автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Оценка структурной сложности программных средств в промышленности на ранних стадиях жизненного цикла

□□3474Э06

На правах рукописи

Демирский Александр Анатольевич

ОЦЕНКА СТРУКТУРНОЙ СЛОЖНОСТИ ПРОГРАММНЫХ СРЕДСТВ В ПРОМЫШЛЕННОСТИ НА РАННИХ СТАДИЯХ ЖИЗНЕННОГО ЦИКЛА

Специальность: 05ЛЗ.01 - Системный анализ, управление и обработка

информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

003474906

На правах рукописи

Демирский Александр Анатольевич

ОЦЕНКА СТРУКТУРНОЙ СЛОЖНОСТИ ПРОГРАММНЫХ СРЕДСТВ В ПРОМЫШЛЕННОСТИ НА РАННИХ СТАДИЯХ ЖИЗНЕННОГО ЦИКЛА

Специальность: 05.13.01 - Системный анализ, управление и обработка

информации (в промышленности)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Работа выполнена в Тверском государственном техническом университете.

Научный руководитель: доктор технических наук, профессор

Палюх Борис Васильевич

Официальные оппоненты: доктор технических наук, профессор

Михно Владимир Николаевич

•доктор технических наук, доцент Пильщиков Дмитрий Евгеньевич

Ведущая организация: Московский государственный технологический

университет «СТАНКИН»

Защита состоится « !9у> июня 2009 г. в /6 часов на заседании диссертационного совета Д212.262.04 в Тверском государственном техническом университете по адресу: 170026, г.Тверь, наб. Афанасия Никитина, 22, комн. 212.

С диссертацией можно ознакомиться в библиотеке Тверского государственного технического университета по адресу г.Тверь, пр. Ленина, 25, зональная научная библиотека, ком. 101.

Автореферат размещен на сайте ТГТУ http://www.tstu.tver.ru/new_struct/phd/ Автореферат разослан « » мая 2009 г.

Ученый секретарь диссертационного совета

О

/Г

доктор технических наук, профессор Филатова Наталья Николаевна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Возрастающая сложность объектов автоматизации промышленных предприятий и увеличение их количества, а также переход к комплексным интегрированным решениям, приводят к увеличению сложности и количества проектов по созданию программных средств (ПС), входящих в состав автоматизированных систем управления предприятием (АСУП). Массовое создание сложных ПС промышленными методами и большими коллективами специалистов требует четкой организации процесса разработки ПС на основе планирования работ по проекту с оценкой необходимых ресурсов и времени для их реализации. Точность и оперативность подобных оценок напрямую влияет на качество разрабатываемых ПС и риск неуспешного завершения проекта.

Согласно стандарту ГОСТ Р ИСО/МЭК 12207-99 «Информационные технологии - Процессы жизненного цикла программ» начальным этапом процесса «Разработка» является этап анализа, цель которого - выявление, классификация и формализация информации обо всех аспектах предметной области, влияющих на свойства конечного продукта, и именно этот этап оказывает определяющее влияние на качество результатов всего проекта. На данном этапе разработчику создаваемого ПС необходимо провести оценку реализуемости проекта в условиях и ресурсах, предлагаемых заказчиком. Именно на этом этапе сторонами, участвующими в разработке ПС, принимаются договорные обязательства. Следствием недостатков или отсутствия технико-экономического обоснования проектов разработки ПС является неверная оценка преимуществ новой программной разработки, недооценка роли других конкурирующих предложений, неизбежный перерасход средств и снижение качества ПС.

Одним из основных факторов влияющим на точность оценки необходимых ресурсов и времени для реализации ПС является его структурная сложность. В современных методах практически не представлены формализованные процедуры для прогнозирования сложности разрабатываемого ПС, адаптируемые к условиям конкретного проекта. Применение существующих методов оценки ПС на практике оказывается весьма трудоемким и доступно только сертифицированным специалистам, кроме того, они не учитывают использование современных технологий разработки ПС.

Таким образом, разработка научно обоснованных методов оценки структурной сложности ПС является актуальной научно-технической проблемой, имеющей существенное значение в условиях финансового кризиса, когда эффективность АСУП как инструмента жесткого контроля над расходами и гибкого управления затратами особенно очевидна.

Цель и задачи исследования. Целью диссертационной работы является повышение оперативности и точности планирования процесса разработки ПС АСУП.

Для достижения цели были поставлены и решены следующие задачи:

• формирование требований к процессу обработки информации для оценки структурной сложности ПС на основе анализа существующих подходов;

• разработка метода оценки структурной сложности ПС с использованием нечетких моделей;

• разработка алгоритма обработки информации для построения моделей оценки структурной сложности программных объектов ПС на основе данных завершенных проектов;

• разработка рекомендаций для выбора единиц измерения размера программного средства, которые могут быть использованы в модели оценки структурной сложности ПС на ранних этапах жизненного цикла.

• формирование перечня программных объектов, доступных на этапе проектирования интерфейса пользователя, для построения моделей оценки структурной сложности с использованием предложенного метода;

• разработка методики оценки структурной сложности ПС для начальных этапов процесса разработки на основе макета интерфейса пользователя и описания структуры данных;

• оценка точности прогнозирования структурной сложности ПС;

• разработка информационной системы (ИС) интеллектуальной поддержки управленческих решений, реализующей предложенный метод оценки структурной сложности ПС.

Объектом настоящего исследования являются ПС входящие в состав АСУП промышленных предприятий.

Предметом исследования является метод интеллектуального анализа данных для нахождения точных параметров планирования проекта разработки ПС для промышленных предприятий.

Методы исследований. Исследование основано на методологии научного познания, системном анализе, теоретических основ проектирования и разработки информационных ' систем. В качестве конкретных методов исследования применялись методы теории искусственных нейронных сетей, вероятностной и математической статистики, нечеткой логики.

Научная новизна. К наиболее существенным научным результатам относятся следующие.

1. Разработан гибридный нейро-нечеткий метод обработки информации для создания моделей оценки структурной сложности ПС АСУП промышленных предприятий.

2. Разработаны модели с использованием предложенного метода для оценки структурной сложности ПС на ранних этапах жизненного цикла.

3. Разработана методика оценки размера ПС на основе использования данных эскизного проектирования интерфейса пользователя ПС и разработанных моделей.

4. Разработана архитектура ИС, реализующая предложенный метод оценки структурной сложности ПС, для интеллектуальной поддержки

управленческих решений при планировании материальных и временных

ресурсов необходимых для разработки ПС.

Практическая значимость работы состоит в разработке методов обработки информации и методик их применения, которые позволяют оценить структурную сложность ПС и повысить точность оценки необходимых ресурсов для создания ПС АСУП, уменьшить риски срыва сроков проекта и/или увеличения сметной стоимости разработки системы, повысить качество разрабатываемого ПС.

Реализация результатов. Разработанные в диссертации модели и методики реализованы в составе программного средства «Планирование проектов ПС», внедренным в ОАО «Государственный испытательный центр программных средств и вычислительной техники». Разработанное ПС применяется для оценки параметров проектов разработки заказных ПС, входящих в состав АСУП промышленных предприятий.

Методические и теоретические результаты диссертации используются в учебном процессе Тверского государственного технического университета в курсе «Проектирование информационных систем».

Результаты работы использованы в НИОКР «Разработка методического и инструментального обеспечения поддержки планирования материальных и временных затрат на разработку программного обеспечения АИС органов государственной власти, создаваемого в рамках работ по реализации мероприятий федеральной целевой программы «Электронная Россия (20022010 годы)». Указанная НИОКР зарегистрирована в едином реестре результатов научно-технической деятельности Роснауки номер 13293.6904003214.07.1.001.2.

Апробация работы. Результаты работы докладывались и обсуждались:

- на международной научно-практической конференции «Управление большими системами - 2007», Институт проблем управления РАН, 2007 г.;

- на международных научно-технических конференциях «Математические методы в химии и технологиях» №9, Тверь 1995г., №10, Новомосковск 1997г., №11, Владимир 1998г.;

- на научных семинарах кафедры «Информационные системны» Тверского государственного технического университета;

- на экспертном совете Федерального агентства по информационным технологиям (Росинформтехнологии) Минкомсвязи России с участием ведущих специалистов. По итогам обсуждения было принято решение об использовании результатов работы в практической деятельности Росинформтехнологии (протокол №1/НИОКР от 5 декабря 2007 г.).

Публикации. По теме диссертации опубликовано 6 научных статей, в том числе 1 статья в журнале из перечня ВАК.

Структура и объемы работы. Диссертационная работа состоит из введения, четырех глав, заключения, одного приложения и списка литературы. Общий объем диссертации 161 страница, в том числе 62 рисунка, 10 таблиц, список литературы из 156 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследований, приводится краткое содержание работы по главам.

В первой главе приведен анализ факторов влияющих на характеристики программных проектов АСУП; выделен фактор структурной сложности ПС как один из основных определяющих точность оценок необходимых ресурсов на разработку ПС; произведен анализ существующих методов оценки структурной сложности ПС; сформулированы требования к технологии оценки параметров проекта разработки ПС на основе прогнозирования его структурной сложности.

Особенностью управления проектами программных средств является трудность измерения характеристик таких объектов. Сложность оценки обусловлена неопределенностью характеристик предполагаемого продукта и технологических этапов процесса разработки ПС. Широкий спектр количественных и качественных показателей, которые с различных сторон характеризуют содержание этих объектов, и невысокая достоверность их значений, определяют значительную дисперсию оценок характеристик проектов разработки ПС.

Без должных подходов к управлению проектами разработки ПС, направленных на уменьшение неопределенности, велика вероятность перехода проекта в состояние «стихийности», которое приводит к ухудшению качества ПС, значительному запаздыванию разработок и превышению предполагавшихся затрат. Прогнозирование параметров проекта является ключевой задачей управления проектом. Точность прогнозов позволяет избежать описанных негативных последствий.

Среди наиболее известных работ, посвященных методам оценки ПС, следует отметить работы российских ученых: A.M. Вендрова, Е.З. Зиндера, Г.Н. Калянова, СЛ. Котова, В.В. Липаева, С.А. Орлова, Б.В. Палюха и др. Среди зарубежных можно выделить труды таких авторов как A. Albrecht, В. Boehm, J. Capers, Т. DeMarco, R. Futrell, S. McConnell, L. Putnam, R. Stutzke и др.

Как показывают исследования Б. Боэма и Л. Путнэма, характер проектируемой системы и структурная сложность ее программного обеспечения, являются самыми значительными факторами, от которых зависят затраты ресурсов на разработку ПС. Для оценки структурной сложности существует достаточное количество метрик: Холстеда, Маккейба, Майерса, Джилба, Хансена, Вудворда. Однако все они подразумевают обязательное наличие для анализа либо текста самой программы, либо подробного алгоритма ее работы. Этот факт делает неприемлемым использование данных подходов на ранних этапах жизненного цикла ПС, когда у разработчика имеются только концептуальные модели архитектуры будущего ПС и отдельные эскизные проектные решения. Размер ПС является самой распространенной характеристикой для оценки структурной сложности на ранних этапах процесса разработки. Размер ПС в современной практике, среди всех факторов, влияющих на параметры проекта, изменяется в самом широком диапазоне на

три - четыре порядка от 104 до 107 строк текста программ. Поэтому методам его оценивания уделяется большое внимание. .

На сегодняшний момент времени решение задач оценки технико-экономических параметров проектов разработки ПС производится, в основном, с помощью экспертных методов. Такие оценки имеют сильную зависимость от компетенции и объективности эксперта. Подобные оценки могут быть легко и быстро получены, но, одновременно, и трудно проверяемы, и слабо обоснованы.

В результате обзора формальных методов прогнозирования размера ПС, используемых на ранних этапах жизненного цикла, можно привести сводную таблицу с указанием преимуществ и недостатков имеющихся подходов (см. табл. 1).

Самой простой и наиболее широко используемой метрикой измерения размера ПС является размер программы в строках кода (Line of code, LOC). В качестве метода оценивания размера ПС с помощью данной метрики используется метод аналогий. При его использовании возникают трудности с определением параметров, по которым определяется подобие проектов. Обычно эти параметры определяются экспертным методом, что вносит определенную долю субъективности в оценку.

Таблица №1. Сравнение методов оценки размера ПС

Методы определения размера ПС ! Ед. измерения Независимость от среды разработки Легкость применения Отсутствие влияния субъективности на результат Калибровка по историческим | данным Универсаль -ность для различных типов проектов

Аналогии LOC - ± - + ±

Function Points FP + - ± - -

Object Points OP + + ± - -

Метод функциональных баллов (ftmctional point, FP) позволяет определить размер ПС в абстрактных единицах измерения, отражающих его функциональность - функциональных баллах. Это позволяет устранить зависимость оценки от среды разработки. Кроме того, подобные абстрактные единицы измерения хорошо подходят для оценок размера проекта на ранних этапах жизненного цикла ПС. Однако сама методика применима только для определенного типа ПС - систем обработки данных - и не является универсальной. Расчет количества функциональных баллов требует значительного времени на сбор данных о системе. Точность сильно зависит от квалификации специалиста производившего оценку. Метод оперирует многими понятиями неиспользуемыми в современном объектно-ориентированном подходе разработки ПС.

Метод объектных баллов (object point, OP) является развитием идеи заложенной в методе функциональных баллов. При подсчете используются более крупные программные объекты, чем в предыдущем методе. Это позволяет производить оценку быстрее и проще. Метод еще менее

универсальный, чем метод функциональных баллов, так как использует для подсчета ограниченный набор программных объектов - только окна, отчеты и ЗвЬ компоненты. При этом каждый программный объект должен быть отнесен к определенной группе сложности с использованием процедуры экспертной оценки.

По результатам анализа существующих методов оценки структурной сложности ПС, можно констатировать, что они в разной степени удовлетворяют основным требованиям, предъявляемым к технологии прогнозирования параметров проекта разработки ПС, но не достаточно гибко учитывают разнообразные факторы, влияющие на размер проекта, а их применение на практике оказывается весьма трудоемким и дорогостоящим.

В связи с этим возникла необходимость создания метода, позволяющего автоматизировать процесс оценки необходимых ресурсов и времени для разработки ПС АСУП с учетом следующих требований:

• метод должен базироваться на оценке размера разрабатываемого ПС;

• метод должен обеспечивать необходимую точность и оперативность оценки времени и ресурсов требуемых для разработки ПС уже на ранних стадиях процесса разработки;

• метод должен исключить или уменьшить влияние экспертных оценок;

• метод должен быть применим для оценки параметров проектов ПС АСУП;

• метод должен обеспечивать настройку модели оценки по данным завершенных проектов;

• метод должен обеспечивать автоматизацию всего процесса сбора, подготовки данных и получения оценок.

Вторая глава посвящена разработке метода моделирования программных систем для оценки их структурной сложности.

Определение размера ПС производится на основе оценок размера отдельных его программных объектов. Под программными объектами понимаем структурные элементы ПС, для создания которых требуются большие трудозатраты. Все программные объекты в рамках одного типа ПС можно объединить в классы. Для каждого класса разрабатывается отдельная модель для оценки структурной сложности в зависимости от значений характеристик (свойств) программных объектов.

Сложность экземпляров класса объектов ПС определяется с помощью базы знаний (БЗ), построенной на правилах нечеткого вывода. Роль БЗ -

идентификация нелинейной зависимости у = ф(Х), где X - вектор значений количественных свойств класса объектов ПС; у - значение размера объекта ПС в условных единицах измерения, отражающее его структурную сложность.

Для построения частных моделей оценки сложности объектов ПС предлагается использовать метод двухэтапной идентификации нелинейных зависимостей с помощью нечетких баз знаний. Первый этап - структурная идентификация - представляет собой формирование нечеткой базы знаний, которая грубо отражает взаимосвязь между входами и выходом с помощью

лингвистических правил «ЕСЛИ-ТО». Лингвистические правила генерируются в результате экстракции нечетких знаний из имеющейся статистики. На втором этапе проводится параметрическая идентификация исследуемой зависимости путем нахождения таких параметров нечеткой базы знаний, которые минимизируют отклонение модельных результатов и имеющейся статистики. Данный подход реализуется путем использования нечетких нейронных сетей, способных одновременно формировать нечеткие правила и адаптировать функции принадлежности путем модификации весов связей в процессе обучения.

Основная особенность рассматриваемых моделей заключается в том, что заключения правил представляются не в виде принадлежности выходной переменной к нечетким множествам, а в форме функциональных зависимостей (нейронная продукционная сеть Такаги-Сугено-Канга):

П;-. ЕСЛИ хг есть Ац И ... И X/ есть А,-,- И ... И х„, есть А¡т

то у = с(0+£с#х;,1 = 1,...,п.

м

Где А у - нечеткое множество, отражающее значение характеристики программного объекта л:,-, с функцией принадлежности ц(х)\ X/ - количественная характеристика объекта ПС, определяющая его структурную сложность; у -четкая выходная переменная равная искомому размеру объекта ПС, определяемая четкой функцией от значений характеристик объекта ПС; п -количество правил; т - количество входных переменных.

При ограниченном наборе обучающих данных возможно использование упрощенной модели, когда заключения правил заданы синглетонами (выходная переменная представляется константой): у = с,,» = 1,...,я.

База знаний трактуется как некоторое разбиение пространства влияющих факторов на нечеткие подобласти, в каждой из которых значение функции отклика рассчитывается как линейная комбинация входов. Правила являются своего рода переключателями с одного линейного закона «входы-выход» на другой, тоже линейный. Границы подобластей размытые, следовательно, одновременно могут выполняться несколько линейных законов, но с различными весами. Результирующее значение выхода у определяется как суперпозиция линейных зависимостей, выполняемых в данной точке X и-мерного факторного пространства:

м

Пехр

м

У =

ЁПехр

/=1

ь.

(1)

в

задания

выражении функций

(1) подразумевается использование функции Гаусса для принадлежности всех нечетких множеств входных

переменных, где а и Ь - параметры функции Гаусса.

На рис. 1 представлен обобщенный алгоритм построения модели оценки структурной сложности объектов ПС. Описание блоков алгоритма:

1. Построение опорных функций принадлежности для всех входных переменных модели.

Рис. ]. Обобщенный алгоритм построения нечеткой модели для оценки структурной сложности объектов ПС

Определяются минимальные и максимальные значения каждой входной переменной по статистическим данным:

х1е ¡х/тш>, хП х2 6 fx2<min>, хП ...,Х„, е IxJmin>, хЛ

Каждый, определенный таким образом интервал, делится на M =2N + 1 равных областей (отрезков), причем исходное значение N=1 для каждой входной переменной.

Рассчитываются параметры функций принадлежности следующим образом. Центральные точки аг таких функций разбивают отрезок fx/1""0, х/тах>] на равные части. Параметры 6 характеризующие размах функций, выбираются одинаковыми, исходя из условия перекрытия этих функций - пересечения на уровне 0.5.

(maxi (min) (max) (min)

V ' - V V _ V"

-(r-l),r = 1..M ;b =

м-1 ' " г4г 1п2(м-1)'

2. Определяется количество настраиваемых параметров базы нечетких правил. Настраиваемыми в процессе обучения параметрами являются:

• нелинейные параметры функций принадлежности нечетких

множеств предпосылок правил;

линейных функций

¿-Л'У 1-1

из заключении

правил.

Общее количество настраиваемых параметров для модели 1-порядка:

Ь=2пт'/п + п(т + 1).

За. Подготовка исторических данных по прошлым проектам для настройки параметров модели. Входными переменными являются количественные характеристики свойств объектов ПС, выходная переменная только одна - значение размера программного компонента, выраженного в определенных единицах измерения. При этом обучающая выборка, состоит из множества примеров следующего вида:

У У

где Х1(к>, х2(к>,..., хт(к>, у(к> - соответственно значения входных переменных и выходной переменной в к-и примере; К - общее число примеров.

36. Сортировка всех примеров имеющихся статистических данных по возрастанию выходного значения - размера программного объекта. Резервирование каждого третьего примера для контрольной выборки.

4. Если К<2Ь то построить базу правил Сугено 0-порядка, в противном случае построить базу правил Сугено 1-порядка.

Генерация множества правил осуществляется исходя из возможных сочетаний нечетких высказываний в предпосылках правил, в соответствии с которым максимальное количество правил в базе определяется следующим соотношением:

1 = 1,-12-1ш,

где //,/2(...,/„, - число функций принадлежности для заданных входных переменных л:/, Х2, ..., хт.

5. Сокращение количества правил. Для исключения мало значащих правил база знаний подвергается процедуре сокращения.

6. Обучение полученной базы нечетких правил. Если обозначить через I вектор параметров функций принадлежностей термов входных переменных и через В - вектор коэффициентов линейных функций в заключениях. Тогда параметрическая идентификация сводится к следующей задаче математического программирования:

Для решения этой задачи строится сеть Такаги-Сугено, которая повторяет структуру сформированной базы правил. Адаптация параметров нейронной сети происходит по градиентному алгоритму.

7. Расчет оценки средней суммарной погрешности полученной нечеткой продукционной модели на тестовой выборке и сравнение ее с требуемой (е):

8. Если полученная точность модели неудовлетворительна, то переход к этапу 1 для изменения исходных параметров модели (изменение N=N+1). В противном случае сохранение полученной модели в БЗ и завершение работы алгоритма. Если дальнейшее улучшение модели невозможно из-за недостаточного количества данных в обучающей выборке, то также происходит завершение работы алгоритма.

В третьей главе приведены разработанные модели оценки структурной сложности ПС с использованием предложенного метода для начальных этапов жизненного цикла ПС.

При формировании модели для оценки структурной сложности ПС важной задачей является выбор базовых унифицированных единиц измерения размера ПС и отдельных его объектов. В работе предложен перечень рекомендаций для выбора таких единиц измерения.

Построение модели оценки размера объекта ПС подразумевает использование исторических данных по завершенным проектам. Процедура подготовки статистических данных для построения моделей, при использовании в качестве единиц измерения размера - строк кода (ЬОС), включает следующие этапы:

1. Выделение экземпляров программных объектов в разработанном ПС.

2. Определение части исходного кода соответствующего каждому разработанному программному объекту.

3. Задание набора правил для предварительного форматирования исходного текста программ.

При использовании ЬОС-метрик для измерения размера ПС необходимо предварительно определить набор правил, по которым будут подсчитываться

¿ЕСУ,-р{1,В,Хг)) ->шш.

строки кода в завершенном проекте. В работе использовались следующие правила:

• каждая строка исходного кода должна содержать только один оператор, если один оператор разбит на две «физические» строки, он должен учитываться как один оператор;

• учитывалось количество строк исходного кода, написанных разработчиком вручную (без учета кода, сгенерированного автоматически, использованного из библиотек, повторно используемого и покупного ПО);

• строки, относящиеся к тестовым модулям и другому сопутствующему программному обеспечению, исключаются;

• объявления данных считаются за одну строку кода;

• комментарии при подсчёте строк не учитываются.

4. Форматирование исходного текста программ согласно заданным правилам.

5. Подсчет строк кода по отформатированному тексту программы.

6. Если текст программы составлен на разных языках, необходимо пересчитать результат к приведенным строкам кода. Значение размера отдельного объекта ПС У, выраженное числом строк исходного текста на базовом языке, определяется исходя из размеров частей программного кода Уи, на используемых языках (средствах) разработки по формуле:

1

где Уи, - размер части программного кода объекта ПС на ¡-ом используемом языке (средстве) разработки; кр1 - переводной коэффициент, определяемый в зависимости от используемого средства разработки; / = 1 + я -количество используемых языков программирования. Обычно в качестве базового языка программирования используется язык С или базовый язык ассемблера.

Полученные на данном этапе данные являются эталонным выходным значением для строящихся моделей оценки размера объектов ПС.

7. Определение по предложенной в работе методике значений количественных характеристик объектов ПС.

8. Формирование обучающих выборок. Для каждого выделенного класса программных объектов создается своя обучающая выборка, которая постоянно пополняется за счет новых разработанных проектов.

С использованием предложенного метода разработаны модели оценки размера объектов ПС для этапа проектирования интерфейса пользователя. На данном этапе количество типов объектов, которые можно использовать при подсчете размера ПС, увеличивается, что позволяет построить более точные модели для оценки структурной сложности разрабатываемого ПС. В качестве элементов ПС на данном этапе выделялись следующие классы объектов: экранные формы, диалоги, отчеты, файлы данных (таблицы РСУБД), функции импорта/экспорта данных. Порядок выбора классов базируется на принципе, что АСУП относятся к типу систем обработки данных. Данный класс систем

характеризуется глубоко проработанным графическим человеко-машинным интерфейсом.

Оценка размера ПС (5) на этапе проектирования интерфейса пользователя производилась следующим образом:

=+1Х- +1-5;+5Х;,

п п п п п

г»

где ^си' - оценка размера для п-го клиентского окна ПС в выбранных

единицах измерения (8ЬОС, ИР); - оценка размера для п-го диалогового

окна ПС в выбранных единицах измерения (БЬОС, БР); - оценка размера

для п-го отчета ПС в выбранных единицах измерения (БЬОС, БР); - оценка размера для п-го файла данных (таблицы РСУБД) ПС в выбранных единицах

измерения (БЬОС, БР); - оценка размера для п-й функции ПС обмена

данными с внешними системами в выбранных единицах измерения (БЬОС, РР).

С помощью предложенного метода были построены модели определения сложности объектов ПС, для этапа проектирования интерфейса пользователя ПС, следующего вида:

Н,:(е,/)->5ск И2:(е,])->30„, 11;:(г,1)->5н, К4:($->Бг, 115:(с1,/)->80Е,

где е еЕ - количества элементов интерфейса для

ввода/редактирования/просмотра данных, /еР - количество связанных файлов данных (таблиц РСУБД), геЛ - количество реквизитов выходного документа, ¿/е£> - количество элементов данных в одной записи.

Полученные математические модели встраиваются в стандартизированную процедуру оценки, которая описывает порядок их применения для получения адекватных прогнозов. В правильно оцениваемом проекте входные данные включают техническую спецификацию, приоритеты и ограничения. Эти входные данные регулируются до тех пор, пока процесс оценки не даст приемлемый результат. Исторические данные также относятся к входным данным оценки и используются для калибровки предположений о сложности и производительности.

В четвертой главе разработана архитектура ИС для поддержки управленческих решений при планировании материальных и временных ресурсов для разработки ПС с использованием предложенного метода. Цель такой системы - обеспечение руководителя проектом инструментарием для оперативной оценки параметров плана разработки ПС и автоматизированной подготовке всех необходимых данных для получения этой оценки. Система поддерживает основные модели нечеткого вывода, имеет дружественный пользовательский интерфейс и является открытой, то есть имеет возможность экспорта данных с результатами оценки во внешние программы сетевого планирования проектов. Архитектура ИС для поддержки управленческих решений при планировании разработки ПС представлена на рис. 2.

Разработанные в диссертации модели и методики реализованы в составе программного средства «Планирование проектов ПС», внедренным в ОАО «ГИЦ ПС ВТ». В разработанной ИС блоки построения БЗ и ее настройка реализованы с помощью инструментов пакета расширения FuzzyLogic Toolbox и встроенного командного языка системы Matlab. Интерфейс пользователя представляет собой программную оболочку, созданную средствами Delphi 7, основное назначение которой - интеграция между базой данных и знаний и вычислительным модулем.

. Блок управления базами нечетких лингвистических правил

Модуль генерации лингвистических переменных

Модуль формирования системы правил

Репозиторий типов объектов ПС

Блок оптимизации параметров БЗ

Модуль формирования структуры нейро-нечеткой сети

Модуль обучения сети

Модуль тестирования сети

База данных статистики

Модуль ведение репозитория типов объектое ПС

— Блок управления базой — исторических данных

Модуль ввода / импорта данных

Модуль предварительной обработки данных

Модуль экспорта данных в MS Project_

■ Блок использования модели

Модуль ввода исходных данных

Модуль расчета размера проекта ПС

Модуль расчета параметров планирования

Рис. 2. Архитектура ИС для поддержки управленческих решений при

планировании разработки ПС С использованием разработанной ИС была проведена апробация предложенных моделей оценки структурной сложности разрабатываемых ПС. Данные для построения моделей были получены исходя из анализа ПС, поступивших на сертификационные испытания в ОАО «ГИЦ ПС ВТ» (более 100 ПС). Для сравнения оценка размера ПС проводилась также по методу функциональных баллов. Все оценки проводились на этапе проектирования интерфейса пользователя ПС. Результаты оценок приведены в таблице 2.

Таблица №2. Результаты оценки структурной сложности ПС

№ Наименование ПС Размер факт (LOC) Размер по методу FP Размер по разработанным моделям

LOC А(%) LOC

1 Регистрация и учет движения док. 9825 12150 23.66 10810 10.03

2 Обработка платежных документов 50365 57440 14.05 45670 9.32

3 Электронный обмен данных 74255 61730 16.87 79520 7.09

4 Формирование выходных форм 110874 137300 23.83 104730 5.54

5 Стат. отчетность 154351 125500 18.69 161380 4.55

6 Конфигуратор приложений АСУП 200358 244400 21.98 192310 4.02

7 Управление произв. запасами 234711 265450 13.10 222910 5.03

8 Управление сбытом гот. продукции 344541 310450 9.89 355240 3.11

В выборке представлены 8 завершенных проектов среднего и крупного масштаба с размером ПС от 104 до 106 в строках исходного кода (LOC). По результатам оценки видно, что оценочные данные о размере проекта, полученные с использованием созданных моделей отличаются от фактических на 3-5% для крупных проектов и 5-10% для средних. Данные о размере проекта, которые были получены в результате применения метода функциональных баллов, отличаются от реальны*, зафиксированных по завершению проекта, на 10-23%. Это свидетельствует о высокой достоверности оценки размера ПС с помощью предложенных методов.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ

1. Разработан метод оценки структурной сложности ПС АСУП, основанный на использовании нечетких баз знаний.

2. Разработаны модели для оценки размера объектов ПС на основе макета интерфейса пользователя ПС и описания структуры данных.

3. Разработана методика и ее программная реализация для оценки размера ПС на ранних этапах жизненного цикла.

4. Разработана архитектура ИС для поддержки управленческих решений при планировании разработки ПС.

5. Технология оценки структурной сложности программных средств апробирована в ряде проектов. Подтверждена работоспособность предложенного алгоритма оценки, экспериментально доказана целесообразность его применения.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Демирский, A.A. Применение нейронных сетей для оценки трудоемкости IT-систем [Текст] / A.A. Демирский, С.Л. Котов // Системы управления и информационные технологии. 2007. №3.2. С. 267-272 (журнал из перечня ВАК).

2. Демирский, A.A. Использование экспертных систем для управления IT-проектами [Текст] / A.A. Демирский, С.Л. Котов' // Труды международной научно-практической конференции «Теория активных систем - 2007» / Институт проблем управления РАН. 2007. секция №2. С. 147-150.

3. Демирский, A.A. Использование экспертных систем для предварительной оценки стоимости IT-проектов [Текст] / A.A. Демирский // Вестник ТГТУ / Тверской государственный технический университет. 2007. №12. С. 192-195

4. Демирский, A.A. Информационная система интеллектуальной поддержки управленческих решений по обоснованию затрат на разработку ИТ-систем [Текст] / A.A. Демирский, С.Л. Котов // Вестник ВНИИНМАШ, спецвыпуск посвященный пятидесятилетию ВНИИНМАШ. 2008. С. 63-67.

5. Демирский, A.A. Оптимизация структуры базы данных информационной системы учета и регистрации патентов на право торговли с целью повышения производительности [Текст] / A.A. Демирский, Б.В. Палюх // Программные продукты и системы. 1998. №3. С. 55-60.

6. Демирский, A.A. Автоматизированная информационная система поддержки принятия решения для торгового отдела администрации г.Твери [Текст] / A.A. Демирский, Б.В. Палюх, A.B. Жгутов // Программные продукты и системы. 1997. №3. С. 35-38.

Подписано в печать 12.05.09 Физ.печ.л. 1,0 Заказ №49 Тираж 100 экз. Типография Тверского государственного технического университета 170026, г. Тверь, наб. А. Никитина, 22

Введение.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННЫХ ПОДХОДОВ К ПЛАНИРОВАНИЮ ПРОЕКТОВ РАЗРАБОТКИ ПРОГРАММНЫХ СРЕДСТВ АСУП

1.1. Структура АСУП промышленных предприятий. Проблемы управления проектами разработки ПС АСУП.

1.2. Анализ факторов влияющих на характеристики программных проектов.

1.3. Анализ методов прогнозирования структурной сложности ПС. Сравнение существующих подходов.

1.3.1. Экспертные методы.

1.3.2. Метод ан алогий.

1.3.3. Метод функциональных баллов.

1.3.4. Метод объектных баллов.

1.4. Постановка научной задачи.

Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА ФОРМАЛЬНОГО МЕТОДА ДЛЯ ОЦЕНКИ СТРУКТУРНОЙ СЛОЖНОСТИ ПС v

2.1. Обоснование выбора метода обработки информации для прогнозирования структурной сложности ПС.

2.2. Построение моделей оценки структурной сложности ПС на основе алгоритмов нечеткого вывода.

2.2.1. Алгоритм нечеткого вывода Мамдани.

2.2.2. Алгоритм нечеткого вывода Сугэно.

2.2.3. Настройка параметров базы знаний.

2.3. Описание структуры нейронной сети для настройки параметров базы знаний.j.

2.4. Описание процедуры построения модели для оценки размера программного объекта ПС.

Выводы по главе 2.

ГЛАВА 3. РАЗРАБОТКА МОДЕЛЕЙ ДЛЯ ОЦЕНКИ СТРУКТУРНОЙ СЛОЖНОСТИ ПС НА РАННИХ ЭТАПАХ ЖИЗНЕННОГО ЦИКЛА

ЗЛ. Выделение классов объектов ПС АСУП для построения моделей оценки их размера на ранних этапах жизненного цикла ПС.

3.1.1. Описание объектов «клиентские и диалоговые окна ПС».

3.1.2. Описание объекта «отчеты».

3.1.3. Описание объекта «файл данных (таблица РСУБД)».

ЗЛ.4. Описание объекта «функция экспорта-импорта данных».

3.2. Методика подсчета количественных свойств выделенных типов объектов для оценки размера ПС.

3.2.1. Порядок подсчета количества элементов интерфейса для ввода/редактирования/просмотра данных.

3.2.2. Порядок подсчета количества используемых логических файлов или таблиц РСУБД связанных с окном.

3.2.3. Порядок подсчета количества реквизитов выходного документа.

3.2.4. Порядок подсчета элементов данных в таблицах РСУБД и файлах.

3.2.5. Порядок подсчета характеристик функций экспорта-импорта данных.

3.3. Построение моделей оценки размера выделенных программных объектов.

3.4. Рекомендации по выбору единиц измерения,выходных параметров моделей для оценки размера программных объектов ПС.

Выводы по главе 3.

ГЛАВА 4. ИНФОРМАЦИОННАЯ СИСТЕМА ИНТЕЛЛЕКТУАЛЬНОЙ

ПОДДЕРЖКИ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ ПРИ ПЛАНИРОВАНИИ РЕСУРСОВ НА РАЗРАБОТКУ ПС

4.1. Разработка требований к функциональной архитектуре ИС, реализующей предложенные методы прогнозирования структурной сложности ПС.

4.2. Описание разработанной ИС поддержки управленческих решений при планировании ресурсов на разработку ПС .".

4.3. Сравнение точности прогнозирования структурной сложности ПС традиционными и предложенными методами.

Выводы по главе 4.

Актуальность темы исследования. Возрастающая сложность объектов автоматизации промышленных предприятий и увеличение их количества, а такжеv переход к комплексным интегрированным решениям, приводят к увеличению сложности и количества проектов по созданию программных средств (ПС), входящих в состав автоматизированных систем управления предприятием (АСУП). Массовое создание сложных ПС промышленными методами и большими коллективами специалистов требует четкой организации процесса разработки ПС на основе планирования работ по проекту с оценкой необходимых ресурсов и времени для их реализации. Точность и оперативность подобных оценок напрямую влияет на качество разрабатываемых ПС и риск неуспешного завершения проекта.

Согласно стандарту ГОСТ Р ИСО/МЭК 12207-99 «Информационные технологии - Процессы жизненного цикла программ» начальным этапом процесса «Разработка» явдяется этап анализа, цель которого выявление, классификация и формализация информации обо всех аспектах предметной области, влияющих на свойства конечного продукта, и именно этот этап оказывает определяющее влияние на качество результатов всего проекта. На данном этапе разработчику создаваемого ПС необходимо провести оценку реализуемости проекта в условиях и ресурсах, предлагаемых заказчиком. Именно на этом этапе сторонами, участвующими в разработке ПС, принимаются договорные обязательства. Следствием недостатков или отсутствия технико-экономического обоснования проектов разработки ПС является неверная оценка преимуществ новой программной разработки, недооценка роли других конкурирующих предложений, неизбежный перерасход средств и снижение качества ПС.

Одним из основных факторов влияющим на точность оценки необходимых ресурсов и времени для реализации ПС является структурная сложность разрабатываемого ПС. Структурная сложность ПС зависит в свою очередь от: размера программы; её структур данных; структур управления; модульной структуры; внутренних Связей каждого модуля; межмодульных связей в программе. Для оценки структурной сложности существует достаточное количество метрик: Холстеда, Маккейба, Майерса, Джилба, Хансена, Вудворда. Однако все они подразумевают обязательное наличие для анализа либо текста самой программы, либо подробного алгоритма ее работы. Этот факт делает неприемлемым использование данных подходов на ранних этапах жизненного цикла ПС, когда у разработчика имеются только концептуальные модели архитектуры будущего ПС и отдельные эскизные проектные решения.

Среди наиболее известных работ, посвященных методам оценки ПС, следует отметить работы российских ученых: A.M. Вендрова, Е.З. Зиндера, Г.Н. Калянова; С.Л. Котова, В.В. Липаева, С.А. Орлова, Б.В. Палюха и др. Среди зарубежных можно выделить труды таких авторов как A. Albrecht, В. Boehm, J. Capers, Т. DeMarco, R. Futrell, S. McConnell, L. Putnam, R. Stutzke и др. В то же время, довольно мало внимания уделяется проблеме оценки сложности ПС на ранних этапах процесса разработки. В современных методах практически не представлены формализованные процедуры для 1 прогнозирования сложности разрабатываемого ПС, адаптируемые к условиям конкретного проекта. Применение существующих методов оценки ПС на практике оказывается весьма трудоемким и доступно только для высоко квалифицированных специалистов, кроме того, они не учитывают использование современных технологий разработки ПС.

В результате, на сегодняшний день, при росте потребностей в заказных • проектах по разработке ПС входящих в состав АСУП промышленных предприятий, и высоких требований к срокам и качеству результатов, имеет место недостаточное развитие технологий оценки и планирования проектов г разработки ПС, обеспечивающих качество, структурированность и логическую целостность технико-экономического обоснования проекта разработки. Таким образом, разработка научно обоснованных методов оценки ПС является актуальной научно-технической проблемой, имеющей существенное значение в условиях финансового кризиса, когда эффективность АСУП как инструмента 4 жесткого контроля над расходами и гибкого управления затратами особенно очевидна.

Цель и задачи исследования. Целью диссертационной работы является повышение оперативности и точности планирования процесса разработки ПС АСУП. i

Для достижения цели были поставлены и решены следующие задачи:

• формирование требований к процессу" обработки информации для оценки структурной сложности ПС на основе анализа существующих подходов;

• разработка метода оценки структурной сложности ПС с использованием нечетких моделей;

• разработка алгоритма обработки информации для построения моделей оценки структурной сложности программных объектов ПС на основе данных завершенных проектов;

• разработка рекомендаций для выбора единиц измерения размера программного средства, которые могут быть использованы в модели оценки структурной «сложности ПС на ранних этапах жизненного цикла.

• формирование перечня программных объектов, доступных на этапе проектирования интерфейса пользователя, для построения моделей оценки структурной сложности с использованием предложенного метода;

• разработка методики оценки структурной сложности ПС для начальных этапов процесса разработки на основе макета интерфейса пользователя и описания структуры данных;

• оценка точности прогнозирования структурной сложности ПС;

• разработка информационной системы (ИС) интеллектуальной поддержки управленческих решений, реализующей предложенный метод оценки структурной сложности ПС.

Объектом настоящего исследования являются ПС входящие в состав АСУП промышленных предприятий.

Предметом исследования является метод интеллектуального анализа данных для нахождения точных параметров планирования проекта разработки ПС для промышленных предприятий.

Методы исследований. Исследование- основано на методологии научного познания, системном анализе, теоретических основ проектирования и разработки информационных систем; В качестве- конкретных методов исследования применялись методы- теории искусственных нейронных сетей, вероятностной и математической статистики, нечеткой логики.

Научная новизна. К наиболее существенным научным результатам относятся следующие.

1. Разработан гибридный нейро-нечеткий метод обработки информации для( создания моделей оценки структурной сложности ПС АСУП промышленных предприятий.

2. Разработаны модели с использованием предложенного метода для оценки структурной сложности ПС на ранних этапах жизненного цикла.

3. Разработана методика оценки размера ПС на основе использования данных эскизного проектирования интерфейса пользователя ПС и разработанных моделей.

4'. Разработана архитектура ИС, реализующая предложенный метод оценки структурной! сложности ПС, для интеллектуальной поддержки управленческих решений при планировании материальных и временных v ресурсов необходимых для разработки ПС.

Практическая значимость работы состоит в разработке методов обработки информации и методик их применения, которые позволяют повысить точность оценки необходимых ресурсов для создания ПС АСУП, уменьшить риски срыва сроков проекта и/или, увеличения сметной стоимости разработки системы, повысить качество разрабатываемого ПС.

Реализация результатов. Разработанные в диссертации модели и методики реализованы в составе программного средства «Планирование проектов ПС», внедренным в ОАО «Государственный испытательный центр программных средств и вычислительной техники». Разработанное ПС применяется на начальных этапах процесса разработки заказных ПС, входящих в состав АСУП промышленных предприятий.

Методические и теоретические результаты диссертации используются в учебном процессе Тверскрго государственного технического университета в курсе «Проектирование информационных систем».

Результаты работы использованы в НИОКР «Разработка методического и инструментального обеспечения поддержки планирования материальных и временных затрат на разработку программного обеспечения АИС органов государственной власти, создаваемого в рамках работ по реализации мероприятий федеральной целевой программы «Электронная Россия (20022010 годы)». Указанная НИОКР зарегистрирована в едином реестре результатов научно-технической деятельности Роснауки номер 13293.69.04003214.07.1.001.2.

Апробация работы. Результаты работы докладывались и обсуждались:

- на международной научно-практической конференции «Управление большими системами - 2007», Институт проблем управления РАН, 2007 г.;

- на международных научно-технических конференциях «Математические методы в химии и технологиях» №9, Тверь Л 995г., №10, Новомосковск 1997г., №11, Владимир 1998г.;

- на научных семинарах кафедры «Информационные системны» Тверского государственного технического университета;

- на экспертном совете Федерального агентства по информационным технологиям (Росинформтехнологии) Минкомсвязи России с участием ведущих специалистов. По итогам обсуждения было принято решение об использовании результатов работы в практической деятельности Росинформтехнологии (протокол №1/НИОКР от 5 декабря 2007 г.).

Публикации. По теме диссертации опубликовано 6 научных статей, в том числе 1 статья в журнале из перечня ВАК.

Выводы по главе 4 t ' К основным полученным результатам можно отнести следующие. v

1. Разработана архитектура ИС для поддержки управленческих решений при планировании материальных и временных ресурсов для разработки ПС с использованием предложенного метода оценки структурной сложности. Цель такой системы обеспечение руководителя проекта инструментарием для оперативной оценки параметров плана разработки ПС и автоматизированной подготовки всех необходимых данных для получения этой оценки. В главе подробно описаны все архитектурные элементы ИС.

2. Разработанные в диссертации модели и методики реализованы в составе программного средства «Планирование проектов ПС», внедренным в ОАО «ГИЦ ПС ВТ». В качестве инструментальных средств разработки были использованы Delphi 7, пакет расширения FuzzyLogic Toolbox и встроенный командный язык математической программной системы Matlab.

Использование разработанной ИС позволяет добиться следующих преимуществ:

Обоснование бюджета проекта. Точная оценка способствует выработке точного бюджета, что позволяет уменьшить риски срыва сроков проекта и/или увеличение сметной стоимости разработки системы.

Возможность отслеживания состояния проекта. Один из лучших способов отслеживания состояния проекта основан на сравнении запланированного прогресса с фактическим. Если запланированный прогресс был достаточно реалистичным (то есть основанным на точных оценках), становится возможным отслеживание прогресса на предмет его соответствия планам.

Повышение качества ПС. Точные оценки помогают избежать снижения качества, обусловленного срывом сроков сдачи- проекта или недофинансированием. Как показали исследования [64, 119], около 40 % всех ошибок программирования возникает из-за стресса; этих ошибок можно было бы избежать за счет правильного планирования и снижения нагрузки на разработчиков.

Улучшение координации с функциями, не связанными с программированием. Программные 1 проекты обычно координируются с другими видами деятельности: тестированием, написанием документации, маркетинговыми кампаниями, обучением персонала и т. д. Ненадежный график проекта способен привести к сбоям взаимосвязанных функций. Хорошая оценка программного проекта предусматривает более тесную координацию работ по проекту.

Получение ранней информации о рисках. Одной из самых частых упущенных возможностей в области разработки программного обеспечения является неправильная интерпретация исходного несоответствия между целями и оценками проекта. Обнаружение йесоответствия между целью проекта и оценкой проекта должно рассматриваться как чрезвычайно полезная, крайне редкая информация о риске, появившаяся на ранней стадии проекта. Такое расхождение с довольно высокой вероятностью указывает на то, что цели проекта не будут соблюдены. Возможно, в некоторых случаях, правильным решением будет отказаться от реализации проекта.

Анализ конкурсных предложений. Перед организациями, осуществляющими заказ ПС, постоянно стоит проблема эффективного г 1 расходования средств. Проведение тендеров на разработку ПС полностью не решает данную проблему. Чаще всего основным критерием отбора исполнителя является цена, что заставляет участников конкурса преднамеренно указывать необоснованно заниженные цены. Это отрицательным образом сказывается на качестве результатов проекта. Однако, характерна также ситуация, когда даже

I 1 самое выгодное по цене предложение в несколько раз превышает реальный бюджет проекта. Используя разработанную ИС можно получить достаточно достоверные данные о технико-экономических параметрах проекта разработки ПС, которые позволят провести более объективный анализ конкурсных заявок.

3. Проведена апробация предложенных моделей оценки структурной сложности разрабатываемых ПС. Данные для предварительного обучения моделей были получены исходя из анализа ПС, поступивших на сертификационные испытания в ОАО «ГИЦ ПС ВТ». Для сравнения оценка размера ПС проводилась также по методу функциональных баллов.

По результатам оценки видно, что оценочные данные о размере проекта, полученные с использованием созданных моделей отличаются от фактических на 3-5% для крупных проектов и 5-10% для средних. Это свидетельствует о высокой достоверности оценки размера ПС с помощью предложенного метода.

Таким образом, были решены следующие задачи исследования:

• разработка информационной системы интеллектуальной поддержки управленческих решений, реализующей предложенный метод оценки структурной сложности ПС; с

• оценка точности прогнозирования структурной сложности ПС предложенным методом.

146

ЗАКЛЮЧЕНИЕ

В результате" проведенных теоретических и экспериментальных исследований в настоящей диссертационной работе получены следующие основные результаты:

1. Разработан метод оценки структурной сложности ПС АСУП, основанный на использовании базы нечетких продукционных правил. Метод позволяет реализовать эффективную с точки зрения точности и достоверности оценку размера разрабатываемого ПС за счет использования статистики по уже завершенным проектам.

2. Разработан алгоритм обработки информации, для создания моделей оценки размера программных объектов ПС, который позволяет гарантировать заданную точность оценки.

3. Определены условия и процедура обучения гибридной нейро-нечеткой модели оценки размера f программных объектов ПС для настройки ее параметров по статистическим данным завершенных проектов.

4. Выделены классы программных объектов ПС АСУП для построения моделей оценки размера на ранних этапах жизненного цикла. Определены характеристики выделенных программных объектов доступные на этапе эскизного проектирования, обусловливающие их структурную сложность.

5. Разработана процедура подсчета значений выделенных характеристик программных объектов на основе анализа функциональной спецификации ПС, макета интерфейса пользователя ПС (эскиза экранных форм), форм отчетов и выходных документов, формата файлов и структуры базы данных.

6. Сформулированы рекомендации для выбора единиц измерения размера ПС, которые можно использовать при построении моделей оценки размера программных объектов на ранних этапах жизненного цикла.

7. Разработана процедура предварительной подготовки статистических данных по реализованным проектам разработки ПС для обучения создаваемых моделей оценки размера объектов ПС.

147 '.'.'"

8. Разработаны модели для оценки размера выделенных классов объектов ПС на основе данных эскизного проектирования.

9. Разработана архитектура ИС для поддержки управленческих* решений при< планировании материальных, и временных ресурсов; для> разработки ПС с использованием предложенногошетода оценки структурной'сложности.

10. Разработанная методика оценки структурной сложности программных средств апробирована на. ряде проектов; Подтверждена работоспособность г предложенного метода оценки, экспериментально' доказана? целесообразность ' его;: применения.- Показано, что по сравнению с существующими! методами, предложенный, подход< может позволить повысить точность оценок размера разрабатываемого ПС и технико-экономических показателей проекта;

Применение результатов исследования позволяет повысить точность оценки необходимых ресурсов для создания; ПС АСУП- уменьшить риски срыва, сроков проекта и/или. увеличения сметной стоимости разработки системы, повысить качество разрабатываемого ПС.

Разработанные в диссертации модели? и методики реализованы в составе программного средства «Планирование проектов ПС», внедренным в ОАО «Государственный испытательный' центр программных средств и вычислительной- техники». Разработанное ПС применяется; для оценки параметров проектов разработки заказных ,ПС, входящих в состав АСУП промышленных» предприятий*; В» результате использования ПС был достигнут значительный; экономический: эффект. . ,

Таким образом, цель данной работы, заключающаяся в разработке и исследовании моделей и* методов, повышающих оперативность и точность, планирования процесса разработки ПС АСУП, можно считать достигнутой:.

1. ГОСТ 20886-85. Организация данных в системах обработки данных. Термины и определения Текст. Введ. 01.07.1986. М.: Изд-во стандартов, 1986, 8 с.

2. ГОСТ 19781-90. Обеспечение систем обработки информации программное. Термины и определения Текст. Введ. 01.01.1992. М.: Изд-во стандартов, 1992, 16с.

3. ГОСТ 28806-90. Качество программных средств. Термины и определения Текст. Введ. <01.01.1992. М.: Изд-во стандартов, 1992, 8 с.

4. ГОСТ Р ИСО/МЭК Д2207-99. Информационная технология. Процессы жизненного цикла программных средств Текст. Введ. 23.12.1999. М.: Изд-во стандартов, 2000, 46 с.

5. ГОСТ 19675-74. Автоматизированные системы управления. Основные положения Текст. Введ. 18.07.1977.

6. ИСО/МЭК 2382-20: 1990, Информационная технология Словарь - Часть 20: Разработка систем.

7. Андон, Ф.И. Основы инженерии качества программных систем Текст. / Ф.И. Андон,' Г.И. Коваль, Т.М. Коротун, В.Ю. Суслов. К.: Академпериодика. 2002.

8. Арчибальд, Р.С. Управление высокотехнологичными программами и проектами Текст. / Р.С.Арчибальд. М: ДМК Пресс, 2006, 472 с.

9. Балашов, В.Г. Механизмы управления организационными проектами Текст. / В.Г.Балашов, А.Ю. Заложнев, А.А.Иващенко, Д.А.Новиков. М.: ИПУ РАН, 2003.

10. Баркалов, С.А. Методы агрегирования в управлении проектами Текст. / С.А.Баркалов, В.Н.Бурков, Н.М.Гилязов. М.: ИПУ РАН, 1999.

11. Баркалов, С.А. Минимизация упущенной выгоды в задачах управления проектами Текст. / С.А.Баркалов, В.Н.Бурков. М.: ИПУ РАН, 2001.

12. Баронов, В.В. Автоматизация управления предприятием Текст./ В.В.Баронов, Г.Н.Калянов, Ю.Н.Попов, А.И.Рыбников, И.Н.Титовский. М.: ИНФРА-М, 2000.г "

13. Борисов, А. Я. Обработка нечеткой информации в системах принятия решений Текст. / А.Я.Борисов, А.В.Алексеев, Р.В.Меркурьева. М.: Радио и связь, 1989.

14. Борисов, В. В. Обобщенные нечеткие когнитивные карты Текст./ В.В.Борисов, А.С.Федулов. Нейрокомпьютеры:.разработка, применение. 2004. №4. с. 3-21.

15. Борисов, В. В. Нечеткие модели и сети Текст./ В.В.Борисов, В.В. Круглов, А.С.Федулов. М.: Горячая линия — Телеком. 2007.

16. Борисов, В. В. Нечеткие оценочные модели сложных систем с учетом согласования неравнозначных целей Текст. / В.В.Борисов,г

17. А.С.Федулов. Нейрокомпьютеры: разработка, применение. 2003. № 5. С. 3-12.

18. Борисов, В. В. Компьютерная поддержка сложных организационно-технических систем Текст. / В.В.Борисов, А.С.Федулов, И.А.Бычков. М.: Горячая линия Телеком, 2002.

19. Боэм, Б.У. Инженерное проектирование программного обеспечения

20. Текст./ Б.У .Боэм. Пер. с англ. под ред. А.А. Красилова. М.: Радио и связь,11985.' !

21. Брукс, Ф.П. Как проектируются и создаются программныегкомплексы. Мифический человеко-месяц Текст./Ф.П.Брукс. пер. с англ. М.: Наука. 1979, 108 с.

22. Бурков, В.Н. Математические основы управления проектами Текст./В.Н.Бурков. М.: Высшая,школа, 2005.

23. Бурков, В.Н. Как управлять проектами Текст./ В.Н.Бурков, Д.А.Новиков. М.: Синтег, 1997.

24. Бурков, В.Н. Большие системы: моделирование организационных механизмов Текст./В.Н.Бурков, Б.Данев, А.К.Еналеев. М.: Наука, 1989.

25. Ван Ван Тассел, Д. Стиль, разработка, эффективность, отладка и испытание программ!Текст./ Ван Трассел Д. М.: Мир, 1981.

26. Васильев, Д.К. Типовые решения в управлении проектами Текст./ Д.К.Васильев, А.Ю.Заложнев, Д.А.Новиков, А.В.Цветков. М.: ИПУ РАН, 2003.

27. Вендров, A.M. CASE технолргии. Современные методы и средства проектирования информационных, систем Текст./ А.М.Вендров.М.: Финансы и статистика, 1998.

28. Волкова, В.Н. Основы теории систем и системного анализа Текст./В.Н.Волкова, А.А.Денисов. 2-е изд. СПб.: СПб.ГТУ, 1999.

29. Давыдов, Э.Г. Исследование операций Текст./Э.Г.Давыдов. М.: Высшая школа, 1990.

30. Дегтярев, Ю.И. Системный анализ и исследование операций Текст./ Ю.И.Дегтярев. М.: Высшая школа, 1996.

31. Дюбуа, Д. Теория возможностей. .Приложения к представлению знаний в информатике Текст./ Д.Дюбуа, А.Прад. М.: Радио и связь, 1990.

32. Гайдышев, И. Анализ и обработка данных: специальный справочник Текст./ И.Гайдышев. Спб.: Питер, 2001.

33. Галушкин, А.И. Теория нейронных сетей Текст./ А.И.Галушкин. М: ИПРЖР, 2000.

34. Головко, В.А. Нейронные сети: обучение, организация, примечание Текст./ В.А.Головко. М.: ИПРЖР, 2001.

35. Горбань, А.Н. Нейронные сети на персональном компьютере Текст./ А.Н.Горбань, Д.А.^оссиев. Новосибирск: Наука, 1996.

36. Девятков, В.В. Системы искусственного интеллекта Текст./

37. В .В .Девятков. М.: МГТУ им. Н.Э. Баумана, 2001.

38. Дьяконов, В.П. MATLAB. Анализ, идентификация и моделирование систем Текст./: специальный справочник/ В.П.Дьяконов, В.В.Круглов. СПб.: Питер, 2002.

39. Дьяконов, В.П. Математические' пакеты расширений MatLab Текст./: специальный справочник/ В.П.Дьяконов, В.В.Круглов. СПб.: Питер, 2001.

40. Загоруйко, Н. Г. Прикладные методы анализа данных и знаний Текст./ Н.Г.Загоруйко. Новосибирск: Изд-во Ин-та мат., 1999.

41. Заде, JI. А. Понятие лингвистической переменной и его применение к принятию приближенных решений Текст./ Л.А.Заде. М.: Мир, 1976.

42. Зелковиц, М. Принципы разработки программного обеспечения Текст./ М.Зелковиц, А.Шоу, Дж.Гэннон. М.: Мир, 1982.

43. Зиглер, К. Методы проектирования программных систем Текст./ К.Зинглер. пер.с англ.; под ред. Я.А.Хетагурова. М.: Мир. 1985.

44. Йодан, Э. Структурное программирование и проектирование программ Текст./Э.Йодан. М.: Мир, 1979.

45. Калан, Р. Основные концепции нейронных сетей Текст./ Р.Каллан. М.: «Вильяме», 2001.

46. Калянов, Г.Н. Теория и практика реорганизации бизнес-процессов Текст./ Г.Н.Калянов. М.: СИНТЕГ. 2000.

47. Кантор, М. Управление программными проектами. Практическое руководство по разработке успешного программного обеспечения Текст./ М.Кантор. пер. с англ. М.: Вильяме. 2002.

48. Классификация и кластер Текст./ под ред. Док. Вэн Райзина. М.: Мир, 1980.

49. Колосова, Е.В. Управление проектами Текст./ Е.В.Колосова, К.В.Халимов, А.В.Цветков. М.: Высшая школа, 2001.

50. Комарцова, Л.Г. Нейрокомпьютеры Текст./ Л.Г.Комарцова, Максимов А.В. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002.

51. Котов, С. Л. Нормирование жизненного цикла программной продукции Текст. / С.Л. Кбтов. М.: Юнити, 2002. 143 с.

52. Круглов, В.В. Искусственные нейронные сети. Теория и практика

53. Текст./ В.В.Круглов, В.В.Борисов. М.: Горячая линия Телеком, 2001.

54. Круглое, В.В. Гибридные нейронные сети Текст./ В.В.Круглов, В.В.Борисов. Смоленск: Русич,2001.

55. Круглое, В.В. Нечеткая логика и искусственные нейронные сети Текст./ В.В.Круглов, М.И.Дли, Р.Ю.Голунов. М.: Физматлит, 2001.

56. Леман, М.М. Программы, жизненные циклы и законы эволюции программного обеспечения Текст./ М.М.Леман. ТИИЭР. Техника программного обеспечения: Пер. с англ. М.:Мир. 1980.

57. Леоненков, А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH Текст./ А.В.Леоненков. СПб.: БХВ-Петербург, 2003.

58. Леффингуэлл, Д., Уидриг Д. Принципы работы с требованиями к программному обеспечению. Унифицированный подход Текст. / Д. Леффингуэлл, Д.Уидриг. Пер. с англ. М.: Вильяме. 2002.

59. Липаев, В.В. Системное проектирование сложных программных средств для информационных систем Текст./В.В.Липаев. М.: Синтег, 1999.

60. Липаев, В.В. Технико-экономическое обоснование проектов сложных программных средств Текст./ В.В.Липаев. М.:СИНТЕГ, 2004.

61. Липаев, В.В. Документирование и управление конфигурацией программных средств. Методы и стандарты Текст./ В.В.Липаев. М.: СИНТЕГ. 1998.

62. Липаев, В.В. ,Выбор и оценивание характеристик качества программных средств Текст./ В.В .Липаев. М.: СИНТЕГ. 2001.

63. Липаев, В.В. Методы обеспечение качества крупномасштабных программных средств Текст./ В.В.Липаев.М.: РФФИ. СИНТЕГ. 2003.

64. Липаев, В.В. Функциональная безопасность программных средств Текст./В.В.Липаев.М.: СИНТЕГ. 2004.

65. Липаев, В.В. Оценка затрат на разработку программных средств Текст./ В.В.Липаев, А.И.Потапов. М.: Финансы и статистика. 1988.

66. Липаев, В.В. Мобильность программ и данных в открытых информационных системах Текст./ В.В.Липаев, Е.Н.Филинов. М.: Научная книга, 1997.

67. Литвак, Б.Г. Экспертная информация. Методы получения и анализа Текст./Б.Г.Литвак. М.: Радио и связь, 1982.

68. Макконелл, <j. Сколько стоит программный проект Текст./ С.Макконелл. М.: Русская редакция, СПб.: Питер, 2007.

69. Медведев, B.C. Нейронные сети. MATLAB 6 Текст./ B.C. Медведев, В.Г.Потемкин. М.: ДИАЛОГ-МИФИ^ 2002.

70. Мелихов, А.К. Конечные четкие и расплывчатые множества Текст./ А.К.Мелихов, Л.С.Бернштейн. Ч. 2. Таганрог: ТРТИ, 1981.

71. Мелихов, А. Н. Ситуационные советующие системы с нечеткой логикой Текст./А.К.Мелихов, Л.С.Бернштейн, С.Я.Коровин. М.: Наука, 1990.

72. Новиков, Д.А. Теория управления организационными системами. 2-е издание Текст./ Д.А.Новиков. М.: Физматлит, 2007.

73. Новиков, Д.А. Управление проектами: организационные механизмы Текст./ Д:А.Новиков. М.: ПМСОФТ, 2007.

74. Оценка, и аттестация зрелости процессов создания и сопровождения программных средств и информационных систем (ISO/IEC TR 15504 СММ) Текст. М.: Книга и бизнес. 2001.

75. Палюх, Б.В. Разработка, стандартизация и сертификация программных средств и информационных технологий и систем Текст. / Б.В. Палюх, С.Л. Котов, С.Л. Федченко. Тверь: ТГТУ, 2006. 104 с.

76. Палюх, Б.В. Надежность и эффективность экономических информационных систем Текст. / Б.В.'Палюх, А.С. Мироненко. Тверь: ТГТУ, 2003. 144 с.

77. Поспелов, Д.А. Нечеткие множества в системах управления и искусственного интеллекта Текст./ Д.А.Поспелов. М.: Наука. Гл. ред. физ.-мат. лит., 1986.

78. Поспелов, Г. С. Программно целевое проектирование и управление (введение) Текст./ Д.А.Поспелов, В.А.Ириков. М.: Советское радио. 1976.

79. Прангишвили, И.В. Системный подход и общесистемные закономерности Текст./ И.В.Ирангишвили. М.: СИНТЕГ. 2000.

80. Роберте, Ф.С. Дискретные модели с приложениями к социальным, биологическим и экологическим задачам Текст./ Ф.С.Роберте. М.: Наука, 1986.

81. Ройс, У. Управление проектами по созданию программного обеспечения Текст./ У.Ройс. М.: Лори, 2002.

82. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы Текст./ Д. Рутковская, М. Пилиньский, Л. Рутковский. М.: Горячая линия Телеком, 2006. 452 с.

83. Рыков, А.С. Модели и методы системного анализа: принятие решений и оптимизация Текст./ А.С.Рыков. М.: МИСИС, 2005.

84. Саймон, Г. Науки об искусственном интеллекте Текст./ Т.Саймон. М.: Мир, 1972.

85. Себер, Дж. Линейный регрессионный анализ Текст./ чДж.Себер. М.: Мир, 1980.

86. Силов, В.Б. Принятие стратегических решений в нечеткой обстановке Текст./ В.Б.Силов. М.: ИНПРО-РЕС, 1995.

87. Свод знаний по управлению проектами (РМВОК) Текст./пер.с англ. М.: ПМСОФТ, 2000.

88. Титоренко, Г.А. Автоматизированные системы управления предприятиями Текст./Г.А.Титоренко. М., Финансы и статистика, 1983.

89. Трахтенгерц, Э.А. Субъективность в компьютерной поддержке управленческих решений Текст./ Э.А.Трахтенгерц. М.: СИНТЕГ. 2001.

90. Трахтенгерц, Э.А. Компьютерная поддержка принятия решений Текст./Э.А.Трахтенгерц. М.: СИНТЕГ, 1998.

91. Трубачев, А.П. Оценка безопасности информационных технологий. Общие критерии Текст./ А.П.Трубачев, М.Ю.Долинин, М.Т.Кобзарь М.Т.; под ред. В.А. Гала^енко. М.: СИП РИА, 2001.

92. Уоссермен, Ф. Нейрокомпьютерная техника Текст./ Ф.Уоссермен. М.: Мир, 1992.

93. Фатрелл, Р.Т. Управление программными проектами: достижение оптимального качества при минимальных затратах Текст./ Р.Т.Фатрелл, Д.Ф.Шафер, Л.И.Шафер. Пер. с англ. М.: Вильяме. 2004.

94. Холстед, М.Х. Начала науки о программах Текст./ М.Х.Холстед. Пер. с англ.М.: Финансы и статистика. 1981.

95. Хофман, А. Введение в теорию нечетких множеств Текст./

96. А.Хофман. М.: Радио и связь, 1982.

97. Шапиро, Д.И. Принятие4 решений в системах организационного управления: использование расплывчатых категорий Текст./ Д.И.Шапира. М.: Энергоатомиздат, 1983.

98. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB Текст. / С.Д. Штовба. М.: Горячая линия Телеком, 2007. 288 с.

99. Щербо, В.К. Функциональные стандарты в открытых системах Текст./ В.К.Щербо, В.А.Козлов. 4.1. Концепция открытых систем.

100. Между народные функциональные стандарты. М.: Изд. МЦНТИ. 1997.

101. Albrecht, A., and J. Gaffney, «Software Function, Source Lines of Code, and Development Effort Prediction: A Software Science Validation», IEEE Transactions on Software Engineering, SE-9(6), 1983.

102. Axelrod R. Structure of Decision: the cognitive maps of political elites. Prinston Univ, Press, N. Y.: 1976.

103. Beizer B. Software testing techniques. N.Y.: Van Nostrand Rein-hold. 1990.

104. Bellman R., Giertz M. On the analytic formalism on the theory of fuzzy sets // Information Sciences. 1974. V. 5. P. 149-157.

105. Boehm, B.W. Software cost estimation with COCOMO II. Prentice Hall1. PTR. New Jersey. 2000.

106. Boehm, Barry, and Richard Turner. «Balancing Agility and Discipline: A Guide for the Perplexed», Boston, MA: Addison-Wesley. 2004.

107. Brown S. M. Cognitive mapping and repertory grids for qualitativesurvey research: some comparative observations // Journal of Management Studies. 1992. V. 29. P. 287-307.

108. Buckle J.K. Software configuration management. London: Mac-millan Press. 1982.

109. Carley K, Palmquist M. Extracting, representing, and analyzing mental models // Social Forces. 1992. V. 70. P. 601-636.

110. Carlsson C, Fuller R. Adaptive fuzzy cognitive maps for hyperknowl-edge representation in strategy formation process // In Proc. of the International Panel Conference on Soft and Intelligent Computing, Technical University of Budapest, 1996. P. 43-50.

111. Carvalho J. P., Tome J. A. Automatic implementation and simulation of qualitative cognitive maps // In Proc. of the International Conference on Computational Science, San Francisco, California, USA, 2001. P. 217-221.

112. Carvalho J. P., Tome J. A. Rule-based fuzzy cognitive maps express'ing time in qualitative system dynamics // In Proc. of the FUZZ-IEEE'2001, Melbourne, Australia. P. 280-283.

113. Chaib-draa В., Decharnais J. A relational model of cognitive maps // Int. J. Human-ComputeT Studies. 1998. V. 49. P. 181-200.

114. Charett R. Software engineering risk analysis and management. N.Y.: McGraw-Hill. 1989.

115. Chen S., Billings S. Neural Networks for Nonlinear Dynamic Systemf

116. Modeling and Identification // Int. J. Control. 1992. V. 56. P. 319-329.

117. Davis A. Software requirements: Objects, functions and states. -Englewood Cliffs. NY. Prentice-Hall. 1993.

118. DeMarco, Tom, and Timothy Lister, 2003. «Waltzing with Bears: Managing Risks on Software Projects», New York, NY: Dorset House.

119. DeMarco, Tom, 1982. «Controlling Software Projects», New York, NY: Yourdon Press.

120. Dickerson J. A., Kosko B. Virtual worlds as fuzzy cognitive maps // Presence. 1994. V. 3. P. 173-189.

121. Encyclopedia of Software Engineering. Vol.1 A-N; Vol.2 O-Z. Editor -In Chief John J. Marciniak. John Wiley & Sons. Inc. 1995.

122. Grady R. Practical software metrics for project management and process improvement. Englewood Cliffs. NY. Prentice-Hall. 1992.

123. Huerga A. A balanced differential learning algorithm in fuzzy cognitive maps // In Proc. of the Sixteenth International Workshop on Qualitative Reasoning, QR'2002, Spain, 2002. P. 210-214.

124. ISO/IEC 20926:2003. «Software Engineering IFPUG 4.1 Unadjusted functional size measurement method — Counting practice manual». International Organization for Standardization, 2003.

125. Jones, Capers, 2005. «Software Engineering: The State of the Art in 2005», Version 5, Software Productivity Research Whitepaper, February 11, 2005.

126. Jones C. Applied software measurement, assuring productivity and quality. McGraw-Hill. NY. 1996.

127. Jorgensen M., A Review of Studies on Expert Estimation on Software Development Effort. 2002. '

128. Kit E. Software Testing in the Real .'World Improving the Process. Addison-Wesley. 1996.

129. Klein J. H., Cooper D. F. Cognitive maps of decision-makers in a complex game // Journal of the Operational Research Society. 1982. V. 33. P. 63-71.158s "

130. Kosko В. Fuzzy systems as universal approximators // IEEE Trans. Computers. 1994.V. 43.

131. Kosko B. Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to Machine Intelligence. Prentice-Hall, Englewood Cliffs, New Jersey, 1992.

132. Kosko B. Fuzzy cognitive maps // Int. Journal of Man-Machine Studies. 1986. V. 24. P. 65-75.

133. Kosko B. Differential hebbian learning // AIP Conference Proceedings. V. 151. 1986. P. 265-270.

134. Kosko В., Mitaim S. Neural fuzzy agents for profile learning and adaptive object matching // Presence. 1998. V. 7. №. 6. P. 617-637.

135. Littlewood B. ed. Software Reliability Achievement and Assessment. London. Blackwell Scientific Publications. 1987.

136. Londeix B. Cost estimation for software development. Cornwall: Addison-Wesley. 1987.

137. Martin J., McClure C. Software maintenance, the problems and its solutions. -N.Y.: Prentice-Hall. 1983.

138. McConnell, Steve, «Professional Software Development», Boston, MA:t1. Addison-Wesley. 2004.s

139. Montazemi A. R., Conrath D. W. The use of cognitive mapping for information requirements analysis //MIS Quarterly. 1986. V. 10. P. 45-55.

140. Musa J.D., Iannino A., Okumoto K. Software Reliability: Measurement, Prediction, Application.N.Y. McGrawHill. 1987.

141. Nakamura K., Iwai S., Sawaragi T. Decision support using causation knowledge base // IEEE Transactions on Systems, Man, and Cybernetics SMC. 1982. V. 12. P. 765-777.

142. Pedrycz W. An identification algorithm in fuzzy relational systems // Fuzzy Sets and Systems. 1984. V. 13.

143. Pedrycz W. Fuzzy Control and Fuzzy Systems. N. Y.: John Wiley and1. Sons, 1993.

144. Putnam, Lawrence H., and Ware Myers, 1992. «Measures for Excellence: Reliable Software On Time, Within Budget». Englewood Cliffs, NJ: Yourdon Press.

145. Putnam, Lawrence H., and Ware Myers, 1997. «Industrial Strength Software: Effective Management Using Measurement», Washington, DC: IEEE Computer Society Press.

146. Putnam, Lawrence H., and Ware Myers, 2003. «Five Core Metrics», New York, NY: Dorset House.

147. Quarterman J.S., Wilhelm S. Unix, Posix and open systems: The open standards puzzle. N.Y., Addison Wesley. 1993.

148. Reinmann S. On the design of artificial auto-associative neuralnetworks //Neural Networks. 1998. V. 11. P. 611-621.

149. Satur R., Liu Z. Q. A contextual fuzzy cognitive map framework for geographic information systems // IEEE Trans. Fuzzy Syst. 1999. V. 7. p. 481-494.

150. Schindler M.J. Computer aided software design. Build quality software with CASE. - N.Y. John Wiley & Sons, 1990.

151. Schneider M., Shnaider E., Kandel A., Chew G. Automatic construction of FCMs // Fuzzy Sets and Systems. 1998. V. 93. P. 161-172.

152. Shooman M.L. Software Engineering: Reliability, Development and Management. N.Y. McGraw-Hill. 1983.

153. Sommerville I. Software engineering. Lancaster University. Addi-son1. Wes-ley.2000.

154. Styblinski M. A., Meyer B. D. Fuzzy cognitive maps, signal flow graphs, and qualitative circuit analysis // In Proc. of the 2nd IEEE International Conference on Neural Networks (ICNN-87), San Diego, California, 1988. P. 549556.

155. Stylios C. D., Groumpos P. P. Application of fuzzy cognitive maps in large manufacturing systems // In Proc. of the IF AC LSS'98, Rio, P'atras, Greece. V.1. 1998. P. 531-536.

156. Stylios С. D., Groumpos P. P. Fuzzy cognitive maps in modeling supervisory control systems // Journal of Intelligent & Fuzzy Systems. 2000. V. 8. №.2. P. 83-98.

157. Stutzke, Richard D., «Estimating Software-Intensive Systems», Upper Saddle River, NJ: Addison Wesley. 2005.

158. Swkagi Т., Iwai S., Katai Оч. An integration on qualitative causal knowledge for user-oriented decision support // Contr. Theory and Advanced Technology. 1986. V. 2. № 3. P. 451-482.

159. Tolman E.C. Cognitive maps in rats and men // Psychological Review. 1948. V. 42. №. 55. P. 189-208.

160. Vincent J., Waters A., Sinclair J. Software quality assurance. Vol. II. A programme guide. Englewood Cliffs, New Yersey: Prentice-Hall. 1988.

161. Wellman M.P. Inference in cognitive maps // Mathematics and Computers in Simulation. 1994. V. 36. P. 137-148.

162. Yourdon E. Modern Structured Analysis. N.J.Yuordon Press/ Prentice-Hall. 1995.