баланса дороги;

4) сформированные сводные отчеты внутренними средствами системы по выделенным каналам связи транслируются на вышестоящий структурный уровень.

Формальное описание технологии работы системы с привлечением разработанного автором комбинированного метода структурного синтеза, который позволил выделить основные классы подзадач, определить методы решения, а также знаний экспертов (ведущих специалистов в области анализа и планирования финансовых потоков), сформировать состав структурных и функциональных блоков в виде следующих подсистем: сбора и предварительной обработки данных; вторичной обработки и хранения данных; анализа, обработки и подготовки данных для формирования отчетов; интеллектуального интерфейса и поддержки принятия решений; трансляции сводных отчетов.

Согласно методике структурного синтеза гибридных систем поддержки принятия решений на следующем этапе определены структурные и функциональные связи между отдельными подсистемами, а также осуществлено тестирование полученной системы на некоторых эталонных наборах данных. В качестве тестовых входных данных использовалась информация о финансовой отчетности хозяйственной деятельности предприятий дороги за 2003-2004 г., эталонных - утвержденный финансово-экономической дирекцией ОАО "РЖД" платежный баланс Приволжской железной дороги (ПЖД) за указанный отчетный период. Разработанная структурная схема системы "Платежный баланс" приведена на рис. 10.

Исходные L данные

Подсистема сбора и импорта данных

Блок предварительного анализа и обработки данных

Подсистема вторичной обработки и хранения данных

Подсистема формирования сводных отчетов

Подсистема трансляции сводных отчетов

Выход-

-А -V ные

данные

ЛПР (оператор)

Подсистема интеллектуального интерфейса и поддержки принятия решений

Рис. 10. Структурная схема ГЭС "Платежный баланс" Следующим этапом при разработке системы является проектирование структуры БД, описание функциональной и интерфейсной части программных модулей и их программная реализация. На основе выполненного анализа постановки задачи построена информационная модель данных, а затем задана организация базы данных. При разработке функциональных модулей системы использовались следующие принципы:

- блок предварительного анализа и обработки данных - методы математической статистики обработки данных числовой и нечисловой природы, характеризующихся наличием пропусков, с привлечением ИИ - выбор методов обработки данных по

эвристическим правилам. Блок реализован на языке программирования высокого уровня Borland Delphi 5 с использованием библиотек статистической обработки данных;

- подсистема интеллектуального интерфейса и поддержки принятия решений -построена с применением методов искусственного интеллекта, а именно использовалась база знаний, состоящая из правил продукций, реализованная на языке логического программирования Visual Prolog 5.0. Для организации пользовательского интерфейса применялось разработанное автором инструментальное средство, позволяющее рсалюовывать интерфейсы систем с нечеткими или часто изменяющимися спецификациями - "Конструктор документов оперативного учета";

- при разработке системы вторичной обработки данных, формирования сводных отчетов использовались методы статистической обработки данных.

Программный комплекс "Платежный баланс" является сложной многоуровневой распределенной системой, построенной с учетом современных информационных технологий. Применение WEB и FTP-ресурсов позволило охватить множество структурных подразделений ПЖД и осуществлять централизованную процедуру сбора и анализа данных. Использование системы автоматического обновления программ в составе комплекса обеспечило своевременное и согласованное изменение структуры базы данных с часто меняющейся функциональностью программы. Структурная схема разработанной системы приведена на рис. 11.

Приложение управления данными

Приложение управления данными

WEB сервер

-и

WEB клиент

WEB клиент

WEB клиент

Рис. 11. Архитектура программного комплекса "Платежный баланс"

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработана гибридная модель представления знаний (СОП-модель) для наиболее точного описания предметной области, основанная на применении трех функциональных подходов: правил продукций, семантических сетей, элементов теории объектно-ориентированного подхода, что позволило устранить основные недостатки используемых МПЗ при применении их в организации базы знаний обособленно друг от друга.

2. Описаны базовые классы объектов, реализующие гибридную модель представления знаний в среде программирования Borland Delhi 5.

3. Установлена эмпирическая зависимость скорости принятия решения в базе знаний специализированных гибридных экспертных системах, построенной на основе СОП-модели, от мощности множества методов знаний, которая

позволяет проводить оценочную характеристику скорости вывода решения в интеллектуальных системах.

4. Сформулирована задача синтеза структуры ГЭС как сложной вычислительной системы, выполнена ее математическая постановка и выявлены основные особенности.

5. Разработан обобщенный комбинированный метод синтеза структуры специализированных гибридных экспертных систем поддержки принятия решений на основе принципа декомпозиций в сочетании с методами искусственного интеллекта, алгоритм его реализации, отличающийся от общепринятых подходов к структурному синтезу систем, наличием интеллектуальной компоненты, что позволяет осуществлять структурный синтез ГЭС на начальном этапе проектирования.

6. Предложена эвристическая процедура на основе метода генетического алгоритма для решения задачи оптимизации структуры ГЭС с учетом достижения необходимой точности решения в условиях ограничений на время принятия решений. Исследована эффективность и определены оптимальные значения параметров.

7. Сформулированы принципы построения инструментальных программных средств для создания современных пользовательских интерфейсов специализированных гибридных экспертных систем, отличающихся использованием Интернет и Интранет-ресурсов, что позволяет оперативно осуществлять их адаптивную реализацию в условиях часто изменяющихся, нечетких спецификаций.

8. Показана применимость предложенных методов и функциональных подходов при проектировании и реализации специализированных ГЭС поддержки принятия решений в различных областях: определения природных цеолитов и сфер их применения - "Цеолит", диагностики медицинских заболеваний - "Диагностик", планирования и анализа финансовых потоков - "Платежный баланс".

9. Разработанное программное обеспечение официально зарегистрировано в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ).

10. Результаты работы используются в учебном процессе Астраханского, Саратовского, Тамбовского государственных технических университетов, Московского государственного университета инженерной экологии, в медицине, на более, чем 30 предприятиях Приволжской железной дороги.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

1. Лобанов В. В. Интеллектуальная система по применению природных цеолитов в экологии и медицине / А. А. Большаков, А. В. Григорьева, В. В. Лобанов Н Новые информационные технологии в медицине и экологии: материалы VIII Междунар. конф. -Украина, Крым, Гурзуф, 2000. - С. 151-155.

2. Лобанов В. В. Экспертная система по применению природных цеолитов / А. А. Большаков, А В. Григорьева, В. В. Лобанов // Математические методы в технике и технологиях: сб. трудов ХШ Междунар. науч. конф. - СПб: СП6ГТУ(ТИ), 2000. - С. 45-48.

3. Лобанов В. В. Диагностическая экспертная система сердечно-сосудистых заболеваний/А. А. Большаков, В.В.Лобанов// Математические методы в технике и технологиях: сб. трудов XTV Междунар. науч. конф. - Смоленск: Смоленский ф-л МЭИ, 2001.-Т. 5.-С. 5-7.

4. Лобанов В. В. Использование нейронных сетей для решения ряда оптимизационных задач / A.A. Большаков, В.В Лобанов, Д.В Смирнов II Математические методы в технике и технологиях: сб. трудов XV Междунар. науч. конф. - Тамбов: ТГТУ, 2002. Т.5. С. 78-81.

5. Лобанов В. В Семантический подход к формализации знаний о цеолитах Восточного Забайкалья/ А.А.Большаков, В.В.Лобанов, А.Н.Хатькова// Математические методы в

19

Л006А

технике и технологиях: сб. трудов XVI Междунар. науч. конф. - Ростов н/Д: РГАСХМ, 2003. -Т.4.-С. 170-171.

6. Лобанов В. В. Комбинированный интеллектуальный метод медицинской диагностики/ А. А. Большаков, Н. Е. Казимирова, В. В. Лобанов // Математические методы в технике и технологиях: сб. трудов XVII Междунар. науч. конф. - Кострома: КГТУ, 2004. - Т. 4. - С. 132-138.

7. Лобанов В. В. Синтез гибридной экспертной системы поддержки принятия решений по применению природных цеолитов / А. А. Большаков, В. В. Лобанов // Приборы. 2005. № 10. - С. 2-9.

8. Лобанов В. В. Интеллектуальные системы управления организационно-техническими процессами / А. Н. Антамопшн, О. В. Близнова, А. В. Бобов и др.; под ред. профессора

A. А. Большакова. - М.: Горячая линия - Телеком, 2005. - 164 е.: ил.

9. Лобанов В. В. Управление разработкой программных продуктов с часто изменяемыми или нечеткими спецификациями / В. В. Лобанов, Д. А. Кинцель // Математические методы в технике и технологиях: сб. трудов XVIII Междунар. науч. конф. -Казань: КГТУ, 2005.-Т. 8.-С 160-161.

10. Лобанов В.В. Синтез гибридной экспертной системы поддержки принятия решений по применению природных цеолитов/ В. В. Лобанов // Математические методы в технике и технологиях: сб. трудов XVIII Междунар. науч. конф. - Казань: КГТУ, 2005. - Т. 6. - С 153-155.

11.Платежный баланс/ А.А.Большаков, В.В.Лобанов, О.Г.Федорова: Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. - № 2004611113. - 2004.

12."Экспертная система ЦЕОЛИТ"/ А.А. Большаков, В.В. Лобанов: Свидетельство Роспатента об офиц. Регистр, программы для ЭВМ. - № 2005612342. 2005.

13. Конструктор документов оперативного учета / А. А. Большаков, В.В.Лобанов,

B. Г. Доломанов: Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. -№2005610113.-2005.

14. Система автоматического обновления программ / А. А. Большаков, В.В.Лобанов, В. Г. Доломанов: Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. -№2005612352.-2005.

В работах, написанных в соавторстве, Лобанову В.В. принадлежат следующие результата (общий объём 2,6 п.л.): предложен в [б] комбинированный метод многомерного статистического анализа исходных данных, в [7] формализованы и представлены знания о предметной области в виде СОП-модели, построена функциональная модель гибридной экспертной системы, алгоритмы и их программная реализация, в [8] разработан раздел, связанный с синтезом и применением интеллектуальных систем поддержки принятий решения для практических задач в медицине и экологии.

Лицензия ИД № 06268 от 14.11.01

Подписано в печать 20.12.05 Формат 60x84 1/16

Бум. тип. Усл. печ.л. 1,16 Уч.-изд.л 1,0

Тираж 100 экз. Заказ 462 Бесплатно

Саратовский государственный технический университет

410054 г. Саратов, ул. Политехническая, 77 Отпечатано в РИЦ СГТУ. 410054, Саратов, Политехническая ул., 77

ВВЕДЕНИЕ.

1. ПОСТАНОВКА ЗАДАЧИ СИНТЕЗА СПЕЦИЛИЗИРОВАННЫХ ГИБРИДНЫХ ЭКСПЕРТНЫХ СИСТЕМ.

1.1. Краткий обзор экспертных систем.

1.2. Классификация гибридных экспертных систем.

1.3. Описание методов построения экспертных систем поддержки принятия решений.

1.4. Характеристика задачи синтеза гибридных экспертных систем поддержки принятия решений.;.

1.5. Постановка задачи работы.

Увеличивающаяся сложность современных систем управления в промышленности, экономике, социальной сфере, их взаимная интеграция, а также жесткая конкуренция вызывает необходимость рассмотрения новых классов задач, возникающих при их взаимной интеграции. Каждая из указанных областей имеет свою специфику, проблемы, и сложившие в результате многолетней практики способы и методы решения.

Технический прогресс в этих областях характеризуется внедрением компьютерных технологий и комплексной автоматизации производственных, экономических и других процессов. При этом возникают задачи создания эффективных в определенном смысле систем управления разнородными организационно-техническими, социально-экономическими процессами.

Особую важность представляют задачи, связанные с выработкой и принятием управленческих, производственных, маркетинговых и др. решений, лицом, принимающим решения (ЛПР), от качества которых зависит эффективность функционирования систем управления в этих сферах человеческой жизнедеятельности.

Нередко принятие управленческих решений в этих областях связано с совокупностью задач, которые относятся как к хорошо, так и к плохо формализуемым. Для первых обычно используются регулярные, формализованные методы, неприменимые для плохо и слабо формализуемых задач. Одним из ч наиболее перспективных способов решения задач второго класса (поддержки принятия решений) являются методы искусственного интеллекта, которые позволяют уменьшить Последствия таких отрицательных явлений, связанных с «человеческим фактором», как снижение надежности, качества управления в реальном времени, точности из-за плохого прогноза, а также медленное освоение новых управляющих функций и т.д.

Поэтому для решения задач, характеризующихся одновременно элементами двух вышеуказанных классов, возникает потребность создания комплексных, или гибридных систем автоматизации, а также поддержки принятия решений, которые позволяли бы решать задачи, возникающие на стыке некоторых областей знаний и требующих использования как различных функциональных, так и научных подходов.

Таким образом, создание комплексных систем требует комбинирования или гибридизации различных методов, а именно гибридных экспертных систем автоматизации или поддержки принятия решений.

Гибридные экспертные системы (ГЭС) получают все более широкое распространение в различных областях материального производства и непроизводственной сферы. Основные причины этого заключаются в следующем: во-первых, ГЭС используются для решения относительно более широкого круга неформализованных или плохо формализованных задач, а также рассчитаны на приложения, которые считались малодоступными для вычислительной техники. Во-вторых, ГЭС при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности экспертов. В-третьих, с помощью ГЭС специалисты, не знакомые с программированием, могут самостоятельно разрабатывать интересующие их приложения, что резко расширяет сферу применения вычислительной техники. В-четвертых, комбинирование методов искусственного интеллекта с регулярными позволяет расширить круг решаемых задач. К ним, в частности, относятся анализ и классификация данных, принятие решений в условиях неопределенности: при пропуске данных, сильной зашумленности и т.д.

Вопросам создания интеллектуальных систем поддержки принятия -решения посвящены работы Д. Ф. Люггера, Ж. JT. Лорьера, В. П. Мешалкина, Н. Нильсона, С. Осуга, Э. В. Попова, Г. С. Поспелова, Дж. Слейгла, П. Уинстона и др. В них изложены основные методы синтеза экспертных систем, а также выделено новое направление развития в виде гибридных экспертных систем. Частные случаи применения гибридных экспертных систем для решения ряда прикладных задач в химической промышленности, сфере образования и экономике рассматриваются в трудах JI.C. Берштейна, А. В. Гаврилова, В. П. Мешалкина, JI. Л. Михайлова.

Однако до сих пор не сформулированы общие принципы и подходы разработки структуры гибридных экспертных систем в связи с тем, что для выбранной предметной области не имеется строго формализованного решения. Обычно подобные задачи сводятся к параметрическому синтезу с некоторым возможным набором структурных изменений. Этап синтеза структурных проектных решений может быть формализован методами искусственного интеллекта (ИИ). Для этого используются методы генерации решений экспертами с последующей обработкой проектных решений и далее выбором лучшего согласно заданному критерию. Последним этапом решения задачи является параметрическая оптимизация при «закрепленном» структурном решении.

В процессе создания ГЭС наиболее сложной является работа со знаниями на этапах сбора, формализации, представления и использования. Показатели эффективности функционирования гибридной экспертной системы могут быть улучшены при обоснованном выборе модели представления знаний для наиболее полного описания предметной области.

Существует множество моделей представления знаний. К наиболее распространенным относятся логические, фреймовые и продукционные модели, а также семантические сети. Каждая из них имеет как преимущества, так и недостатки. Поэтому при создании ГЭС необходимо выбрать такую модель представления знаний, которая с требуемой точностью описывает предметную область.

От правильности организации структуры ГЭС зависит не только скорость и качество полученных решений как результата работы экспертной системы, но и возможность ее функционирования в целом.

Сложность решения указанных задач обусловливает необходимость проведения научных исследований методов синтеза гибридных экспертных систем поддержки прйнятия решений в условиях неопределенности.

Цель работы. Повышение эффективности решения задач производственной и непроизводственной сферы жизнедеятельности на основе разработки методов синтеза гибридных экспертных систем поддержки при принятии решений в условиях неопределенности и их апробации при практическом использовании.

Направление исследований связано с использованием принципов совместного применения как регулярных и интеллектуальных методов, так и эвристических способов, предложенных в работах А.А. Большакова, для синтеза ГЭС поддержки принятия решений в условиях неопределенности.

Методика работы. В диссертационной работе применяются методы искусственного интеллекта, математического моделирования, теория графов, статистический анализ, объектно-ориентированное программирование.

Достоверность .и обоснованность диссертационного исследования определяется корректным применением методов исследований и подтверждается результатами моделирования, успешным внедрением разработанных алгоритмов и программных средств в различных организациях и предприятиях.

На защиту выносятся:

1. Гибридная модель представления знаний для наиболее точного описания предметной области в ГЭС.

2. Комбинированный метод синтеза структуры гибридных экспертных систем поддержки принятия решений и алгоритм его реализации.

3. Разработанная гибридная экспертная система «Цеолит», осуществляющая поддержку принятия решений по использованию природных цеолитов.

4. Созданная гибридная экспертная система «Диагностик», позволяющая проводить диагностику и выявление туберкулезных заболеваний.

5. Разработанная гибридная система «Платежный баланс» поддержки принятия решений для анализа и планирования финансовых потоков на железнодорожном транспорте.

6. Инструментальная программная среда создания многоинтерфейсных систем, позволяющая реализовывать многофункциональные пользовательские интерфейсы для гибридных экспертных систем, функционирующих в условиях часто изменяющихся и нечетких спецификаций с использованием Интернет и Интранет-ресурсов.

Научная новизна. Создана гибридная модель представления знаний для описания предметной области, основанная на применении трех функциональных подходов: правил продукций, семантических сетей, элементов теории объектно-ориентированного подхода, что позволило устранить основные недостатки используемых моделей представления знаний при их обособленном применении в организации баз знаний.

Установлена экспериментальная зависимость скорости принятия решения в базе знаний, построенной на основе комбинированной модели, от мощности множества методов знаний, которая позволяет формировать оценочную характеристику скорости принятия решения в специализированных гибридных экспертных системах поддержки принятия решений.

Синтез гибридных экспертных систем представлен как многокритериальная оптимизационная задача и предложен обобщенный комбинированный метод построения структуры ГЭС поддержки принятий решений на основе принципа декомпозиции в сочетании с методами искусственного интеллекта, а также алгоритм его реализации, отличающийся от общепринятых подходов к структурному синтезу, систем. Наличие в комбинированном методе интеллектуальной компоненты позволяет осуществлять структурный синтез ГЭС на начальном этапе проектирования.

Предложена эвристическая процедура, построенная на основе генетического алгоритма, для решения задачи оптимизации структуры ГЭС с учетом достижения необходимой точности решения в условиях ограничений на время принятия решений. Исследована ее эффективность и определены оптимальные значения параметров.

Сформулированы принципы построения инструментальных программных средств при создании современных пользовательских интерфейсов специализированных гибридных экспертных систем, отличающихся использованием Интернет и Интранет-ресурсов, что позволяет оперативно осуществлять их адаптивную настройку в условиях часто изменяющихся, нечетких спецификаций.

Практическая значимость. Предложенный метод представления знаний позволяет наиболее точно описать предметную область и существенно улучшить характеристики специализированных гибридных систем поддержки принятия решений по таким показателям, как скорость и достоверность вырабатываемых рекомендаций.

Показана применимость разработанных функциональных подходов при синтезе и реализации гибридных экспертных систем поддержки принятия решений в различных областях: для диагностики медицинских заболеваний; идентификации природных цеолитов и сфер их применения; анализа и планирования финансовых потоков в условиях неопределенности.

На основе предложенных моделей и методов разработана гибридная экспертная система «Цеолит», позволяющая осуществлять поддержку принятия решений в области определения природных цеолитов по набору физико-химических свойств минерала.

Созданные функциональные подходы применены при проектировании и реализации гибридной системы поддержки принятия решений в области медицинской диагностики, для выявления значимых факторов легочных заболеваний.

Разработана и внедрена гибридная система поддержки принятия решений в области планирования и анализа финансовых потоков, формирования платежного баланса более чем на 30 предприятиях железной дороги.

Результаты работы также используются в учебном процессе в Астраханском, Саратовском и Тамбовском государственных технических университетах, в Московском государственном университете инженерной экологии.

Реализация и внедрение результатов работы. Результаты диссертационной работы использованы при создании ряда гибридных экспертных систем и систем поддержки принятия решений, внедренных в промышленности, медицине, экологии:

- «Цеолит» (выбор цеолитов для использования в промышленности, медицине и экологии);

- «Диагностик» (диагностика легочных заболеваний);

- «Платежный баланс» (поддержка принятия решений анализа и планирования финансовых потоков).

Апробация работы. Результаты работы докладывались на международных научных конференциях: Математические методы в технике и технологиях (ММТТ) - ММТТ-15 (Тамбов, 2002), ММТТ-16 (Ростов-на-Дону, 2003), ММТТ-17 (Кострома, 2004), ММТТ-18 (Казань, 2005), Современные информационные технологии в медицине и экологии ИТМЭ-2003 (Смоленск, 2003), Новые информационные технологии в медицине и экологии (Украина, Крым, Гурзуф. 2000), на научных семинарах кафедры «Системы искусственного интеллекта» СГТУ 2001-2005 гг.

Публикации. Основные положения диссертации отражены в 14 публикациях, в том числе 4 свидетельствах Роспатента на программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка использованной литературы и приложения. Основная часть диссертации изложена на 136 страницах, содержит 33 рисунка, 8 таблиц. В приложении приведены копии авторских свидетельств и акты внедрения разработанных программных систем.

Ю.Результаты работы используются в учебном процессе Астраханского, Саратовского, Тамбовского государственных технических университетов, Московского государственного университета инженерной экологии, в медицине, на более, чем 30 предприятиях Приволжской железной дороги.

ЗАКЛЮЧЕНИЕ

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

2. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры: Пер. с англ.-М.: Мир, 1989. -388 с.

3. Уотермен-Д. Руководство по экспертным системам: Пер. с англ. -М.: Мир, 1989. -388 с.

4. Попов Э. В. Особенности разработки и использования экспертных систем // Искусственный интеллект. В 3 кн. Кн. 1. Системы общения и экспертные системы: Справочник/ Под ред. Э. В. Попова.- М.: Радио и связь, 1990.- с. 261-290.

5. Поспелов Г. С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.- 280 с.

6. Allen R. Н., Boamet М. В., Culbert С. J. et al/ Using hybrid expert system approaches for engineering applications// Engineering with Computers/-1987/ Vol. 2.-N2.-P. 95- 110.

7. Попов Э. В. Экспертные системы 1990 (классификация, состояние, проблемы, тенденции)// Новости искусственного интеллекта,- 1991.-№2.-С. 84-101.

8. Любарский Ю.Я. Интеллектуальные информационные системы. -М.: Наука. Гл. ред. физ.-мат. лит., 1990. 232 с.

9. Рот М. Интеллектуальный автомат: компьютер в качестве эксперта: пер. с нем. М.: Энергоатомиздат,1991. - 80 с.

10. Искусственный интеллект: в 3 кн. Кн. 1. Системы общения и Экспертные системы: справочник. /Под ред. Э.В. Попова. М: Радио и связь, 1990. 464 с.

11. Герман О.В. Введение в теорию экспертных систем и обработку знаний. Минск.: ДизайнПРО, 1995. -255с.

12. Статические и динамические экспертные системы. /Попов Э.В, Фоминых И.Б., Кисель Е.Б., Шопот М.Д. М: Финансы и статистика, 1996.320 с.

13. Марселлус Д. Программирование экспертных систем на Турбо-Прологе: Пер. с англ. М.: Финансы и статистика, 1994. 256 с.

14. Нейлор К. Как построить свою экспертную систему. М.:Энергоиздат,1991. 286 с.

15. Малышев Н.Г., Берштейн JI.C, Боженюк А.В. Нечеткие модели для экспертных систем в САПР. М: Энергоиздат, 1991. - 136 с.

16. Мешалкин В.П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения. М.: Химия, 1995. - 386 с.

17. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для ЭС. М: Радио и связь, 1992. 199 с.

18. Приобретение знаний. Осуга С, Саэки Ю., Судзуки X. и др. Под ред. Осуги С, Саэки Ю. М.: Мир, 1990. 304с.

19. В. О. Сафонов. Экспертные системы интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества "Знания" России, 1992.

20. Н. Д. Нильсон. Искусственный интеллект. Методы поиска решений.- М.: Мир, 1973.

21. Дур У.А., Хаун Р.А. Зусман Д. Породообразующие минералы, Т 4, Каркасные соединения. М.: Мир 1966 г.

22. Использование природных цеолитов в народном хозяйстве. Материалы всесоюзного совещания. Новосибирск 1991 г. Ч 1, Ч 2.

23. Челищев Н.Ф., Володин Н.Ф., Крюков B.JI. Ионообменные свойства природных высококремнистых цеолитов./ М.: Наука 1988 г.

24. Челищев Н.Ф., Беренштейн Н.Ф., Володин В.Ф. Цеолиты новый тип минерального сырья./ М.: Наука 1987 г.

25. Белицкий И.А., Габуда С.П. Природные цеолиты. Тбилиси. Изд. Мецниереба 1987 г.

26. Natural Zeolites '93, D.W. Ming and F.A. Mumpton, eds., pp 289297. Copyright © 1995 r.

27. Батыршин И.З. К анализу предпочтений в системах принятия решений // Тр. МЭИ. М., 1981. Вып. 533. Вопросы оптимизации больших систем.

28. Поспелов Д.А. Моделирование рассуждений Опыт анализа мыслительных актов М. РиС, 1989 г.

29. Oshuga S. Toward intelligent CAD systems// Computers-Aided Design.- 1989. V. 21.-N5.-P. 315-337.

30. Крипке С. А. Семантическое рассмотрение модальной логики // Семантика модальных и интенсиональных логик. М., 1981.

31. Убейко В.М. Применение экспертных систем в автоматизированных системах проектирования и управления. Обзор информ. Машиностроительное производство. Сер. Автоматизированные системы, вып. 3. М.: ВНИИШТЭМР, 1990. - 54 с.

32. Мешалкин В. П., Богомолов Б. Б. Функционально-информационная структура интеллектуальной системы оптимальной компоновки оборудования химических производств// Хим. пром. 1990. №1 1. С. 691-694.

33. Переверзев-Орлов С. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука, 1990.- 133 с.

34. Шмелева А. Экспертные системы в медицине// HARD 'n' SOFT: Компьютерный журнал для широкого круга пользователей. Вып. 3, март 1995, с. 70- 74.

35. Фоминых И.Б. Принципы построения гибридных интеллектуальных систем реального времени// Труды международного конгресса 1САГ2001 «Искусственный интеллект в XXI веке» М.: Физматлит. 2001. Т.2. - С. 570-583.

36. Лозовский B.C. Сетевые модели // Искусственный интеллект. В Зх кн. Кн.2. Модели и методы: Справочник / Под ред. Д. А. Поспелова. - М.: Радио и связь, 1990. с. 28-49.

37. Кузнецов И.П. Механизмы обработки семантической информации. М.: Наука, 1978. 115с.

38. Кузнецов И.П. Расширенные семантические сети для представления и обработки знаний // Системы и средства информатики: Ежегод. Вып. 4 / РАН. Ин-т проблем информатики М., 1993. с. 70-83.

39. Осипов Г.С. Построение моделей предметных областей. 41. Неоднородные семантические сети// Известия РАН. Техническая кибернетика, 1990, №5, с.32-45.

40. Представление знаний в человеко-машинных и робототехниче-ских системах. Т.А. Фундаментальные исследования в области представления знаний. М.: ВИНИТИ, 1984.

41. Клещев А.С. Представление знаний. Методологические формализмы, организация вычислений и программная поддержка// Прикладная информатика. 1983. - Вып.1. - С. 49-94

42. Молокова О.С. Формирование индивидуального объяснения в экспертных системах// Изв. АН СССР: Техническая кибернетика. 1985. -№5.-С. 103-114.

43. Молокова О.С. Формирование индивидуального объяснения в экспертных системах// Изв. АН СССР: Техническая кибернетика. 1985. -№5.-С. 103-114.

44. Алексеева Е.Ф., Стефанюк В.Л. Экспертные системы состояние и перспектива// Изв. АН СССР: Техническая кибернетика. - 1984. - № 5. - С. 153-167.

45. Захаров П.А. Принятие решений при управлении запасами с использованием гибридных систем // Сб. научн. трудов научной сессии МИФИ-2000, Москва, 18-21 января 2000, Том 3, С.97-98.

46. Крючков М.Ю. Гибридные системы моделирования в реинжиниринге предприятий// Сб. научн. трудов научной сессии МИФИ-2000, Москва, 18-21 января 2000, Том 3, С. 66-67.

47. Минский М. Фреймы для представления знаний. М.: Энергия, 1979.151 с.

48. Сильдмяэ И., Кяй Р. Знания, мышление и искусственный интеллект // Всесоюз. конф. по искусственному интеллекту, 21-25 нояб. 1988 г., Переславль-Залесский: Тез. докл. М.,1988.

49. Экспертные системы: Состояние и перспективы / Под ред. Д.А. Поспелова. М.: Наука, 1989. 152 с.

50. Экспертные системы: Принципы работы и примеры / Под ред. Р.Форсайта. М.: Радио и связь, 1987. 224 с.

51. Астанин С.В., Берштейн Л.С., Захаревич В.Г. Проектирование интеллектуального интерфейса «человек-машина», Ростов-на-Дону: Изд.РГУ, 1991.-1 Юс.

52. Представление знаний в человеко-машинных и робототехниче-ских системах. Т.А Фундаментальные исследования в области представления знаний. М.: ВЦ АН СССР, ВИНИТИ, 1984,-262с.

53. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.- 198 с.

54. Змитрович А.И. Интеллектуальные информационные системы. -Мн.: НТООО «ТетраСистемс», 1997.- 368 с.

55. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: Мир, 1991.- 586 с.

56. Представление и использование знаний // Под ред. Уэно Т., Исидзука М. М.: Мир, 1989.- 230 с.

57. Методические рекомендации по системному проектированию диалоговой САПР процесса планирования и управления // В.В. Емельянов, В .Я. Полыскалин,-В. Д.Чертовской и др.-М.: ЦНТИ «ПОИСК», 1988. -329с.

58. Выбор методов и средств конструирования экспертных систем. Методические рекомендации М.00.284-87. -Калинин: НПО Центрпрограм-мсистем, 1988.-46с

59. Симонов В.В., Корнилов Л.А., Шашелев А.В., Шокин Е.В. Оборудование ионной имплантации. М.: Радио и связь, 1988. - 184 с.

60. Сысоев В.В. Автоматизированное проектирование линий и комплектов оборудования полупроводникового и микроэлектронного производства. М.: Радио и связь, 1982. - 120 с.

61. Быков В.П. «Методическое обеспечение САПР в машиностроении», Л.: Машиностроение, Ленингр. отд., 1989. 255 с.

62. Норенков И.П., Маничев В.Б. Основы теории и проектирования САПР: Учебник для втузов. М.: Высшая школа, 1990. - 335 с.

63. Половинкин А.И. Основы инженерного творчества: Учебное пособие для студентов втузов. М.: Машиностроение, 1988. - 368 с.

64. Андреев Л.В. О совместительстве в мире конструкций. / Машиностроитель, 1991. - №5оя04, - с. 6 - 9.

65. Автоматизация поискового конструирования (искусственный интеллект в машинном проектировании). / Под. ред. Половинкина А.И. М.: Радио и связь, 1981. - 344 с.

66. Батищев Д.И. Поисковые методы оптимального проектирования.- М.: Советское радио, 1975. 216 с.

67. Остапенко О.Г. Анализ и синтез линейных радиоэлектронных цепей с помощью графов: Аналоговые и цифровые фильтры. М.: Радио и связь, 1985. - 280 с.

68. Половинкин А.И. Методы инженерного творчества. Волгоград, 1984. - 365 с.

69. Вермишев Ю.Х. Методы автоматического поиска решений при проектировании сложных технических систем. М.: Радио и связь, 1982. -152 с.

70. Батищев Д.И. Поисковые методы оптимального проектирования.- М.: Советское радио, 1975. 216 с.

71. Масленников П.Н., Сысоев В.В. Оптимизация структуры линий полунепрерывного производства при их проектировании. Воронеж: ВГУ, 1979. - 108 с.

72. Райцын Т.Н. Синтез систем автоматического управления методом направленных графов. JL: Энергия, 1970. - 96 с.

73. Тащина А.Г. Алгоритм автоматизированного синтеза схем криогенных установок. // Труды МЭИ. 1978, вып. 386, - с. 149 - 154.

74. Дворянкин A.M., Половинкин А.И., Соболев А.Н. Методы синтеза технических решений. М.: Наука, 1977. - 104 с.

75. Цвиркун А.Д. Основы синтеза структуры сложных систем. М.: Наука, 1982. - 200 с.

76. Корячко В.П., Курейчик В.М., Норенков И.П. Теоретические основы САПР. М.: Энергоатомиздат, 1987. - 400 с.

77. Цвиркун А.Д., Акинфиев В.К. и др. Имитационное моделирование в задачах синтеза структуры сложных систем: Оптимизационно-имитационный подход. М.: Наука, 1985. - 173 с.

78. Волчкевич Л.И., Кузнецов Н.А. Выбор оптимальной структуры многопозиционных автоматов электронной промышленности. // Электронная техника, Сер. 7. Технология, организация производства и оборудование. Вып. 3 (82).- 1977.-с. 61 -74.

79. Добров Е.М., Ершов Ю.В., Левин Е.И., Смирнов Л.П. Экспертные оценки в научно-техническом прогнозировании. Киев: Наукова думка, 1974.- 160 с.

80. Бешелев С.Д., Гурвич Ф.Г. Математико-статистичекие методы экспертных оценок. М.: Статистика, 1980. - 263 с.

81. Бажин И.И., Беренгард Ю.Г., Гайцгори М.М. и др. Автоматизированное проектирование машиностроительного гидропривода. // Под ред. Ермакова С.А. М.: Машиностроение, 1988. - 312 с.

82. Чичварин Н.В. Экспертные компоненты САПР. М.: Машиностроение, 1991. - 240 с.

83. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М., Радио и связь. -1992. - 200с.

84. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. -СПб, «БХВ-Петербург», 2003.- 606с. (Часть I -«Экспертные системы»).

85. Каримов Р. Н. Обработка экспериментальной информации. 4.1. Разведочный анализ. Анализ качественных данных / Р. Н. Каримов. Саратов: Изд-во Сарат. гос. техн. ун-та, 2002. - 112 с

86. Каримов Р. Н. Обработка экспериментальной информации. 4.2. Регрессионный анализ. / Р. Н. Каримов. Саратов: Изд-во Сарат. гос. техн. ун-та, 2002. - 113 с

87. Каримов Р. Н. Обработка экспериментальной информации. Ч.З. Многомерный анализ. / P. Н. Каримов. Саратов: Изд-во Сарат. гос. техн. унта, 2003.- 113 с

88. Каримов P. Н. Обработка экспериментальной информации. 4.4. Анализ случайных процессов / P. Н. Каримов. Саратов: Изд-во Сарат. гос. техн. ун-та, 2001. - 101 с.

89. Литтл Р. Дж. А., Рубин Д.А. Статистический анализ данных с пропусками/ Пер. с англ. М.: Финансы и статистика, 1990. 366 с.

90. Современная прикладная теория управления: Оптимизационный подход в теории управления/Под ред. А.А. Колесникова. — Таганрог: Изд-во ТРТУ, 2000. Ч. I 400 с.

91. Смелянский Р.Л. Модель функционирования распределённых вычислительных систем// Вестник МГУ, сер. 15, Вычислительная математика и кибернетика, 1990. Вып. 3.

92. Holland J. N. Adaptation in Natural and Artificial Systems. Ann Arbor, Michigan: Univ. Michigan Press, 1975.

93. Zbignev Michalewiz. Genetic Algorithms + Data Structures = Evolution Programs // Third, revised and extended edition Springer, 1999.

94. Лобанов В.В. Синтез гибридной экспертной системы поддержки принятия решений по применению природных цеолитов/ А. А. Большаков, В.В. Лобанов., // Приборы. 2005. № 10. С. 2-9.

95. Лобанов В. В. Экспертная система по применению природных цеолитов / А. А. Большаков, А. В. Григорьева, В. В. Лобанов // Математические методы в технике и технологиях: Сб. трудов 13 Международ, науч. конф. СПб: ПГТУ(ТИ), 2000. - С. 45-48

96. Большаков А.А., Лобанов В.В., Смирнов Д.В. Использование нейронных сетей для решение ряда оптимизационных задач // Сб. трудов 15 Международ, науч. конф. "Математические методы в технике и технологиях". Тамбов: ТГТУ. 2002 Т.5 С. 78-81.

97. Интеллектуальные системы управления организационно-техническими процессами / А. Н. Антамошин, О. В. Близнова, А. В. Бобов, и др.; под ред. А. А. Большакова. М.: "Горячая линия - Телеком", 2005. - 190с.

98. Конструктор документов оперативного учета / А. А. Большаков, В. В. Лобанов, В. Г. Доломанов: Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2005610113. - 2005.