автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Проектирование элементов принятия решений в имитационных моделях бизнес-систем

На правах рукописи

РГБ ОД

- 3 ЯНН ?(](]

КЛЫШИНСКИЙ Эдуард Станиславович

Проектирование элементов принятия решений в имитационных моделях бизнес-систем

Специальность: 05.13.12.- Системы автоматизированного

проектирования в промышленности

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 2000

Работа выполнена в Московском государственном институте электроники и математики (Технический университет).

Научный руководитель -

доктор технических наук, профессор Солодовников И.В,

Официальные оппоненты -

доктор технических наук, профессор Жданов B.C. кандидат технических наук Чулан H.A.

Ведущая организация -

Государственный научно-исследовательский институт информационных технологий и телекоммуникаций.

Защита состоится " 28 " ноября 2000 г. в часов на заседании

диссертационного совета К 063.68.01 Московского государственного института электроники и математики: 109028 Москва, Б. Трехсвятнтельский пер., 1-3/12 стр. 8.

С диссертацией можно ознакомиться в библиотеке Московского государственного института электроники и математики.

Автореферат разослан "Ж" _ 2000 г.

Ученый секретарь

диссертационного совета

канд. техн. наук

^foJ-? J г. ,.

В.А. Старых

Общая характеристика работы

Актуальность проблемы.

На современном этапе развития инженерной мысли перед проектировщиками и исследователями встают задачи по созданию и изучению все более сложных систем, которые характеризуются многочисленными объектами внутри себя, сложной иерархией самих этих объектов и взаимосвязей между ними, высокой степенью динамики, многофакторностью поведения как системы в целом, так и ее подсистем. В связи с большим количеством параметров и взаимосвязей, которые приходится рассматривать, процесс проектирования подобных систем существенно затрудняется. Решением данной проблемы является автоматизация процесса проектирования и исследования таких систем при помощи создания новых средств анализа. В числе прочего для анализа имеющихся и проектируемых систем применяют имитационное моделирование.

Одной из наиболее востребованных предметных областей на данный момент являются бизнес-системы. Под бизнес-системой будем понимать совокупность систем, проводящих на основе поступающей информации бизнес-процессы в интересах внутренних или внешних пользователей. Под бизнес-процессом понимается совокупность действий, получающая на входе данные различных типов и продуцирующая результат, имеющий ценность для потребителя. В состав бизнес-системы зачастую входят объекты, определяющие свое поведение в соответствии с состоянием внешней среды без помощи внешнего вмешательства. При проектировании модели это также приходится учитывать.

Имеющиеся на данный момент решения данной задачи заключаются в создании единого модуля, моделирующего принятие решений всеми объектами модели. При этом правила, на основе которых принимается решение, хранятся в единой базе. Это существенно замедляет работу системы, делает модель сложной для понимания, приводит к значительным трудностям при внесении изменений в модель.

В связи с этим является актуальным создание элементов принятия решений для имитационного моделирования объектов бизнес-систем, позволяющих ускорить процесс проектирования модели и скорость ее работы.

Цель работы.

Целью работы является создание основанного на применении методов агентных систем подхода к построению элементов имитационной модели объектов бизнес-систем. При этом объекты определяют последовательность своих действий на основании информации из внешней среды, собственного и целевого состояний.

Для достижения поставленной цели были решены следующие основные задачи.

1. Анализ подходов к построению агентных систем в целях адаптации их к работе в составе системы имитационного моделирования.

2. Разработка подхода к созданию элементов имитационной модели, являющихся разновидностью транзактов, обладающих механизмом планирования своих действий в зависимости от состояния самого транзакта и внешней среды, а так же целевых условий.

3. Разработка метода оценки решений, принимаемых объектом в ходе имитационного эксперимента.

Методы исследования.

В качестве методов исследования в диссертации используются методы имитационного моделирования, искусственного интеллекта, теории принятия решений и планирования эксперимента.

Научная новизна.

Научная новизна работы заключается:

- в разработке подхода к построению элементов имитационной модели объектов бизнес-систем, определяющих последовательность своих в зависимости от состояния самого транзакта и внешней среды, а так же целевых условий;

- в разработке подхода к включению в структуры имитационной модели объектов данного класса;

- в построении метода планирования событий в системах имитационного моделирования поведения бизнес-систем с множеством взаимодействующих объектов, принимающих решения.

На защиту выносятся:

1. Подход к построению включаемых в имитационные модели классов объектов, определяющих последовательность выполняемых ими действий в соответствии с состоянием самого транзакта и внешней среды, а так же целевых условий.

2. Структурная схема прототипов элементов системы имитационного моделирования, основанная на применении агентного подхода.

Практическая ценность работы заключается в следующем.

- Предложенный в работе метод построения имитационной модели бизнес-систем позволяет, не нарушая структуры системы имитационного моделирования, включить в нее объекты с элементами искусственного интеллекта (ИИ). Это позволяет анализировать поведение моделируемых агентов как с точки зрения принимаемых ими решений, так и с точки зрения классического имитационного моделирования.

- Разработан алгоритм функционирования объектов, самостоятельно определяющих последовательность своих действий, в ходе имитационного моделирования.

- На основании предложенных методов и алгоритмов была построен исследовательский прототип системы имитационного моделирования ISAgent.

Внедрение результатов исследований.

Разработанный в ходе создания диссертационной работы исследовательский прототип (программа 18А£еп1) системы имитационного моделирования был применен в ходе командно-штабных учений в Общевойсковой Академии Вооруженных Сил Российской Федерации. Применение программы в составе компьютерных средств поддержки принятия решений позволило производить быстрый анализ и оценку различных ситуаций, возникавших в ходе командно-штабных учений, выработку решений по использованию технических средств и личного состава.

Также программа была применена отделом продаж компьютеров собственной сборки ООО «Электон» для анализа потока заявок на комплектующие к вычислительной технике со стороны фирмы к производителям и со стороны покупателей к фирме. Программа использовалась в режиме консалтинга в качестве системы поддержки принятия решений. Применение данной программы позволило провести прогнозирование случаев увеличения и уменьшения сбыта и выработать кадровую политику фирмы в подобных обстоятельствах.

Метод построения агента применен при создании программного модуля «Персонаж» системы развития интеллектуальных способностей человека «Успех». Применение агента позволило удобно, с точки зрения психологии, решить задачу воздействия на пользователя, его ведения по упражнениям, гармоничного развития различных

способностей, проверки результатов развития. Также особенности реализации агента позволили психологам и дизайнерам решить задачу эргономичности интерфейса.

Практическая ценность работы подтверждена актами внедрения.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на научно-технической конференции «Электроника и информа-тика-97» (Москва, 1997); научно-практических семинарах «Новые информационные технологии 1-3» (Москва, 1998-2000); научно-технических конференциях студентов, аспирантов и молодых специалистов МГИЭМ (Москва, 1998-2000); международной научно-технической конференции «Системные проблемы качества, математического моделирования и информационных технологий» (Сочи, 1999); на международной конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления» (Переславль-Залесский, 1999);

Публикации. По теме опубликовано 9 печатных работ.

Структура и объем работы. Работа состоит из введения, четырех глав, заключения, списка литературы из 88 наименований и приложения. Основная часть содержит 125 страниц машинописного текста, 13 рисунков и 1 таблицу.

Содержание работы

Первая глава посвящена анализу применяемых методов принятия решений в бизнес-системах, современных подходов к моделированию сложных динамических систем, обзору методов имитационного моделирования бизнес-систем, существующих агентных систем, а также постановке цели работы.

В современных методах построения и разработки различных систем все большая роль отводится средствам проектирования будущих систем. Это связано с тем, что обнаружение и исправление ошибок, допущенных на начальных этапах проектирования, во много раз быстрее и дешевле, чем в процессе завершения разработки и испытания готового продукта. Но современные бизнес-системы являются многопарамет-ричными и содержат в себе сложные зависимости. Это связано с большим количеством объектов внутри системы, различной их природой и функциональностью, разрозненностью и распределенностью этих объектов, наличием связей различного типа. Кроме того, в бизнес-системы могут входить объекты со сложно формализуемым поведением, которое нельзя описать в виде математических зависимостей.

Сложность задачи состоит в том, что внешняя среда может мешать такому объекту достигнуть целевого состояния, изменять параметры окружающей среды таким образом, что целевое состояние будет перемещаться в пространстве состояний. Кроме того, воздействия других объектов могут приводить бизнес-систему в состояние, отличное от того, которое объект запланировал в ходе принятия решения о своем поведении. Еще одной сложностью является то, что зачастую нельзя свести процесс принятия решения к единственной оценке решения или к функции полезности, которую можно вычислить, используя численные методы. Однако подобная оценка может быть вычислена в результате работы с набором правил, последовательно применяемых к текущей ситуации.

Также на этапе проектирования может возникнуть необходимость отладить модель поведения будущей системы реального мира. Особенно актуальна эта задача при проектировании интеллектуальных систем: роботов, систем контроля и управления и других. Отладка такой модели в ходе натурных экспериментов может быть дорогостоящей или невозможна. Для решения этой задачи могут быть применены методы имитационного моделирования. Создание виртуальной среды, соответствующей бу-

дущей реальной предметной области, позволит проектировщику поместить в нее самостоятельные модули, отвечающие за моделирование объектов предметной области. Производя модельные прогоны, проектировщик может получить необходимую модель поведения еще до создания реальной системы. Особенно актуальным такой подход становится при проектировании интеллектуальных программных систем, когда в качестве блока, принимающего решение о дальнейшем поведении объекта, может выступать тот же самый программный модуль, который будет применен в реальной системе. В этом случае проектировщик получает возможность не только отладить модель поведения, но и проверить работоспособность этого модуля, получить готовую и отлаженную базу знаний.

Решение данных задач может быть найдено при помощи применения методов имитационного моделирования. В нем последующие состояния системы вычисляются на основании предыдущих, что вполне укладывается в алгоритмы существования указанных объектов бизнес-систем. Кроме того, в имитационное моделирование наряду с обработкой совокупности числовой информации можно легко внедрить методы работы с правилами.

Областью науки, изучающей объекты, самостоятельно определяющие и осуще-статяющие собственное поведение, является агентный подход к построению систем. Под агентом будет пониматься самостоятельная система, имеющая возможность принимать воздействие от внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию. Под интеллектуальным агентом понимается агент, обладающий рядом знаний о себе и окружающем мире, целесообразное поведение которого определяется этими знаниями. Восприятие внешнего мира производится посредством рецепторов, воздействие на внешний мир - при помощи эффекторов. Самостоятельное поведение агента понимается как цепочка «исходное состояние» -» «действие» -» «конечное состояние», определяемая самим агентом. В качестве агентов могут выступать лица, принимающие решения, автоматизированные и роботизированные комплексы, объекты, управляемые человеком. При этом поведение определяется на основании набора правил, обычно неизменного в ходе выполнения поставленной задачи.

Агенты позволяют рассматривать такой класс систем как самостоятельные системы, активно взаимодействующие с внешней средой, самостоятельно определяющие свое поведение, в том числе за счет методов ИИ. В связи с этим является логичным применение агентной технологии к моделированию их поведения.

Анализ поведения объектов бизнес-системы может проводиться в целях управления такой системой, либо в целях ее проектирования. И в том, и в другом случаях применимы системы поддержки принятия решений (СППР). При управлении системой пользователь может потребовать от системы решения задачи выработки решения полностью, то есть система должна выдавать единственное решение. Для таких задач создаются узкоспециализированные программные комплексы, применяемые для оперативного решения задач. В случае, если пользователь является экспертом в предметной области и обладает знаниями о структуре протекающих в системе процессов, возможно применение таких средств, как OLAP, статистические системы, системы имитационного моделирования и нейропакеты. Первые два класса систем служат в основном для извлечения информации о закономерностях внутри бизнес-систем. Решение в таком случае принимается в зависимости от полученного вида закономерности. Имитационные системы применяются, когда модель поведения изучаемой бизнес-системы уже известна.

На данный момент существует большое количество программных систем, предназначенных для имитационного моделирования. Из них можно выделить ряд групп. Языки программирования типа СИМУЛА-67 и CJTAM-II, созданные для проведения имитационного моделирования, позволяют работать с весьма широким спектром задач. Однако при внесении изменений в модель системы необходимо вносить изменения во всю систему моделирования. Кроме того, до сих пор не было разработано методики, позволяющей использовать в данных системах агентный подход для имитационного моделирования бизнес-процессов.

Системы общего назначения без поддержки методов логического вывода (типа GPSS и DYNAMO) не позволяют моделировать системы, в состав которых входят объекты, самостоятельно определяющие набор действий, который необходимо применить в создавшейся ситуации. Для систем, обеспечивающих такую поддержку (G2, РДО), также не разработано методов применения агентного подхода. Кроме того, ряд систем здесь не поддерживают методы объектно-ориентированного проектирования, что затрудняет разработку больших систем, делает невозможным принятие решений самим объектом моделирования. В большинстве систем принятие решения о своих действиях объект может произвести лишь в рамках всей системы в целом, что в конечном итоге затрудняет понимание модели.

Примером специализированной системы является Project Expert - система,' позиционируемая как набор профессиональных инструментов для финансового управления бизнесом. Данная система позволяет строить сложные модели финансовых потоков, инвестиционных проектов, проводить инвестиционный анализ и управление проектами на основе составленных моделей. Данная программа предоставляет большие возможности, однако предъявляет большие требования к уровню и объему знаний пользователя. Модель поведения участников здесь может быть задана в виде дерева решений, то есть интеллектуальная составляющая модели также может быть учтена.

Однако задаваемое в данной системе дерево имеет фиксированную структуру. Вследствие этого требуются значительные трудозатраты для ввода дерева, соответствующего всему набору рассматриваемых вариантов. Кроме того, поиск по дереву решений занимает большое количество времени даже при условии введения ограничений. В случае сложной системы модель может существенно замедлить свою работу вплоть до того, что перестать быть функциональной. Ускорить ее работу можно двумя способами: ускорением метода поиска решения и распараллеливанием работы объектов модели. Решением второй задачи является оформление объектов моделируемой системы в виде агентов. Агент взаимодействует с внешней средой только за счет рецепторов и эффекторов, то есть модель в целом не зависит от аспектов внутренней реализации агента. В связи с этим каждый агент может быть выполнен в виде самостоятельной программы и запущен на отдельном компьютере. Кроме того, агент имеет возможность анализировать информацию, полученную от внешней среды на предыдущих этапах и за счет этого налагать дополнительные ограничения в ходе процесса принятия решения о своем поведении. Это также позволяет ускорить работу агента.

Введение агентов позволяет также ускорить процесс создания модели. Как это было отмечено выше, агент может быть оформлен в виде самостоятельного модуля. В связи с этим и его проектирование может вестись отдельно от проектирования всей остальной модели, при условии наличия спецификаций на поступающую информацию. За счет этого отладку отдельного агента также можно проводить независимо от всех остальных. На конечном этапе, когда отлаживаемые модели будут существенно

зависеть от поведения окружающей среды и своего взаимодействия с ней, различные классы агентов могут быть введены в единую систему. Кроме того, выделение агентов позволяет повторно использовать их при создании других моделей, работающих с теми же объектами. Независимость их внутренней реализации позволит свести их изменения к минимуму.

Вторая глава диссертационной работы посвящена изложению теоретических основ имитационного моделирования, построеши агентных систем. Также в главе изложены модель построения элементов принятия решений, их место в структуре имитационной модели и метод оценки деятельности агента.

Динамический класс - это тройка <Р,С,Т>, где Р - нестандартное множество (область класса), Т - множество вещественных чисел (существование класса), в -множество динамических атрибутов (характеристика класса). Тогда динамическая система - это тройка <Е,С,Р>, для которой справедливы следующие условия: 1) Е -непустое множество динамических классов, области которых дизъюнктивны и существования равны; 2) С - двузначная булева функция, определенная на декартовом произведении ХхТ, где, X - объединение областей всех динамических классов из Е, а, Т - их общее существование; 3) (5 - подмножество Е, которое является его базой; 4) пусть АеЕ, а - произвольный динамический указательный атрибут из характеристики А; тогда если С(х,0=1гие, то либо а(х,1)=попе, либо С(а(>;,1)Д)=-1:гие. 5) если С(х,1[)=1гие для хеХ, ^ еТ и если С(хД2)=Га1зе для некоторого 12еТД2>1ь то С(хд)=£аке для всех Р12. Здесь X - область динамической системы, Т - ее существование, Е - каркас системы. Объединение характеристик всех элементов из Е назовем характеристикой динамической системы. Функция С(хД) показывает, что объект х в момент времени I присутствует в динамической системе.

Тогда имитационную модель можно описать как шестерку <2|^2,т,М,тД>, для которой справедливы следующие условия: 1) Ъ\ (моделируемая) и (моделирующая) - динамические системы <С1,Е1,р|> и <С2,Е2,Р2>; 2) т (элементная часть)- отображение замыкания X области системы Ъ\ на замыкание области системы 7.2; 3) М (атрибутная часть) - отображение характеристики С| системы Ъ\ на характеристику системы Ъг\ 4) т (временная часть) - неубывающее отображение существования Т| системы на существование системы Ъх, 5) Я (часть отношений модели) - отображение множества и на некоторое множество бинарных отношений объединения всех стандартных множеств, и определено как множество всех <а,хД>, где а - стандартный атрибут из вь х принадлежит области атрибута а и С^хД^гие; 6) если х принадлежит области динамического атрибута а из 61, то т(х) - области динамического атрибута Ма; 7) если а и Ь принадлежат характеристике одного и того же динамического класса из Еь то Ма и Мь - характеристики одного и того же динамического класса из Е2; 8) пусть хеХ[, ГеТ|. Тогда если С|(х,1)-1гие, то С2=(т(х)> т(1))=1гае; 9) если а - динамический указательный атрибут из в], то Ма - также динамический указательный атрибут. Если х является элементом области атрибута а, 1еТ1 и С|(хД)=ггие, то ш(а(хД))=Ма(т(х), т(0); 10) если а - динамический стандартный атрибут из Оь то Ма - также динамический стандартный атрибут. Если х является элементом области атрибута а, 1еТ] и С1(х,0=1гие, то выполняется отношение Ка1Х1,(а,(хД),Ма(т(х), т^)). Под имитационным моделированием будем понимать работу (имитирующей) системы, заменяющей собой другую (имитируемую) систему с целью получения информации о замененной системе. При этом имитирующая система отображает основные важные для получения информации свойства имитируемой системы.

Под динамическим объектом ОЪу будем понимать реализацию экземпляра динамического класса. Пусть X - область объектов имитационной модели - объединение всех областей X объектов, входящих в систему. Окружающей средой Х[ для данного динамического объекта назовем объединение областей всех объектов данной системы за вычетом самого данного объекта. В случаях, когда верхний индекс следует из контекста, будем опускать его.

Х1 = Х-ОЪ]\ .

Для бизнес-систем можно выделить три вида участников процессов. Это пространство, на котором существует бизнес-система, активные и пассивные участники процессов. В соответствии с этим выделим три типа динамических классов, для которых будет проводиться моделирование.

1. Моделируемое пространство - активность, характеристика которой определена на области всей системы. Данному классу для данной имитационной модели может принадлежать лишь один объект.

2. Объект - транзакг, для которого 0=0, то есть не обладающий динамическими атрибутами и не совершающий никаких преобразований внутри имитационной модели.

3. Агент - расширенный транзакг, представляемый в виде кортежа <Р,0,Т,В,0>, для которого в определяется специальным образом и В - база правил применения функций из в, Б - база фактов.

Атрибуты агента определим как кортеж С=<11с,Р,Ь>, где Кс={Яс,} - рецепторы агента, ¡=1..пгс, Р=Ш - выходные функции агента и Ь - решатель агента. Рецепторы предназначены для получения и преобразования информации об имитационной модели Кс: Хе->1, где I - внутреннее представление информации агента. Выходные функции определяют набор параметров, которые может изменять агент. Выделим два вида выходных функций 1хР—>Р - функции преобразования области данного класса, и Р0: 1хР->Хе - функции преобразования области окружающей среды данного класса. Решатель определим как функцию Ь: 1хРхВ->(£х,0.

Для имитационной модели определяется оператор 11, задающий функциональную (в терминах САБЕ-технологии) связанность между событиями. Согласно определению Я, данный вид связанности можно представить как Я: и~»(£х,1). Будем считать, что и принимает значения из декартова произведения областей динамических объектов х„, „ Р' = (х„и Р')х (х„^| „ Р')х Р', где п - количество динамических объектов в системе, ] - номер рассматриваемого динамического объекта. То есть, и принимает значения из декартова произведения областей динамических объектов окружающей среды данного динамического объекта на его область. Однако так как агент имеет доступ к информации о своей окружающей среде лишь посредством оператора Яс, то оператор Я может быть представлен в нашем случае, как 1хР->(Г,х,1).

База фактов Б представляет собой множество динамических атрибутов. База правил представляет собой множество пар вида <С,А> и <С,0'>, где С - логическое выражение, А=(£хД) - привязанное к нему действие (функция £ выполняемая в момент времени I с учетом параметров х), Б' - состояние базы фактов после применения правила. Логическое условие С состоит из фактов, находящихся в V, и логических операций. Действие А выполняется в случае, если С истинно. Назовем С условием применимости А. А может быть запланировано на некоторый момент времени в будущем, либо исполнено в тот же момент времени при условии, что Ге^. Во втором случае исполненное действие будет влиять на дальнейшую работу решателя.

Область агента Р представима в виде кортежа <РП-,Р8>, где Рт - собственно нестандартное множество и Ре - нестандартное множество, показывающее набор состояний, в которые агент должен перевести себя или свою окружающую среду. Назовем Рг областью целевых состояний. Таким образом, правила порождения событий заменяются на правила вида С-»Сепега1е(). При введении базы правил оператор Оеп-ега1е() инициирует процесс поиска решателем набора событий, ведущего к выполнению стоящих перед агентом задач. Под выполнением задачи понимается достижение состояния, хранимого в Рг. Решатель на основе логического вывода с применением хранимых в В правил находит набор троек (Г,х,1) и на их основе помещает в управляющий список набор будущих событий.

Управляющий список системы состоит из п+1 подсписка, где п - количество агентов в системе. Для каждого агента заводится собственный управляющий список, еще один необходим для моделируемого пространства. Такое разбиение необходимо для более гибкого управления действиями агента, упрощения операции уничтожения и возникновения агентов, перепланирования агентами собственных действий.

Введенный как оператор решатель Ь позволяет решать те же задачи, используя при этом более слабый вид связи - логическую. За счет этого имеется возможность динамически формировать последовательность действий, предпринимаемых интеллектуальным агентом. Для реактивного агента тип связанности останется функциональным, так как при В=0 Ь: 1хРхВ->(£хД) сводится к классическому Ь:1хР—>(£х,0.

В случае, когда В=0 агент будем называть реактивным, в противном случае -интеллектуальным. Основным отличием между ними является то, что для интеллектуального агента в качестве реакции на определенную ситуацию в системе не задается последовательность событий в явном виде. Данная последовательность формируется в ходе работы решателя путем последовательной проверки условий применимости и исполнения или планирования связанных с ними действий. В результате работы решателя в управляющий список помещается множество {(^х^)}, где ^еБ,.

Для моделируемого пространства и реактивных агентов сохраняется функциональная связность событий. Это означает, что моделируемое пространство может быть представлено в виде реактивного агента. Основным отличием моделируемого пространства от реактивного агента является то, что существование пространства обязательно должно совпадать с существованием моделируемой системы. То есть моделируемое пространство обязательно является активностью, тогда как реактивный агент может выступать в роли транзакта.

Моделируемое пространство является областью, в которой существуют моделируемые объекты. Оно является моделью физического пространства, в котором существует моделируемая система. Для системы должен быть задан оператор О: X—>РСП1 отображения параметров объекта в параметры моделируемого пространства. Здесь Реги - область моделируемого пространства. Данный оператор показывает, как соотносятся параметры моделируемых объектов с параметрами пространства. В связи с тем, что имена данных переменных могут быть различны для различных классов, и вводится данный оператор. Оператор О разбивает область каждого класса на две группы. Для первой хеХ1 х: (3 О: х-> Рспу), для второй хеХ2 и такого оператора не существует. Переменные первой группы показывают свойства класса, отражающие его существование в моделируемом пространстве, второй группы - собственные свойства объектов данного класса.

Под событием в системе будем понимать изменение значения набора параметров объекта моделирования или окружающей среды, а также принятие решения агентом.

Под принятым решением понимается запрос агента к системе моделирования на изменение собственных параметров или параметров окружающей среды. Под ситуацией будем понимать набор параметров объектов системы и моделируемого пространства.

Каждое событие будет описываться четверками <"Р",РЫ,У,Т>, в случае смены параметров, и <"Б",А,В,Т> в случае принятия решения. Здесь "Р" и "Б" - идентификаторы типа событий, РК - имя параметра, включающее в себя и уникальное имя объекта моделирования, А - агент, принявший решение, V - новое значение параметра, Б - принятое решение и Т - значение системного времени. При необходимости конкретизировать тип события будем называть события типа "Р" событиями смены параметра, а события типа "Б" - событиями принятия решения.

Приведенные выше кортежи будем обозначать Е в общем случае и Ер и Еа соответственно в случаях, когда их необходимо разделять на события смены параметра и события принятия решения. Полное множество событий, произошедших в системе, обозначим как {Е}. Это множество содержит кортежи, описывающие все события, произошедшие в системе за время моделирования, и в дальнейшем будет использоваться для статистической обработки результатов эксперимента. Для статистической оценки модели выделяется подмножество {Ер} событий смены параметра. Далее из него выделяются подмножества с интересующими нас параметрами и над ними проводятся операции по вычислению статистических величин, необходимых для обработки результатов эксперимента. Для статистической обработки принятых решений выделим из множества {Е} подмножество {Е^} событий принятия решения. Из него выделим подмножество {Е^} событий принятия интересующих нас решений.

Отранжировав множество {Е5(1} по времени, мы получаем возможность вычислить время между событиями ДТгТгТц для ¡>0. Кроме того, по количеству элементов во множестве {Е5Й} и общему времени моделирования можно вычислить среднее время между событиями и частоту появления событий.

Полученные результаты позволяют разработчикам оптимизировать хранимые агентом знания. Они позволяют выявить фрагменты знаний, наиболее часто используемые при исполнении определенных задач и организовать более быстрый доступ к этим блокам БЗ; обнаружить узкие места в системе принятия решений системы, моделируемой агентом. Принятые агентом решения отражают характер его поведения. Следовательно, информация о наиболее часто принимаемых в определенной ситуации агентом решениях помогает судить о спектре имеющихся у него действий, характере его знаний и о действиях, на которые агент настроен (которым обучен).

По таким известным данным, как содержимое БЗ, начальная ситуация, модели поведения объектов моделирования, проектировщик строит множество действий {а,}, ¡=1 которые заданный агент должен выполнить в ходе эксперимента. По этому набору действий и заданной начальной ситуации можно получить набор состояний, в которые попадет агент или окружающая среда. Выделив из этого набора некоторые наиболее взжные (характеристические) состояния, получим множество {б;} 1=1..N5.

В ходе эксперимента агент совершает множество действий {т;} ¡=1..Ыт и попадет в ряд состояний. Из множества полученных состояний можно выделить подмножество состояний {р^ 1=1..Ыр, соответствующих состояниям из множества {э}. Каждое состояние агента и критичных для оценки параметров окружающей среды описывается некоторым набором параметров, из которых можно выделить подмножество важных для оценки параметров {ргк} к=1 ,.С„ ,где С„ - количество параметров.

Назовем ситуации si и Sj сравнимыми, если пересечение множеств их параметров {рг/>г^{рг*>не является пустым. Если ситуации сравнимы, то можно вычислить раз-

ницу между двумя состояниями агентов 1 и j по пересечению их параметров. Для

\arctgit4)!

нормировки оценки будем использовать функцию VI =;--р-, сводящую значе-

/2

ния к полуинтервалу [0, 1). назовем оценкой параметра ргк ситуации I относительно ситуации > Тогда оценкой ситуации \ относительно ситуации j будет отношение суммы оценок параметров к количеству параметров.

с,

2М

V» ^ ¿=1-

где Ск - количество параметров. к

Так как ситуации при эксперименте или его планировании должны описываться одним и тем же набором параметров, то они будут сравнимы между собой всегда.

Для оценки результатов модельного прогона используем оценку ситуаций из множества {р} относительно соответствующим им ситуаций из множества {т}. При этом совокупная оценка поведения агента будет определяться как отношение суммы оценок ситуаций, заданных заранее, относительно ситуаций, в которых агент находился, к их количеству

!>*»

у = —-, где - количество оцениваемых ситуаций.

^р

Назовем V оценкой траектории агента. Под траекторией здесь понимается последовательность точек в пространстве состояния, в которые была переведена система.

В общем случае агент может не попасть в некоторые состояния. В таких случаях для запланированной ситуации, у которой не находится соответствующей ситуации при проведении эксперимента, значение оценки берется равным единице. Подсчитанная совокупная оценка будет равна 0 при полном совпадении запланированного поведения агента полученному в ходе моделирования, лежать в интервале (0;0,5) при средней ошибке не более 100% от г-', лежать в интервале (0,5; 1) при средней ошибке более 100% от г* и равняться 1 в случае, когда агент не выполнил ни одного запланированного действия.

При сравнении результатов двух прогонов оценка V показывает, в каком случае агент ведет себя лучше в смысле соответствия запланированным действиям. Таким образом, калибровка поведенческой части модели может осуществляться по данной оценке и сводится в этом случае к минимизации V.

Однако в ходе моделирования возможен вариант, когда проектировщик перед началом эксперимента задал неоптимальную траекторию поведения агента. В ходе модельного прогона агент может достичь цели с меньшими затратами и по другой траектории. При этом его оценка может оказаться значительно отличной от 0, тогда как результат будет лучше запланированного. В связи с этим необходимо ввести еще одну оценку, показывающую, насколько модель приблизилась к целевому состоянию. В ней же должны учитываться параметры, отражающие минимизацию или максимизацию параметров модели. Назовем такую оценку оценкой достижения целевого состояния. Перед тем, как оценить соответствие траектории агента в ходе прогона эксперимента запланированной, следует посчитать оценку достижения целевого состояния. Если окажется, что пройденная агентом траектория дает лучшее решение задачи,

но оценка траектории больше нуля, то необходимо пересмотреть точки, в которые агент должен попасть в ходе выполнения поставленной цели.

В третьей главе приведена структура объектов системы моделирования, структурная и функциональная схемы системы имитационного моделирования, методы распределенной обработки информации о модели.

В данной работе рассматриваются два вида моделируемых объектов - агенты и объекты. Объект обладает только рядом параметров. Он является пассивной сущностью и, как следствие, не может производить самостоятельных действий (самостоятельное воздействие на окружающую среду, изменение собственных параметров, постановка целей, принятие решений), однако под влиянием агентов или других объектов может совершать некоторые действия и благодаря им влиять на внешнюю среду.

В состав агента входят следующие блоки: параметры, рецепторы; эффекторы; модуль работы со знаний (МРЗ); рабочая база данных (РБД); буфер. Общая структура агента изображена на рис. 1. Рецепторы и эффекторы отвечают за восприятие внешней среды и влияние на нее соответственно. МРЗ служит для определения набора действий, которые агент должен предпринять для достижения поставленных целей. Цели могут ставиться как внешними источниками, так и формироваться самим МРЗ.

Основой работы МРЗ является разделение набора действий, которые может совершить агент, и правил, по которым определяется последовательность этих действий. Очевидно, что заранее задать все варианты реакций агента на воздействие системы невозможно. При полном переборе вариантов задача может не быть решена за приемлемое время; при задании только части решений упускаются возможные варианты развития событий. МРЗ работает как генератор программ, однако данный генератор запускается на каждом шаге моделирования. Агент строит последовательность действий на основе знаний об имеющихся в его распоряжении действиях, их результатах, приоритетах применения в соответствии с ситуацией внешней среды. Знания о действиях закладываются в БЗ на этапе создания модели поведения агента.

Рабочая база данных хранит данные, поступающие от рецепторов, и структурированные данные, которые агент должен хранить в течение своего существования. В буфер помещаются запланированные агентом действия. При этом, так как действие может быть запланировано не только на текущий момент времени, в буфер поступает информация о том, когда данное действие должно быть выполнено.

Обращение к рецепторам и эффекторам ведется по их имени, что позволяет оформлять их как отдельные модули. В результате рецепторы и эффекторы могут быть заменены без внесения изменений в систему моделирования. Эффекторы воздействуют не непосредственно на окружающую среду, а посредством системы моделирования, что позволяет налагать на исполняемые действия ограничения. Поступающая от рецепторов информация также проходит через систему моделирования, которая может также внести изменения в зависимости от модели внешней среды и ее взаимодействия с агентом.

В главе приведено описание метода представления знаний, разработанного в ходе реализации структуры агента. Метод использует как декларативные знания (в виде сети), так и процедурные (командный язык). Декларативные знания позволяют проводить логический вывод. Процедурные знания хранят информацию о последовательности действий, предпринимаемых при наступлении определенных событий, позволяют влиять ira результаты логического вывода. Основой для командного языка послужила система «Электрон», выполненная в рамках гранта РФФИ № 96-03-32135.

В задачи управляющего модуля системы имитационного моделирования, разрабатываемого в данной работе, входит ведение системного времени; создание, уничтожение, хранение объектов моделирования (агентов, объектов); обслуживание запросов рецепторов агентов; сбор запросов эффекторов агентов, выявление противоречий между запросами, их коррекция в случае обнаружения противоречий, выполнение запросов. Структурная и функциональная схема управляющего модуля показана на рис. 2. Управляющий модуль содержит следующие блоки: список агентов; список объектов; моделируемое пространство; интерфейс; таймер; диспетчер с буферами запросов и результатов; блок контроля параметров; исполнитель.

Агенты и объекты хранятся в отдельных списках: списке агентов и списке объектов. Моделируемое пространство является областью существования (месторасположения и деятельности) агентов и моделируемых объектов. Таймер последовательно генерирует сигналы начала такта модельного времени. По данному сигналу запускается алюритм обработки шага. Время в системе изменяется дискретно.

Диспетчер служит для контроля над запросами, поступающими от агентов, и разрешения конфликтов между ними. Запросы от агентов поступают в буфер запросов, а обработанные диспетчером запросы - в буфер результатов. Исполнитель осуществляет изменения, которые были запрошены агентами и разрешены диспетчером. Блок контроля параметров на каждом такте модельного времени осуществляет изменение ряда заранее заданных параметров агентов, объектов и моделируемого пространства на основе их параметров и заданных законов изменения.

Вся информация передается агентам через интерфейс. Во-первых, его введение позволяет следовать модульной структуре системы. Рецепторы агентов обращаются к одному и тому же блоку для получения интересующей информации. При этом структура этого блока и его функциональность может меняться так же, как и структура других модулей, от которых агент получает информацию. Однако данные изменения не повлияют на способ получения информации агентом от среды моделирования. Во-вторых, интерфейс позволяет фильтровать информацию, получаемую агентом. Так, например, мы имеем возможность ввести ограничение на зону видимости агента, зашумлять или иным образом влиять на передаваемую информацию.

Буфер у агента играет роль системного списка, в котором хранятся события, которые произойдут в системе. Кроме системных списков агента системе моделирования потребуется еще один список, для планирования событий начала такта и пересчета параметров блоков контроля параметров. Так как количество таких списков в системе будет равно количеству агентов, то можно сказать, что система моделирования будет М-фазной. При этом N равно количеству агентов плюс один и является переменным, так как количество агентов в ходе прогона может изменяться.

Шаг моделирования задается следующей последовательностью действий. Таймер генерирует сигнал начала такта системного времени. По этому сигналу управление последовательно передается агентам. Агент, получив управление, опрашивает свои рецепторы. Рецепторы, согласно описанной в предыдущем параграфе схеме, передают полученную информацию в соответствующие подбазы, содержащие информацию об окружающей среде. После этого инициализируется БЗ и управление передается МЛВ. На основе проведенного логического вывода МЛВ принимает решение о дальнейших действиях агента. В ходе разбора действия заносятся в блок планируемых действий, а после разбора переносятся в буфер. Действия по коррекции БЗ или модели окружающей среды могут производиться без переноса в буфер. Далее агент выбирает команды, которые должны быть исполнены на данном шаге модельного

времени, и передает их эффекторам. Эффекторы посылают запросы на проведение изменений в буфер запросов системы моделирования. Управление возвращается системе моделирования, которая продолжает опрос агентов.

-потоки данных (запрошенных, новых)

--->- потоки команд и запросов

Рис. 1. Общая структура агента

--поток запрошенныхданньк

-поток данных

-»■ поток запросов

---передвчаупрввления

Рис. 2. Структура управляющего модуля.

Блоки и взаимосвязи мсяеду ними

Получив запросы от всех агентов, система моделирования передает управление диспетчеру. Диспетчер, согласно правилам, описывающим конфликтные ситуации, находит эти конфликтные ситуации и пытается решить их. При этом правило извлекается из буфера запросов и, после проверки на противоречивость и устранения конфликтов, помещается в буфер результатов. При этом правило, находящееся в буфере результатов, также может быть модифицировано с целью разрешения конфликта. После того, как буфер запросов оказывается пуст, управление переходит к исполнителю, который выполняет все действия, записанные в буфер результатов. Далее управление получает блок контроля параметров, который модифицирует параметры моделируемого пространства, объектов и агентов согласно правилам и формулам. После этого начинается новый шаг моделирования. Останов процесса моделирования может происходить либо по истечении системного времени, либо по исполнении некоторого условия (попадание системы в некоторую область значений, выполнение некоторой команды и так далее).

Предложенная структура построения агента делает систему моделирования независимой от внутренней реализации динамических объектов системы. Для каждого входящего в нее блока задается описание входов и выходов, реакций на те или другие воздействия. В связи с этим имеегся возможность разделять модель системы на модели подсистем и проводить их проектирование различными группами разработчиков.

Следует также заметить, что сам процесс моделирования поведения бизнес-систем может быть построен как распределенный процесс. В общем случае агенту все равно, по каким каналам он получает информацию для своих рецепторов и отдает ее при помощи эффекторов. С точки зрения описания передаваемых данных разница не будет проявляться, однако практическая реализация будет очевидно различна. Подобное распределение системы позволяет включить в процесс моделирования участников-людей, которым будет выделяться отдельное рабочее место. Подобное включение позволяет добиться большего подобия поведения всей модели в целом, однако влечет ряд недостатков.

Четвертая глава посвящена описанию реализации принципов построения структуры системы имитационного моделирования объектов бизнес-систем, изложенных в диссертационной работе.

На основе разработанного теоретического аппарата был построен исследовательский прототип системы имитационного моделирования ISAgent. Система была оформлена в виде пакета прикладных программ. Программа моделирования позволяет на основании предварительно введенных данных проводить прогон имитационной модели.

Входными файлами являются:

- файл описания моделируемого пространства - содержит описание параметров пространства;

- файлы описания классов агентов и объектов - содержат набор параметров класса, файл может содержать в себе описание нескольких классов;

- файлы базы знаний агентов - описывают сеть логического вывода и команды, привязанные к соответствующим вершинам сети;

- файл инициализации моделируемого пространства - хранит значения параметров пространства;

- файл инициализации агентов и объектов - хранит значения параметров конкретных агентов и объектов;

- файл визуализации - присваивает изображение классу агентов или объектов;

- файл описания модели - содержит имена перечисленных выше файлов.

Ход имитации отображается на экран. Результатом моделирования является файл, содержащий все события, произошедшие в системе в ходе прогона. При помощи специальной утилиты из данного файла могут быть выделены интересующие пользователя данные. Для выделенной информации может быть посчитан ряд статистических значений.

Основным методологическим принципом построения созданной системы моделирования является ее настраиваемость на различные предметные области. Это означает, что система допускает ввод в нее произвольной непротиворечивой совокупности правил рассматриваемых процессов. Ввод правил осуществляют эксперты-специалисты (возможно, с помощью программистов). Иллюстрацией данного принципа является тестовая работа системы в двух различных предметных областях: в бизнесе и з военном деле. В ходе моделирования потока заявок на комплектующие к вычислительной технике со стороны фирмы к производителям и со стороны покупателей к фирме программа работала в режиме консалтинга в роди средства поддержки принятия решения. Менеджер, изменяя параметры модели, получал возможность оценить объем персонала, необходимого для выполнения всех заявок. Во всех случаях программа помогала принимать решения, не ведущие к убыткам.

Функции, реализующие работу рецепторов и эффекторов, написаны на языке высокого уровня и компонованы в виде библиотеки динамической компоновки (.DLL). Компоновка в виде подгружаемых библиотек также дает ряд преимуществ:

- один и тот же рецептор или эффектор может использоваться при создании различных видов агентов;

- несколько экземпляров одного и того же вида агента, работающих одновременно, будут хранить в оперативной памяти один и тот же разделяемый ими повторяющийся код;

- доступ к функциям гораздо удобнее, чем в случае компоновки в другом виде. Исследовательский прототип системы был реализован с использованием компиляторов Borland С++ 5.05 и Borland С++ Builder 4.0.

Основные результаты работы

1. Разработан подход к созданию элементов имитационной модели, являющихся разновидностью транзактов, обладающих механизмом планирования своих действий в зависимости от состояния и целевых условий.

2. Предложена структура схемы взаимодействия агентов с базовой системой имитационного моделирования.

3. Разработаны методы оценки действий агента, включенного в структуру системы имитационного моделирования с точки зрения принимаемых им решений.

4. На основании разработанного теоретического аппарата построен исследовательский прототип (программа ISAgent) системы имитационного моделирования, служащей для моделирования объектов бизнес-систем, определяющих свое поведение в зависимости от состояния самого транзакта и внешней среды, а так же целевых условий.

Список публикаций по теме диссертации

1. Клышинский Э.С. Некоторые теоретические положения моделирования поведения интеллектуальных объектов // Сб.: докл. Научно-практический семинар «Новые информационные технологии». - М.: 1998, сс. 118-122

2. Клышинский Э.С. Метод построения и применения интеллектуальных объектов в системах моделирования // Автоматизация и современные технологии, № 2, 1998 , сс. 27-31

3. Клышинский Э.С. Построение систем ситуационного моделирования // Информатика - Машиностроение, №4, 1998, сс. 2-4.

4. Клышинский Э.С. Некоторые аспекты построения агентньгх систем // Сб. трудов второго научно-практического семинара "Новые информационные технологии", М.: 1999, сс. 34-40.

5. Клышинский Э.С., Казаков C.B. Метод организации работы с рецепторами и эффекторами в агентных системах // Сб.: тез. докл. Научно-техническая конференция студентов, аспирантов и молодых специалистов, М.: 1999, с. 89.

6. Солодовников И.В., Зародов А.Ф., Клышинский Э.С. Проблемы интеграции методов имитации в модели принятия решений // Информатика - Машиностроение, №2, 1999, сс. 8,9.

7. Клышинский Э.С. Агентные системы: классификация и применение // САПР и графика, N<¿8, 1999, сс. 90-96.

8. Клышинский Э.С. Одна модель построения агента // Сб. трудов международн. Конференции «Интеллектуальное управление: новые интеллектуальные технологии в задачах управления», Переславль-Залесский, 1999, сс. 126-130.

9. Клышинский Э.С. Имитационное моделирование поведения некоторых подвижных объектов // Сб.: тез. докл. Научно-техническая конференция студентов, аспирантов и молодых специалистов МГИЭМ, М.: 2000, с. 195.

Введение

Глава 1. Особенности описания бизнес-процессов в задачах проектирования

§ 1. Применение методов принятия решений в бизнес-системах

§2. Области применения агентных систем

§3. Существующие средства моделирования поведения

§4. Применение агентного подхода к моделированию поведения

Выводы

Глава 2. Имитационная модель поведения бизнес-систем

§ 1. Теоретические основы имитационного моделирования

§2. Подходы к построению агентных систем

§3. Модель элементов принятия решений

§4. Обработка результатов принятия решения агентом

Выводы

Глава 3. Построение системы имитационного моделирования, основанной на элементах принятия решений

§ 1. Организация системы моделирования

§2. Функциональная схема системы моделирования

§3. Организация распределенной обработки информации

Выводы

Глава 4. Примеры реализации и функционирования

§ 1. Практическая реализация

§2. Экспертная оболочка "Электрон"

§3. Примеры функционирования

Выводы

Актуальность работы.

На современном этапе развития инженерной мысли перед проектировщиками и исследователями встают задачи по созданию и изучению все более сложных систем, которые характеризуются многочисленными объектами внутри себя, сложной иерархией самих этих объектов и взаимосвязей между ними, высокой степенью динамики, многофакторностью поведения как системы в целом, так и ее подсистем. В связи с большим количеством параметров и взаимосвязей, которые приходится рассматривать, процесс проектирования подобных систем существенно затрудняется. Решением данной проблемы является автоматизация процесса проектирования и исследования таких систем при помощи создания новых средств анализа.

Одной из наиболее востребованных предметных областей на данный момент являются бизнес-системы. Под бизнес-системой будем понимать совокупность систем, проводящих на основе поступающей информации бизнес-процессы в интересах внутренних или внешних пользователей. Под бизнес-процессом понимается совокупность действий, получающая на входе данные различных типов и продуцирующая результат, имеющий ценность для потребителя [28].

Сложность протекающих ' в бизнес-системе процессов заключается в том, что в состав бизнес-системы зачастую входят объекты, самостоятельно определяющие свое поведение. При этом самостоятельное поведение понимается как цепочка «исходное состояние» -> «действие» -» «конечное состояние», определяемая Самим объектом. Это могут быть лица, принимающие решения, автоматизированные и роботизированные комплексы, объекты, управляемые человеком. При этом поведение определяется на основании набора правил, обычно неизменного в ходе выполнения поставленной задачи.

При исследовании бизнес-системы необходимо учитывать фактор принятия решения. Для достижения большей адекватности модели оригиналу при исследовании системы в целом необходимо решить задачу построения ее модели таким образом, чтобы отдельные объекты могли самостоятельно принимать решения о своем поведении.

Сложность задачи состоит в том, что внешняя среда может мешать такому объекту достигнуть целевого состояния, изменять параметры окружающей среды таким образом, что целевое состояние будет перемещаться в пространстве состояний. Кроме того, воздействия других объектов могут приводить бизнес-систему в состояние, отличное от того, которое объектом запланировал в ходе принятия решения о своем поведении.

Еще одной сложностью является то, что зачастую нельзя свести процесс принятия решения к единственной оценке решения или к функции полезности, которую можно вычислить, используя численные методы. Однако подобная оценка может быть вычислима в результате работы с набором правил, последовательно применяемых к текущей ситуации.

Также на этапе проектирования может возникнуть необходимость отладить модель поведения будущей системы реального мира. Особенно актуальна эта задача при проектировании интеллектуальных систем: роботов, систем контроля и управления и других. Отладка такой модели в ходе натурных экспериментов может быть дорогостоящей или невозможна. Для решения этой задачи могут быть применены методы имитационного моделирования. Создание виртуальной среду, соответствующей будущей реальной предметной области, позволит проектировщику поместить в нее самостоятельные модули, отвечающие за моделирование . объектов предметной области. Производя модельные прогоны, проектировщик может получить необходимую модель поведения еще до создания реальной системы. Особенно актуальным такой подход становится при проектировании интеллектуальных программных систем, когда в качестве блока, принимающего решение о дальнейшем поведении агента, может выступать тот же самый программный модуль, который будет применен в реальной системе. В этом случае проектировщик получает возможность не только отладить модель поведения, но и проверить работоспособность этого модуля, получить готовую и отлаженную базу знаний.

Решение данных задач может быть найдено при помощи применениея методов имитационного моделирования. В нем последующие состояния системы вычисляются на основании предыдущих, что вполне укладывается в алгоритмы существования указанных объектов бизнес-систем. Кроме того, в имитационное моделирование можно легко внедрить методы работы с правилами, наряду с обработкой совокупности числовой информации.

В качестве основы для построения систем имитационного моделирования можно взять целый ряд работ как отечественных [1,2], так и зарубежных авторов [32,48].

Областью науки, изучающей объекты, самостоятельно определяющие и осуществляющие собственное поведение, является агентный подход к построению систем. а»

Под агентом будет пониматься самостоятельная система, имеющая возможность принимать воздействие от внешнего мира, определять свою реакцию на это воздействие и осуществлять эту реакцию.

Под интеллектуальным агентом понимается агент, который обладает рядом знаний о себе и окружающем мире и целесообразное поведение которого определяется этими знаниями.

Восприятие внешнего мира производится посредством рецепторов, воздействие на внешний мир - при помощи эффекторов.

Приведенное в данной работе определение агента хоть и согласуется с рядом данных другими авторами [76, 83], но все же является личным мнением автора, так как единого определения до сих пор не дано. Так в работе [71] приведено 11 определений разных авторов.

Основными работами в области агентных и мультиагентных систем являются работы Вулдриджа и Дженнингса ([87,88]), Рассела и Норвига ([83]), Д.А. Поспелова ([46]).

Кроме того, был разработан целый ряд работ, развивавшихся вне рамок агентного похода, однако построенных по сходным принципам. Среди них можно указать работы в области робототехники ([6]), представления знаний ([26]), работы Д.А. Поспелова ( [47]), М.Л. Мински ( [78]), института кибернетики ( [50]), ряд других.

Кроме агентов в бизнес-системы входят объекты, не обладающие самостоятельным поведением. Для простоты будем называть их просто объектами. Под объектом в данной работе понимается пассивная сущность, обладающая рядом параметров.

Таким образом, целью работы является создание основанного на применении методов агентных систем подхода к построению элементов имитационной модели объектов бизнес-систем. При этом объекты определяют последовательность своих действий на основании информации из внешней среды, собственного и целевого состояний.

В качестве методов исследования в диссертации используются методы имитационного моделирования, искусственного интеллекта, теории принятия решений и планирования эксперимента.

Предметом исследования являются элементы принятия решений объектов бизнес-систем, обладающих самостоятельным поведением, пригодные для имитационного моделирования.

Научная новизна работы заключается: в разработке подхода к построению элементов имитационной модели объектов бизнес-систем, определяющих последовательность своих действий в зависимости от состояния самого транзакта и внешней среды, а так же целевых условий; в разработке подхода к включению в структуры имитационной модели объектов данного класса;

- в построении метода планирования событий в системах имитационного моделирования поведения бизнес-систем с множеством взаимодействующих объектов, принимающих решения.

Практическая ценность работы заключается в следующем.

- Предложенный в работе метод построения имитационной модели бизнес-систем позволяет не нарушая структуры системы имитационного моделирования включить в нее объекты с элементами искусственного интеллекта (ИИ) . Это позволяет анализировать поведение моделируемых агентов как с точки зрения принимаемых ими решений, так и с точки зрения классического имитационного моделирования.

Разработан алгоритм функционирования объектов, самостоятельно определяющих последовательность своих действий, в ходе имитационного моделирования.

- На основании предложенных методов и алгоритмов была построена система имитационного моделирования 13Адеп1:.

Структура работы.

В первой главе показаны подходы к принятию решений, применяемые при проектировании бизнес-систем. Дан анализ применения агентного подхода к имитационному моделированию бизнес-систем, а также к другим задачам.

Во второй главе приводится теоретическое описание систем имитационного моделирования, а также структуры агента, не привязанной к какой-либо предметной области. На их основе строится модель бизнес-системы, включающая в себя объекты, имеющие возможность самостоятельно определять свое поведение. Далее в главе излагается подход к оценке деятельности агента на основе информации, полученной в ходе модельных прогонов.

В третьей главе рассмотрены аспекты построения системы имитационного моделирования, основанной на элементах принятия решений. В главе даются структурная и функциональная схемы системы имитационного моделирования, алгоритм проведения такта модельного прогона. Также в главе рассмотрены некоторые вопросы распределенного проектирования имитационной модели бизнес-системы и проведения имитационного эксперимента в рамках вычислительной сети.

Четвертая глава посвящена описанию практической реализации теоретических положений, изложенных в данной диссертационной работе. В главе рассмотрены исследовательский прототип (программа 13Адеп"Ь) системы имитационного моделирования, экспертная оболочка «Электрон», положенная в основу командного языка программы 13Адеп"Ь. В заключение приведены примеры функционирования системы, результаты ее работы.

10

В данной диссертационной работе на защиту выносятся следующие теоретические положения.

1. Подход к построению включаемых в имитационные модели классов объектов, определяющих последовательность выполняемых ими действий в соответствии с состоянием самого транзакта и внешней среды, а так же целевых условий.

2. Структурная схема прототипов элементов системы имитационного моделирования, основанная на применении агентного подхода.

115 Выводы

1. Реализация предложенных в диссертации методов имитационного моделирования поведения объектов бизнес-систем позволила решить целый ряд задач. Среди них моделирование поведения транспортных средств при сборе объектов транспортировки с заданной области и реализация интеллектуального пользовательского интерфейса, основанного на агентном подходе.

2. Программная реализация и апробирование подтверждает работоспособность предложенных в диссертационной работе методов построения агентов и имитационного моделирования поведения объектов, самостоятельно определяющих свое поведение, основанное на применении агентного подхода.

3. Решение выбранных задач показывает применимость указанных методов к моделированию таких предметных областей, как, например, организация функционирования небольшой транспортной сиситемы.

Заключение

Введение в имитационную модель бизнес-системы элементов принятия решений позволяет решить задачу моделирования поведения лиц, принимающих решения, автоматизированных комплексов и систем, на основе информации об их поведении. За счет этого может быть повышена точность и адекватность моделей подобных участников бизнес-процессов.

В данной диссертационной работе была решена важная научно-техническая задача построения подхода к созданию элементов принятия решений в имитационных моделях бизнес-систем. Результатом данной работы, полученным в ходе исследований данного вопроса, является решение следующих теоретических и практических задач.

1.Разработан подход к созданию элементов имитационной модели, являющихся разновидностью транзактов, обладающих механизмом планирования своих действий в зависимости от состояния и целевых условий.

2.Предложена структура схемы взаимодействия агентов с базовой системой имитационного моделирования. Данная структура системы включает в себя:

• структуру моделируемых объектов;

• структурную и функциональную схемы системы моделирования.

3. Разработаны методы оценки действий агента, включенного в структуру системы имитационного моделирования с точки зрения принимаемых им решений.

117

4. На основании разработанного теоретического аппарата построен исследовательский прототип (программа 1БАдеп1:) системы имитационного моделирования, служащей для моделирования объектов бизнес-систем, определяющих свое поведение в зависимости от состояния самого транзакта и внешней среды, а так же целевых условий.

1. Аврамчук Е.Ф. и др. Технология системного моделирования/ Под ред. C.B. Емельянова и др. М. : Машиностроение; Берлин: Техник, 1988 - 520 с.

2. Андрианов А.Н., Бычков С.П., Хорошилов Н.И. Программирование на языке Симула-67/ под ред. Мамлина А.Н. -М.: Наука, 1985. 288 с.

3. Архипенков С. Аналитические системы на базе Oracle Express OLAP M.: Диалог-МИФИ, 1999.

4. Бабынин И.В. и др. Интеллектуальная информационная система мониторинга политических конфликтов: концепция создания.// Научно-техническая информация: Информационные процессы и системы. №10./ М.: ВИНИТИ, 1995.

5. Бахвалов JI. Компьютерное моделирование: долгий путь к сияющим вершинам? // CompuTerra, № 40, 6 октября 1997.

6. Берштейн J1.C., Мелехин В. Б. Планирование поведения интеллектуального робота. М.: Энергоатомиздат, 1994.-240 с.

7. Буйволов Г. Мобильные интеллектуальные роботы // PC WEEK/RE, 17 июня 1997, сс. 37-39.

8. Буч Г. Объектно-ориентированное проектирование с примерами применения. М.: Конкорд, 1992. - 519 с.

9. Бобровский С.А. Дайджест ошибок. // PC WEEK/RE, №47, 1998.

10. Вагнер Г. Исследование операций. T. 1. -M.: Мир, 1972.

11. Васкевич Д. Стратегии «Клиент-сервер» Киев: Диалектика. 1996. - 384 с.

12. Вендров A.M. Case-технологии. Современные методы и средства проектирования информационных систем. // Материал взят с адреса в интернете citforum.ru/database/case/

13. Виттих В.А., Скобелев П.О. Мультиагентные системы для моделирования процессов самоорганизации и кооперации // Ргос. Of XIII International Conference of the Artificial Intelligence in Engeneering, Galway, 1998, pp. 91-96.

14. Виттих В.А., Луке A.A., Смирнов C.B. Технология интеллектуальных агентов в системах поддержки согласованной инженерной деятельности (обзор) // Сб. докл. 6-1 нац. Конференции по искусственному интеллекту, 5-11 октября, 1999, Пущино, Россия, сс. 71-7 6

15. Городецкий В.И. Многоагентные системы: современное состояние исследований и перспективы развития // Сб. докл. V национальной конференции «Искусственный интеллект 96», т.1. Казань, 1996. сс. 36-45.

16. Городецкий В.И., Грушинский М.С., Хабалов A.B. Многоагентные системы (обзор) // Новости искусственного интеллекта, №2, 1998, сс. 64-116.

17. Григорьев В.Р. Нейронные сети и клеточные автоматы // Обозрение прикладной и промышленной математики, т.1, вып. 3, 1994, сс. 357-375.

18. Григорьев Л., Романовский А., Сапов Г. Имитационное моделирование финансового управления банка // Банковские технологии, №8, 1996.

19. Давыдов А.Н. и др. CALS (поддержка жизненного цикла продукции): Руководство по применению/ Минэкономики РФ; НИЦ «Прикладная логистика»; ГУП «ВИМИ», 1999, 4 4 с.

20. Дрейган Р.В. Будущее программных агентов // PC Magazine Russian Edition. Март 1997

21. Дубова Н., Кутукова Е. Unicenter TNG управление распределенной корпорацией // Открытые системы, №2, 1998. сс. 54-60.

22. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование сложных дискретных систем и процессов. Язык РДО. М. : Анвик, 1998. -427 с.

23. Заборовский B.C. Интеллектуальные технологии в управлении инормационно-сетевой инфраструктурой // Материал взят с адреса в интернете www.neva.ru/first.page/conf/zvs/zvl.html

24. Зверев Г.Н. Частотная логика альтернатива классической логике в новых информационных технологиях // Информационные технологии, №11, 1998, сс. 2-10.

25. Каляев И. и др. Многопроцессорные распределенные системы управления интеллектуальных мобильных роботов // Современные технологии автоматизации, №4. 1997, сс. 94-97.

26. Калянов Г.Н. Консалтинг при автоматизации предприятий. -М.: СИНТЕГ, 1997. 316 с.2 9 . Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика и прогнозы будущего. М.: Наука, 1997. - 285 с.

27. Керстеттер Д. Электронная торговля обогащается интеллектуальными агентами. / PCWeek/RE, №10 от 18.03.1997.

28. Ким Н.В. Формирование структуры интеллектуальной системы "помощник летчика". // Известия Академии наук. Теория и системы управления. № 3, 19 96.

29. Киндлер Е. Языки моделирования/ Пер. с англ. М. : Энергоиздат, 1985. 288 с.

30. Клышинский Э.С. Агентные системы классификация и применение // САПР и графика, №8. 1999, сс. 90-96

31. Клышинский Э.С. Построение систем ситуационного моделирования // Информатика-Машиностроение, №4. 1998, сс. 2-4.

32. Клышинский Э.С. Представление знаний в системах принятия решений, основанных на передаче маркеров // Автоматизация и современные технологии, №5, 1997 г., сс. 34-39.

33. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М. : Наука. Физматлит., 1996. - 208 с.

34. Липаев В.В. Системное проектирование сложных программных средств для информационных систем М.: Синтег, 1999.-224 с.

35. Лорьер Ж.Л. Системы искусственного интеллекта. М. : Мир, 1991. - 568 с.

36. Львов В. Создание систем поддержки принятия решений на основе хранилищ данных// СУБД, №3, 1997.

37. Майкевич Н.В. Архитектуры мультиагентных систем: планирование и коррекция планов // Proc. of the Int. Workshop DAIMAS'97, June 15-18, 1997, St. Petersburg, Russia.

38. Миллман Г. Ваши верные агенты // Computerworld Россия, № 11, 1998.

39. Насыпный В.В. Комплексная защита компьютерных систем // Мир ПК, №4, 1998, сс. 68,69. ■

40. Ойхман Е.Г., Попов Э.В. Реинжиниринг бизнеса: Реинжиниринг организаций и информационные . технологии. М. : ФиС, 1997 336 с.

41. Осуга С. Обработка знаний / Пер. с япон. М.: Мир, 1989 -293 с.

42. Попов Э.В. и др. Статические и динамические экспертные системы. М.: ФиС, 1996 320с.

43. Поспелов Д.А. Многоагентные системы настоящее и будущее // Информационные технологии и вычислительные системы, №1, 1998, сс. 14-21.

44. Поспелов Д.А., Пушкин В.Н. Мышление и автоматы. М.: Сов. Радио, 1972.

45. Принцкер А. Введение в имитационное моделирование и язык СЛАМ II/ Пер. с англ. М.: Мир. 1987. 664 с.

46. Райков А.Н. Информационные системы поддержки государственных решений // Научно-техническая информация: Информационные процессы и системы. №10, 1995.

47. Скобелев П.О. Виртуальные миры и интеллектуальные агенты для моделирования деятельности компаний // Труды IV Национальной конференции по искусственному интеллекту, г. Пущино, 5-7 ноября 1998 г. Т.2., сс 714-719

48. Смирнов A.B., Шереметов JI.E. Многоагентная технология проектирования сложных систем. // Автоматизация проектирования, №3. / М.: 1998.

49. Создание экспертных систем реального времени с помощью G2 // Материал взят с адреса в интернете www.argussoft.ru/ascpwin/metrtes.htm

50. Степанов B.C. Фондовый рынок и нейросети // Мир ПК, № 12, 1998.

51. Тарасов Б.В. Агенты, многоагентные системы, виртуальные сообщества: стратегическое направление в информатике и искусственном интеллекте // Новости искусственного интеллекта, №2, 1998, сс. 5-63

52. Толстихина A.JI., Арутюнов П.А., Клышинский Э.С. Разработка экспертной системы для интерпретации дифракционных картин в электронографии // Кристаллография, том 43, № 6, 1998 г., сс 1004-1008.

53. Трахтенгерц Э.А. Компьютерная поддержка принятия решений в САПР // Автоматизация проектирования, №5, 1997.

54. Тумай К. Имитационное моделирование бизнес-процессов. Как отображаются характеристики процессов при моделировании // Материал взят с адреса в интернете consulting.ru/main/mgmt/texts/m2/o22spot.htm

55. Турецкий Д. Кенгуру со стингером // Vesti.Ru, on-line газета от 21.12.1990, вып. №057, адрес в интернет vesti.ru/flopovod/21-12-1999flp.htm

56. Уотерман Д. Руководство по экспертным системам./ Пер. с англ. М.: Мир, 1989 - 388 с.

57. Чернов М. Имитационная модель банка — основа аналитической системы // Банковские технологии, № 5, 1997.

58. Шапот М.Д., Коровкин А.О. Анализ потребительских рынков с использованием многоагентных имитационных моделей // Сборник научных трудов научной сессии МИФИ-2000, том 3. М., 2000г., сс. 103-104.

59. Это уже не игра! / Итоги, 9 июня 1998. с. 47.

60. Явор А. Индуктивно-дедуктивный подход к методологии имитационного моделирования // В сб. «Теоретические и прикладные вопросы моделирвоания» / Под. Ред. Емельянова C.B. и Калашникова В.В. М.: ВИНИТИ, 1984 г. сс.15-25

61. Asada M., Uchibe Е., Hosoda К. Agents That Learn from Other Agents.

62. Brazier F. at al. Modeling Internal Dynamic Behaviour of BDI Agents // Proc. of MODELAGE'97 Workshop, Italy, 1997.

63. Burckert H.-J., Fisher K., Vierke G. Teletruck: A Holonic Fleet Managment System // Proc. of 14th European Meeting on Cybernetics and Systems Research (EMCSR'98), Viena, 1998.

64. Cetnarowicz K., Nawarecki E., Zabinska M. M-Agent Architecture and Its Application to the Agent Oriented Technology of Decentralized System // Proc. of DAIMAS-97, June 15-18, 1997, St. Petersburg, Russia.

65. Dorais G.A. at al. Adjustable Autonomy for Human-Centered Autonomous Systems on Mars// Proc. of the 1st International Conference of the Mars Society, August, 1998.

66. Etzioni 0. Intelligence without Robots (A Reply to Brooks) //AI Magazine, Vol. 14, №4, 1993, pp. 7-13.

67. Franklin S., Graesser A. Is it an Agent, or just a program?: A Taxonomy for Autonomous Agents // 3rd International Workshop on agent Theories, Architectures and Languages, Springer-Verlag, 1996.

68. Grosof B.N. & other. Reusable Architecture for Embedding Rule-based Intelligence in Information Agents // IBM research report RC 20305 Computer Science, 1995.

69. Harrison C.G., Chess D.M., Kershenbaum A. Mobile Agents: are they a good idea? // IBM research reports, 1994. www.research.ibm.com/iagents/

70. Han J. OLAP Mining: An Integration of OLAP with Data Mining. IFIP, 1997. - 18 p.

71. Larson J.E., Hayes-Roth B. Guardian: An intelligent Autinomous Agent for Medical Monitoring and Diagnosis // IEEE intelligent systems & their applications, №1. 1998, pp. 5864 .

72. Maes P. Artificial Life meets Entertainment: Lifelike Autonomous Agents // Communication of the ACM, Vol. 38, No 3, November 1995, pp. 108-114.

73. Schneider-Fontan M., Matarie M.J. Territorial Multi-Robot Task Division // IEEE Transaction on Robotics and Automation. 15(5), October, 1998.

74. Minsky M.L. Matter, Mind and Models // Proc. of International Federation of Information Processing Congress, vol. 1, 1965, pp. 45-49.

75. Moukas A.G. User Modeling in a Multi-Agent Evolving System //Proc. of Workshop "Machine Learning for User Modeling", 6th International Conference on User Modeling Chia Laguna, Sardinia, 2-5 June 1997.

76. Nayak P.P. at al. Validating the DS1 Remote Agent Experiment // Proc. of the 5th International Symposium on Artificial Intelligence, Robotics and Automation in Space. 13 June 1999, Noordwijk, Netherlands.

77. Rao A.S., Georgeff M.P. Modelling rational agents within a BDI-architecture // Proc. of the 2nd International Conference on Principles of Knowledge Representation and Reasoning/ Morgan Kaufmann Publishers, San Mateo, 1991, pp. 473-484

78. Reece D.A. Soldier Agents in a Virtual Urban Battlefield // Proc. of 1st Workshop on Situation and Interaction in Virtual Environments/ Uneversity of Iowa, 1995

79. Russel S., Norvig P. Artificial Intelligence: A Modern Approach/ Prentice-Hall: Englewood Cliffs, 1995. 912 p.

80. SAS/EIS. Programmers guide ver. 6, first edition. Carry, NC, USA. SAS Institute Inc. 1992. 479 p.

81. Stader J, Jarvis P. Intelligent Support for Enterprise Modeling // Proc. of ECAI-98, Brighton, UK, 23-28 August, 1998.

82. Tidhar G., Murray G., Stuart S. Computer Generated Forces and Agent Oriented Technology //Proc. of the Artificial Intelligence in Defence Workshop, Australian Defence Force Academy, 14 November 1995, pp. 123-132.

83. Wooldridge M., Jennings N. Towards a Theory of Cooperative Problem Solving // Proc. of MAAMAW'94,Odense, Dennmark, 1994.

84. Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice // The Knowledge Engineering Review 1995. Vol. 10, №2, pp. 115-152.