автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Разработка экспертной системы на основе эволюционных методов

На правах рукописи

ГРЕЧИН Игорь Владимирович

РАЗРАБОТКА ЭКСПЕРТНОЙ СИСТЕМЫ НА ОСНОВЕ ЭВОЛЮЦИОННЫХ МЕТОДОВ

Специальность: 05.13.12 - системы автоматизации проектирования

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Таганрог 2003

Работа выполнена в Таганрогском государственном радиотехническом университете '

Научный руководитель:

заслуженный деятель науки РФ, доктор технический наук, профессор Курейчик

Виктор Михайлович

Официальные оппоненты:

доктор технический наук, профессор Зинченко Людмила Анатольевна доктор технический наук, доцент Ковалев Сергей Михайлович

Ведущая организация:

ОАО «Пятигорский завод «Импульс» (г. Пятигорск)

Защита состоится « 21 » ноября 2003г. в _ на заседании

специализированного совета Д212.259.03 по защите диссертаций при Таганрогском государственном радиотехническом университете по адресу: 347928, г. Таганрог, пер. Некрасовский, д. 44, ауд. Д-406

С диссертацией можно ознакомиться в библиотеке Таганрогского государственного радиотехнического университета

Отзывы на автореферат, просьба отправлять по адресу: 347928,Ростовская область, г.Таганрог, пер. Некрасовский 44, ГСП-17А, Ученый Совет ТРТУ.

Автореферат разослан «_» октября 2003г.

Ученый секретарь специализированного совета доктор технический наук, доцент

А.Н. Целых

£ооЗ-А

Актуальность темы. Решение сложных задач проектирования сегодня невозможно без применения систем автоматизированного проектирования (САПР) (САЭ/САМ/САЕ систем). Усложнение и увеличение круга задач, решаемых проектировщиками, обуславливает потребность в развитии САПР, совершенствовании и внедрении накопленных методов и средств, разработке новых методов, способных существенно повысить качество проектирования.

В основе современных САПР лежит опыт формализованных этапов проектирования, методов и моделей, описывающих проектные процедуры и построенных на традиционных математических методах. Процесс проектирования сопровождается решением целого ряда трудно формализуемых и неформализованных задач, которые не поддаются описанию традиционными методами. Совершенствование качества принимаемого конструкторского решения заключается в использовании при проектировании сложных форм знаний, возможности получения и накопления знаний, в решении задач принятия решений на трудноформализуемых этапах проектирования в условиях неопределенности, определяемой как нечеткой постановкой задачи, так и нечетком описании параметров, использованием интуитивных представлений проектировщика о путях ее решения. Накопление опыта и сложных форм знаний проектировщика, объединение знаний групп проектировщиков становятся основой для подхода к созданию современных полнофункциональных САПР и отдельных модулей САПР, отвечающих всем жестким требованиям рынка. В настоящее время компьютер вместе с пользователем должен лучше опытного проектировщика, эксперта, выполнять процедуры проектирования, традиционно относимые к области интеллектуальной деятельности человека, использование сетевых технологий должно помочь объединить работу многих проектировщиков.

Разработка информационного обеспечения САПР, основанного на интеграции аппарата знаний с накапливаемыми данными на базе новых сетевых технологий, является актуальной задачей, решение которой позволит создавать качественно новые поколения перспективных САПР, способных получать, объединять и накапливать ценный опыт решения трудноформализуемых задач проектирования.

Основная цель и задачи исследования. Целью работы является повышение эффективности информационного обеспечения САПР за счет использования новых методов организации знаний и данных, выявления знаний из данных и их интеграции на примере экспертного модуля САПР с применением - современных сетевых технологий.

Для достижения поставленной цели в работе решались следующие основные задачи:

• анализ развития САПР с использованием аппарата знаний.

организации знаний и данных;

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА

• разработка метода получения знаний от нескольких экспертов, с использованием нескольких источников для повышения качества знаний применяемых при решении задач САПР;

• построение модели организации данных и знаний с использованием эволюционного подхода для решения проблемы избыточности баз, это обеспечило повышение скорости обработки баз;

• разработка метода и алгоритма получения знаний из накапливаемых данных пользователей САПР и интеграции их со знаниями экспертов;

• разработка алгоритма принятия конструкторского решения в САПР, основанного на знаниях экспертов, с учетом неполных данных технического задания;

• построение модели экспертной системы (ЭС) проектирования с возможностью модульного расширения на основе современных сетевых технологий.

Методы исследования. В диссертационной работе используются методы теории множеств, графов, алгоритмов и методология эволюционного моделирования.

Научная новизна работы заключается в следующем:

• создана модель организации данных и знаний с применением эволюционного подхода в САПР;

• описан механизм организации выявления знаний из данных пользователей САПР;

• разработан метод проектирования на основе интеграции нескольких моделей знаний.

Практическую ценность работы представляют:

• алгоритм, разработанный на основе эволюционного подхода для организации БД и БЗ, который позволяет избежать избыточности в базах и обеспечить постоянное значение времени поиска при обращении к базам;

• механизм выявления знаний из данных, позволяющий выявлять знания из больших массивов изменяемых данных;

• механизм интеграции данных и знаний, организующий доступ к знаниям и данным с использованием сетевых технологий. Это позволяет организовать возможность переносимости между разнородными аппаратными и системными платформами программы.

Апробация результатов работы. Основные научные и практические результаты работы докладывались, обсуждались и были одобрены на Международных научно-технических конференциях «Интеллектуальные САПР»

(пос. Дивноморское 1999 - 2002 гг.), на Всероссийских научных конференциях студентов и аспирантов «Радиоэлектроника, микроэлектроника, системы связи и управления» (г. Таганрог 2000, 2001 гг.), внутривузовских конференциях ТРТУ (1999, 2000 гг.). Результаты внедрены в опытную эксплуатацию и используются на федеральном государственном предприятии «Гидрометаллургический завод» г. Лермонтов и в процессе организации процесса тестирования компьютерной техники в ООО «К&К» г. Пятигорск. Использование результатов диссертационной работы подтверждено соответствующими актами.

Структура и объем работы. Диссертация состоит из введения, четырех глав, приложений, списка использованной литературы из 154 источников и содержит 159 страниц основного текста, 28 рисунков, 16 таблиц. Общий объем работы 185 страниц.

Содержание работы.

Во введении обоснована актуальность диссертационной работы, выдвинута цель научного исследования, сформулированы основные научные положения, выносимые на защиту, приведены сведения о практической ценности, реализации, внедрении и апробации диссертационной работы, дано краткое содержание основных разделов диссертации.

В первом разделе проанализировано современное состояние процесса развития САПР, применительно к возможности использования аппарата знаний, показаны преимущества использования ЭС и новых сетевых технологий в САПР. Применение ЭС в САПР позволяет:

• за счет уменьшения времени для принятия решения на трудноформализуемых этапах проектирования ускорить процесс проектирования в целом;

• улучшить качество проектирования за счет использования накопленного опыта;

• уменьшить влияние субъекта (пользователя САПР) на процесс проектирования.

Рассмотрена возможность использования в компонентах САПР таких различных моделей знаний, как:

• продукционная модель;

• логическая модель;

• фреймовая модель;

• модель семантической сети.

Выяснено, что продукционная модель чаще всего применяется в промышленных ЭС. Она удобна в использовании благодаря своей наглядности, высокой модульности, легкостью внесения дополнений и изменений, простотой механизма логического вывода. Логическая модель является труднореализуемой

для программного исполнения. Системы фреймов являются удобными для применения в САПР, так как они создают средства структурирования ^ эвристических знаний, связанных с приложением правил и классификацией объектов. При использовании фреймов эвристические знания не «размываются» ; по программному коду приложения, но и не собираются воедино в виде метазнаний, а распределяются между теми видами объектов, к которым они приложены, и существуют на уровне управления в иерархии представления этих объектов. Недостатком семантической сети является сложность процедуры поиска вывода на семантической сети. Выявлено, что форма представления знаний влияет на характеристики и свойства системы, основанной на знаниях.

Отмечено, что процесс проектирования требует применения различных моделей знаний, так как всевозможные этапы творческой деятельности конструктора не возможно описать одной моделью. Поэтому при создании ЭС для задач САПР необходимо применительно к её архитектуре обеспечить эффективное использование всех имеющихся у неё видов знаний. Это возможно при построении данной системы в виде гибридной ЭС. Разнородные знания целесообразно классифицировать и использовать для каждого вида определённую модель представления знаний, выбор которой обуславливается следующими факторами:

• проблемной средой;

• архитектурой ЭС;

• потребностями и целями пользователей САПР;

• лингвистическим обеспечением.

С учётом возрастающей сложности системы знаний, представляется целесообразно использовать метазнания и метаправила.

Проведен анализ современного состояния автоматизированных систем приобретения знаний, произведена их классификация, рассмотрены основные методы, используемые при выявлении знаний. Сделан вывод о перспективности применения технологий автоматизированного выявления знаний в информационном обеспечении САПР. Проведен анализ типичной структуры ЭС, интеллектуальных систем проектирования. Исследованы недостатки, применяемых методик для организации, накопления и использования знаний и данных. Выявлены следующие достоинства использования сетевых технологий в САПР: возможность коммуникации пользователей, разработчиков; интеграция информационного обеспечения САПР. Рассмотрены тенденции и недостатки развития САПР. На основании проведенного анализа выделен ряд новых требований к разрабатываемой ЭС и изложены рекомендации. Сделан вывод о необходимости создания системы, основанной на работе с аппаратом знаний в , процессе проектирования, использующей новые сетевые технологии. Проанализированы проблемы методологии разработки ЭС, стратегии , конструирования программного обеспечения ЭС.

Во втором разделе Рассмотрена проблема автоматизации проектирования на раннем этапе таких сложных технических систем, как вычислительныекомплексы. Показано наличие совокупности неформализуемых и трудноформализуемых задач, решение которых основано на использовании эвристик, реализующих опыт проектировщиков. Приведена постановка задачи проектирования вычислительного комплекса. Проектируемый объект представлен в виде графа 0|=(Е),8л)> где Е]-множество элементов Е]={Е1, Е2,

Ез......Еп}, входящих в структуру, в^множество связей между элементами

структуры, ^номер структуры. Элементы Еп представляют собой множество

Еп={Еп,1, Еп,2 Еп,3.....Еп,!}, в свою очередь Еп,1={п,Ь1,Ь2,ЬЗ,....Ьк}, где п-

наименование компонента, Ьк- определенные характеристики, технические параметры, которые определяют стоимость проектируемого комплекса. Решением будет являться кортеж 11=<Е1п,1, Е2пД, Е3п,1,.... Етп,1> при условии, что каждый из компонентов Ешпл совместим с другими компонентами множества Я. Решение Я обладает такими характеристиками, как Р-производительность, К-качество, Б-стоимость. В зависимости от технического задания, необходимо Р-мпах при заданных К и Б, или 8-мпш при заданных К и Р, или К->тах при заданных Б и Р. Процесс проектирования усложняется за счет того, что Е^соп&, и некоторые параметры Ьк^сопв!. Выбор элемента Етп,1 для Я зависит от многих факторов, таких, как множество требований технического задания, которые могут являться несогласованными. Задача выбора Етп,1 является ОТ задачей. Поэтому выбор Етп,1 оптимально осуществлять исходя из Ъ -знаний эксперта. В свою очередь Ъ=Ъъ+Ъа, где Ъъ - является субъективной составляющей, Ъо -объективной составляющей знаний. Качество Ъ может определяться отношением Ъ%12а, при гв/Тю-мпт увеличивается качество знаний. Объединение объективных составляющих знаний Ъа нескольких экспертов будет определять качество знаний системы, получающей их от разных экспертов. Вероятность Ро того, что знания являются объективными будет равна ХоКХо+Т$). Вероятность

/=к

получения объективных знаний от нескольких экспертов Ро= Ры .Увеличение

/=1

значения Ро происходит при ;'->тах. Повысить качество знаний, применяемых при процессе проектирования в САПР можно при увеличении числа экспертов до определенного уровня и интегрирования знаний, полученных от проектировщиков, со знаниями, выявляемыми автоматизировано из хранилища данных.

Предложен и рассмотрен метод построения модели объекта проектирования способного к эволюции. Такой объект является информационным пространством, обладающим определенным набором свойств, ограниченных необходимой информацией для описания объекта проектирования. Разработанная структура объекта проектирования Ос! может быть представлена следующим образом:

Od={S, P, С},

где S=<Sl,S2,.....Su> - подтипы объекта; P={Pi,P2,....Pr} - множество свойств;

C={Ci,C2,...Co} - множество связей. В свою очередь множество подтипов представляет собой множество Su=<E, Р, С>, где E={El,E2,...Ej}- множество

элементов проектируемого объекта. Е CI Eall, где Eall - множество всех

элементов базы данных программы. Р CI Pall и С CI Call, где Pall - множество всех возможных свойств и Call - множество всех возможных связей, хранимых в базе знаний системы.

Формирование подмножества Е из множества Eall происходит исходя из целей формирования подтипа S, согласно требованиям и ограничениям, предъявляемым к объекту проектирования Od, т.е. в подмножестве Е выделяются «главные» элементы Em, которые определяют основные свойства подтипа S в соответствии с целями формирования подтипа. Подтипы S, которые содержат «главные» элементы Em, будут являться «главными» подтипами Sm из множества подтипов S.

Т.е. Sm=<Em, Р, О, Em CI Е.

Модель объекта проектирования Od формируется при движении «сверху - вниз» по иерархическим ступеням интеллектуального объекта, так как изначально движение «снизу-вверх» от какой-либо конкретной реализации не оправдывается, поскольку теряется общая картина проектируемой системы. Модель при таком формировании содержит только общие сведения о необходимых элементах, которые должны входить в проектируемый объект. Происходит формирование общей модели проекта, создание граничных условий для последующей эволюции проектируемого изделия. Заполнение модели проектируемого объекта конкретными значениями элементов Е с заданными техническими характеристиками, т.е. элементами из базы данных, происходит движением «снизу-вверх» от отобранного множества «главных» элементов Em. Проектируемое изделие в данном случае эволюционирует от простого к сложному.

Рассмотрены методы, используемые для организации знаний, определены модели используемых знаний при проектировании вычислительного комплекса, рассмотрены требования к системе знаний САПР. Для организации процесса накопления знаний и данных предложено использовать в построении системы модель эволюции. В частности, использовать «модель старения Гомперца» по отношении к организации баз знаний и данных. Определена система накопления знаний и данных на основе конкуренции и отбора, которая позволяет избежать избыточности баз. Рассмотрена модель эволюции системы. Охарактеризован процесс автоматизированного выявления знаний из данных. Разработан метод формирования знаний из данных по обучающей выборке, полученной на основе эволюции данных, накапливаемых в хранилище данных информационного

обеспечении САПР. Обучающая выборка, полученная в результате эволюции данных, определена как таблица данных S. Она содержит множество целевых непересекающихся классов {Cl,C2,C3,....,Ck}. Алгоритм выявления знаний использует последовательность тестовых процедур, с помощью которых множество S разделяется на подмножества, содержащие объекты только одного класса. Т - представляет собой тестовую процедуру, имеющую дело с одним из атрибутов. {01, 02, Оз,...,Оп} - множество допустимых выходных значений процедуры Т. При ее применении к произвольному объекту jc будем обозначать как Т(х). Следовательно, процедура Т(х) разбивает множество S на составляющие {Sl,S2,S3,...Sn}, Такие, что Si={x | T(x)=Oi}.

Если рекурсивно заменять каждый Si поддеревом, то в результате будет построено дерево решений для обучающей выборки S. При выборе тестовой процедуры для каждого поддерева нужно найти подходящий атрибут, по которому будет выполняться дальнейшее разделение объектов. Энтропия множества целевых классов, представленная как множество сообщений {С1,С2,СЗ.....,Ск}. вычисляется как:

ЩМ) = кр(с е С,)* 1(с 6 С,)бит,

где /(с е С-) = — log2 р(т-)(с е С() бит. Энтропия U(M) соответствует среднему количеству информации, которое необходимо для определения произвольного объекта (с е S) какому-то классу до того, как выполнена хотя бы одна тестирующая процедура. Когда соответствующая тестирующая процедура Т выполнит разделение S на подмножества {Sl,S2,S3,...Sn}, энтропия будет определяться соотношением

uT(S) = -YJi=K.A\s\/\sl\)*u(sl)

Полученная оценка позволяет определить, сколько информации необходимо после выполнения разделения. Оценка формируется как сумма неопределенностей сформированных подмножеств, взвешенная в пропорции размеров этих подмножеств. При выборе очередного атрибута для тестирования нужно выбрать тот, который сулит наибольший прирост относительный информации. Прирост информации Gs(T) после выполнения процедуры тестирования Т по отношению к множеству S равен Gs(T)=U(S)-UT(S). Такую эвристику называют «минимизацией энтропии», поскольку, увеличивая прирост информации на каждом последующем тестировании, алгоритм тем самым уменьшает энтропию или меру беспорядка в обрабатываемом множестве.

Для заданной тестирующей процедуры Т на множестве данных S, которая характеризуется приростом количества информации Gs(T), будем использовать в качестве критерия отбора относительный прирост Hs(T), который определяется соотношением

Hs(T)=Gs(T)/V (S),

где F(S) = ,•=,„..* (I ^ | /1I) * log2 (| 51 /1S, I).

При выборе тестирующей процедуры предпочтение будет отдано той, которая максимизирует относительный прирост информации.

Такой способ базируется на следующих предположениях.

• Корректное дерево решения, сформированное по обучающей выборке S, будет разделять объекты в той же пропорции, в какой они представлены в обучающей выборке.

• Для любого объекта, который нужно классифицировать, тестирующую процедуру можно рассматривать как источник сообщений об этом объекте.

Простота и возможное эффективное использование описанной методики формирования дерева решения по обучающей выборке позволяет применять ее в работе модуля ЭС САПР для решения задачи выявления знаний из данных, используемых при конструировании. Предложено организовать интеграцию выявленных знаний со знаниями, полученными от опытных проектировщиков.

Рассмотрена модель самоорганизации системы при возникновении необходимости изменения обрабатываемых системой данных и знаний:

• появление нового вида данных, отличных от тех с которыми возможна работа в системе;

• непригодность использования «старых» данных при решении технических задач;

• увеличение объема данных, необходимых для решения технических задач;

• появление новых знаний, которые могут противоречить тем, которые используются для процесса вывода в системе;

• непригодность использования «старых» знаний при решении технических задач;

• увеличение потребности в получении новых знаний;

• увеличение объема знаний, необходимых для решения задач проектирования.

В третьем разделе рассмотрены принципы построения модуля ЭС САПР. Определена структура ЭС, представленная на рис.1, характеристики и функции ЭС для решения задачи проектирования. Произведено обоснование выбора инструментария построения ЭС. Обозначены технологии,

использованные системой для работы в сети. Разработан общий алгоритм работы системы при решении задачи проектирования конфигурации вычислительной системы. На рис.2 показан алгоритм работы системы при выполнении процедуры запроса проектировщика. Рассмотрено строение банка знаний ЭС, как гибридной системы из М функциональных компонентов К={Ю}, использующих знания различных моделей: БМ-семантической сети, Р-продукционной модели и Р-фреймовой модели представления знаний, связанных между собой межмодельным интерфейсом I. Каждый компонент Ю из К образует функциональную подсистему, реализующую один из М, включённых в W методов моделирования или выработки решений.

Рассмотрен процесс принятия конструкторского решения на основе интеграции нескольких моделей знаний. Разработан блок организации приема данных,

БЗ

X

БД

Рис.1. Структурная схема архитектуры ЭС

Рис. 2. Схема алгоритма выполнения запроса к ЭС

накопления данных, выявления знаний из данных с применением эволюционного подхода, в котором предложено применить разработанный механизм организации данных с использованием процесса отбора и старения в накапливаемых данных. Схема алгоритма приема данных представлена на рис. 3.

Рис.3. Структурная схема алгоритма ввода данных

Для данных используемых при проектировании вычислительного комплекса, определено снижение показателя жизнеспособности А, используемого при организации эволюционной модели в базе данных, как зависимость

А=Ашах-1о§2(0*(к1+Ш), где Ашах - максимальный показатель жизнеспособности для «особи» (элемента БД), 1 - время (в днях), к1 - коэффициент, влияющий на скорость снижения А, к2 - коэффициент, влияющий на продолжительность жизни «особи». Коэффициенты могут определяться экспертом исходя из накопленного опыта определения времени существования «вида» в целом, к примеру, если при к1=10, Ашах =200, то при к2=10 продолжительность жизни «особи» будет около полугода, а при 1(2=100 около двух лет. Показатель жизнеспособности Ашах является суммой интегральных показателей критериев оценки «особи», например, таких как производительность, функциональность, качество и т.д. Разработанный алгоритм процесса организации данных на основе эволюционного подхода позволяет избежать избыточности баз и автоматически ранжировать данные для последующего использования при принятии конструкторского решения. В результате работы алгоритма накапливаются данные, которые используются в обучающих выборках для выявления знаний. Рассчитана временная сложность алгоритма, которая является квадратичной.

Обучающая выборка содержит множество данных Мп=<Щ 7], К1>, № является множеством характеристик комплектующего для проектируемого изделия, 7л множество значений таких как: приспособленность, время существования в базе и т.д., Ю является показателем того, по какому признаку -максимуму или минимуму приспособленности комплектующее занесено в выборку К=<1,0>. Обучающую выборка сортируется согласно любого из № или 7л. Так как Мп может содержать различные Ш и 71, не обязательно повторяющиеся в каждом Мп, то в результате сортировки по каждому Ш или 7л производится разбиение обучающей выборки на 81 модулей. Каждый модуль в! содержит В) строк Мп, отношение С1=ВЬТЧ, где N -общее количество строк в выборке, является удельным весом критерия, по которому производится сортировка. В каждом модуле 81 существует отношение р1= К1/ (К1+К2), которое характеризует вероятность появления К1 в 81. Мера упорядоченности в 81 определятся как 1Л= р1*1о§ р1. Для формирования начального варианта множества правил используются только те узлы дерева, которые содержат максимальное отношение С1ЛЛ. Предложение состоит в том, чтобы множество правил формировалось только из более информативных и упорядоченных узлов дерева по отношению к другим узлам. Поиск тестирующей процедуры продолжается с помощью алгоритма на основе метода выявления знаний из данных. Этот алгоритм имеет линейную зависимость от количества обрабатываемых данных и позволяет качественно решать задачу выявления знаний из больших массивов данных информационного обеспечения САПР.

В четвертом разделе определены цели экспериментального исследования, рассмотрена эффективность предложенных структур. Рассмотрены средства экспериментального исследования, методы, применяемые в экспериментальном исследовании. Произведена оценка характеристик разработанных программных модулей системы, работающих в сети. В частности, определены характеристики сети для использования Internet технологий во взаимодействии с базой данных. Оценена работа разработанных приложений в сети. Рассмотрено решение задачи планирования системных ресурсов для систем использующих сетевые технологии. Определено, что для обслуживания 1000 пользователей в день возможна требуемая пиковая пропускная способность FWS в 463 пользователя в секунду и для ее обеспечения требуется мультипроцессорная система, которая будет давать суммарную производительность в 2700 MHz. Определена зависимость времени отклика системы от количества пользователей, которая превосходит по своим показателям другие идентичные сетевые модули САПР. Возможное сокращение времени проектирования составит 21% за счет уменьшения времени обработки системой проектных данных и используемых знаний.

Определена эффективность работы алгоритма, использующего разработанный метод для выявления знаний из данных, в сравнении с другими подобными методами. Получено 98% верных правил и зависимостей из выборки данных.

В заключении формулируются основные результаты, полученные в диссертационной работе.

В приложении приводятся акты об использовании результатов диссертационной работы, результаты тестирования сетевой базы (бенчмарки), таблицы баз данных, обучающих выборок, экранные формы работы с приложениями.

Основные результаты работы. Разработана функциональная модель ЭС для решения задачи проектирования вычислительного комплекса. Система способна функционировать на различных операционных системах и в сети, она позволяет интегрировать знания нескольких экспертов и знания, получаемые системой самостоятельно из накапливаемых данных в модуле САПР. Это дает возможность улучшить качество знаний, используемых в процессе проектирования. Система позволяет производить вывод на основании нечетко сформулированного технического задания.

Разработана модель и алгоритмы организации данных и знаний на основе эволюционной модели старения, позволяющие решить проблему избыточности накапливаемых данных и знаний, следовательно, не увеличивать время работы системы затрачиваемого на процесс вывода решения.

Разработана модель и алгоритм выявления знаний из накапливаемых данных на основе использования результатов работы эволюционной модели, позволяющая получать качественные знания из больших объемов данных.

Разработана методика программной реализации проектной модели модулей ЭС, способной к расширению и интеграции с различными платформами.

Реализованы и внедрены элементы ЭС с использованием эволюционных моделей организации данных, позволяющие вести обработку накапливаемых данных и выявлять новые знания из данных. Проведены серии тестов и выполнена обработка экспериментальных данных, что позволило уточнить теоретические оценки. Проведенные исследования показали улучшение работы предложенных алгоритмов по сравнению с известными методами.

Публикации по теме диссертации.

1. Гречин И.В. Приобретение знаний экспертными системами // Известия ТРТУ -№2, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2000. С.66-69.

2. Гречин И.В. Технология работы экспертной системы в сети Internet/Intranet // Известия ТРТУ -№4, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2001. С.254-256.

3. Гречин И.В. Новый подход к экспертной системе в технологии обучения // Известия ТРТУ -№4, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2001. С.343-344.

4. Гречин И.В. Формирование базы данных в ЭС по принципу самоорганизации // Перспективные информационные технологии и интеллектуальные системы -№4 (8), 2001. С.21-25.

5. Grechin I. Model of Knowledge for Intelligent Systems of Designing. Proceedings // 2002 IEEE International Conference on Artificial Intelligence Systems. Computer society, Los Alamitos, California, 2002 p 133-135.

6. Гречин И.В. К вопросу о проектировании знаний в экспертной системе // Перспективные информационные технологии и интеллектуальные системы -№3 (7), 2002. С.45-48.

7. Гречин И.В. О необходимости использования новых подходов к построению систем для работы в сети Internet // Известия ТРТУ -№ 2 (31), тематический выпуск «Интеллектуальные САПР» -Таганрог: ТРТУ, 2003. С. 192-194.

Соискатель

И.В.Гречин

Типография Таганрогского государственного радиотехнического университета

Подписано в печать.

2003г. Формат 60x48 1/16

Бумага писчая. Печать плоская. Усл.печ.л.1,0 Тираж 100 экз. Заказ №_

ВВЕДЕНИЕ.

Глава 1.АНАЛИЗ ПРОЦЕССА РАЗВИТИЯ САПР ПРИМЕНИТЕЛЬНО К ИСПОЛЬЗОВАНИЮ АППАРАТА ЗНАНИЙ И СЕТИ INTERNET.

1.1. САПР, процесс интеллектуализации.

1.2.Развитие глобальной сети Internet - новые возможности для САПР.

1.3.Представление данных и знаний, проблема приобретения знаний.

1.4. Анализ современного состояния автоматизированных систем приобретения знаний.

1.5.Анализ моделей представления знаний.

1.6.Типичная структура ЭС, анализ ЭС проектирования.

1.7. Анализ проблем методологии разработки ЭС.

В современных условиях жесткой конкуренции и значительного ускорения темпов технического прогресса необходимо при минимальных сроках проектирования обеспечить высочайшее качество проектируемых изделий электронной вычислительной техники большой функциональной сложности. Решение сложных задач проектирования сегодня уже невозможно без применения помощи систем автоматизированного проектирования (САПР) (CAD/CAM/CAE систем). Постоянное усложнение и увеличение задач, решаемых проектировщиком, обуславливает потребность в постоянном развитии САПР, совершенствовании и внедрении накопленных, а также разработке новых методов и средств, способных существенно повысить качество проектирования.

В основе современных САПР лежит опыт формализованных этапов проектирования, методов и моделей, описывающих проектные процедуры, подробно разработаны схемы их реализации на традиционных математических методах [Курейчик, 1990], [Норенков, 2000], [Будя, 1988]. Однако процесс проектирования сопровождается решением большого класса трудноформализуемых и неформализованных задач, которые с трудом поддаются описанию традиционными методами. Поэтому дальнейшее совершенствование качества принимаемого конструкторского решения лежит в использовании в технологии проектирования экспертных знаний и умении их применять, т.е. в интеллектуализации процесса проектирования. В решение задач принятия решений на трудноформализуемых этапах проектирования в условиях нечеткости, определяемой как нечеткой постановкой самой задачи, так и использованием интуитивных представлениях эксперта о путях ее решения и нечетком описании параметров [Малышев, 1991]. Сегодня накопление опыта и сложных форм знаний проектировщика становятся частью основы для подхода к созданию современных полнофункциональных САПР и отдельных модулей САПР, отвечающим всем жестким требованиям. В итоге в настоящее время компьютер в паре с пользователем должен лучше опытного эксперта, проектировщика выполнять всевозможные процедуры проектирования, традиционно относимые к области интеллектуальной деятельности человека. Акад. Г.С. Поспелов писал: «Способность компьютера выдавать творческие результаты - это не что иное, как овеществленные знания в машине и интеллект человека».

Интеллектуализация проектирования является одной из сложнейших задач, которой посвящен ряд работ [Малышев, 1991], [Чигварин, 1991], [Мищенко, 1988]. Изучению интеллекта, накоплению, организации и использованию знаний уделяется пристальное внимание на протяжении нескольких десятков лет. История и обзор основных достижений представлены в ряде работ [Поспелов, 1990], [Попов, 1996], [Уотермен, 1996], [Гаврилова, 2000]. Направление, связанное с экспертными системами (ЭС) проектирования, является интегрирующим для области традиционных САПР и множества направлений в области искусственного интеллекта и инженерии знаний. По мнению специалистов [Hayes-Roth, 1994], в перспективе экспертные системы будут играть ведущую роль во всех фазах проектирования, в производстве, а также в поддержке и организации консультаций. Одним из факторов внедрения ЭС, является то, что использование ЭС приносит значительный экономический эффект. К примеру, можно привести факт из области использования ЭС в проектировании [Попов, 1996]: корпорация DEC ежегодно экономила 70 млн. долларов в год, благодаря системе XCON/XSEL, которая по заказу покупателя составляет конфигурацию вычислительной системы VAX. Ее использование сократило число ошибок с 30% до 1%.

В современном мире ускорение эволюции информационных технологий, в частности, развитие нового информационного пространства - глобальной сети -выдвигает новые требования к программным продуктам, дальнейшее развитие которых лежит в интеграции с глобальной сетью [Гречин, 2003]. Весьма актуальным является вопрос качественного внедрения и использования Internet технологий в программные средства. Так как в настоящее время уже создаются виртуальные предприятия и практически значимыми становятся проекты, основанные на реализации межнациональными и трансконтинентальными мировыми компаниями проектных работ, основанных на взаимодействии опытных конструкторов посредством глобальной сети. Крупные производители САПР уже начали внедрение в свои системы возможность поддержки Internet технологий. Так система AutoCAD 2002 имеет возможности для публикации в Internet и возможность совместной работы через Internet , новая версия программного обеспечения Pro/ENGINEER 2000i включает улучшения в области разделения технической информации с помощью средств Internet, также ведутся разработки для программ OrCAD, DesignLab, P-CAD и др. САПР [Разевиг 2001], [Саврушев, 2002]. Увеличение внимания к внедрению Internet технологий объясняется новыми возможностями, которые создают эти технологии для программных комплексов. Применительно к САПР использование Internet технологий позволяет повысить качество принимаемых конструкторских решений, уменьшить сроки проектирования за счет интеграции труда многих конструкторов в реальном времени практически без ограничений в количестве пользователей и пространстве их размещения. Использование интеграции Internet технологий с аппаратом знаний для применения в САПР открывает возможности для получения качественных знаний от большого числа проектировщиков, организации накопления положительного коллективного опыта проектирования. Такая интеграция требует разработки новых моделей организации системы с использованием перспективного направления, основанного на эволюционном подходе.

Обобщая вышеизложенное, можно утверждать, что применение систем, основанных на знаниях, и внедрение использования Internet технологий в настоящее время являются перспективными направлениями в развитии САПР, интеграция которых позволит создавать качественно новые поколения САПР. Изучение новых возможностей, выявление и возможные решения проблем, связанных с интеграцией этих направлений, является важной и актуальной задачей, решение которой является необходимым базисом к построению перспективных САПР.

Целью диссертационной работы является повышение эффективности информационного обеспечения САПР за счет использования новых методов организации знаний и данных, возможности выявления знаний из данных и их интеграции на примере экспертного модуля САПР с применением современных сетевых технологий.

Для достижения поставленной цели в работе решались следующие основные задачи:

• анализ развития САПР с использованием аппарата знаний, организации знаний и данных;

• разработка метода получения знаний от нескольких экспертов и с использованием нескольких источников для повышения качества знаний применяемых при решении задач САПР;

• построение модели организации данных и знаний с использованием эволюционного подхода для решения проблемы переполнения баз, что позволило повысить скорость обработки баз, получить выборки данных для выявления знаний;

• разработка метода получения знаний из накапливаемых данных пользователей САПР и интеграции их со знаниями экспертов;

•разработка алгоритма принятия конструкторского решения в САПР, основанного на знаниях экспертов, с учетом неполных данных технического задания;

• построение модели ЭС проектирования с возможностью модульного расширения на основе современных сетевых технологий;

Научная новизна работы заключается в следующем:

• создана модель организации данных и знаний с применением эволюционного подхода в САПР;

• описан механизм организации выявления знаний из данных пользователей САПР;

• разработан метод проектирования на основе интеграции нескольких моделей знаний.

Практическую ценность представляют:

• алгоритм, разработанный на основе эволюционного подхода для организации БД и БЗ, который позволяет избежать избыточности в базах и обеспечить постоянное значение времени поиска при обращении к базам;

• механизм выявления знаний из данных, позволяющий выявлять знания из больших массивов изменяемых данных;

• механизм интеграции данных и знаний, организация доступа к знаниям и данным с использованием Internet технологий. Он позволяет организовать возможность переносимости между разнородными аппаратными и системными платформами программы.

Основные научные и практические результаты работы докладывались, обсуждались и были одобрены на Международных научно-технических конференциях «Интеллектуальные САПР» (пос. Дивноморское 1999-2002 гг.), на Всероссийских научных конференциях студентов и аспирантов «Радиоэлектроника, микроэлектроника, системы связи у управления» (г. Таганрог 2000,2001 гг.), внутривузовских конференциях ТРТУ (1999,2000гг.). Результаты диссертации отражены в 7 печатных работах. Результаты внедрены в опытную эксплуатацию и используются на федеральном государственном предприятии «Гидрометаллургический завод» Г.Лермонтов, и в организации работ по тестированию компьютерной техники в ООО «К&К» г.Пятигорск. Кроме того, материалы диссертации использованы в учебном процессе на кафедре САПР ТРТУ. Использование результатов диссертационной работы подтверждено соответствующими актами.

Диссертационная работа состоит из введения, четырех глав, приложений, списка использованной литературы из 154 источников и содержит 162 страницы основного текста, 29 рисунков и 16 таблиц. Общий объем работы 187 страниц.

4.4 Выводы и рекомендации

Для определения эффективности работы разработанной структуры:

1. Экспериментально определена зависимость времени ответа разработанной системы от количества пользователей, для задачи исследования эффективности предложенной структуры, проведено сравнение разработанной системы с показателями других подобных систем, показано преимущество разработанной системы, позволяющее уменьшить время проектирования;

2. Проведено исследование и расчет технических показателей технических ресурсов, необходимых для работы разработанной системы и показавшие приемлемость ввода разработанной системы в эксплуатацию;

3. Проведено исследование, определяющее качество и достоверность получаемых знаний системой из потока данных, показавшее приемлемость получаемых знаний для процесса проектирования. Проведено сравнение полученных знаний с полученными знаниями из данных по другим методами доказано преимущество разработанного метода.

ЗАКЛЮЧЕНИЕ

1. Представлен анализ существующих САПР, процесс интеллектуализации и интеграции современных САПР в среду сети Internet. Проанализированы проблемы представления знаний и методов работы со знаниями в процессе проектирования. На основании проведенного анализа были сделаны выводы об интеграции аппарата знаний в среду проектирования и необходимость использования в САПР новых информационных технологий, в частности сети Internet.

2. Выявлена необходимость использования новых методов для организации работы САПР с аппаратом знаний. Использованы и разработаны новые методы, в частности, на основе эволюционного подхода для организации данных и знаний, выявления новых знаний, которые позволили оптимизировать работу САПР применением аппарата знаний.

3. Разработана архитектура ЭС для работы в сети. Предложена модель организации взаимодействия нескольких моделей знаний в системе функционирующей в сети. Разработаны алгоритмы работы системы, проведена разработка блоков системы.

4. Разработаны алгоритмы выявления знаний из данных САПР с использованием эволюционного подхода. На основе данных алгоритмов созданы модули ЭС САПР.

5. Для разработанных структур разработаны программные модули, функционирующие в сети, способные интегрировать знания групп проектировщиков.

6. На этапе исследования разработанной структуры и алгоритмов были экспериментально определены показатели работы системы, произведено сравнение с другими подобными системами в САПР, доказаны преимущества разработанной системы.

1. Алексеев А.В., Борисов А.Н. и др. Интеллектуальные системы принятия проектных решений. -Рига: Зинатне, 1997.-320с.

2. Алиев Р. А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом.- М: Радио и связь. 1990. 264с.

3. Алиев Р.А., Захарова Э.Г., Ульянов С.В. Нечеткие регуляторы и интеллектуальные промышленные системы управления//Итоги науки и техники. Сер. Техн. кибернетика.-М.:ВИНИТИ АН СССР, 1991, т. 32, -С. 233-313.

4. Арсеньев С.Б., Бритков В.Б., Маленкова Н.А. Использование технологии анализа данных в интеллектуальных информационных системах. Управление информационными потоками // Сборник трудов Института системного анализа РАН. М.: Эдиториал УРСС, 2002. -С. 47-68.

5. Артамонов Е.И., Марковский А.В., Шипилина Л.Б. Организация работы пользоватлей САПР в Internet. Автоматизация проектирования, № 4, 1998. http://osp.admin.tomsk.ni/ap/1998/04/21 .htm

6. Басин A.M., Шилович И.И. Синергетика и Internet (путь к Synergonet). -СПб.: Наука, 1999.-71с.

7. Батыршин И.З. О мерах энтропии размытых множеств//Исследование операций и аналитическое проектирование в технике. -Казань: Казанск.авиац.ин-т.- 1978.- С. 40-45.

8. Батыршин И.З., Николаев Е.В. О системе автоматизации конструирования полимерных композиций// Нетрадиционные модели и системы с нечеткими знаниями.- М.:Энергоатомиздат, 1991.- С. 65 69 .

9. Безбородое В., Крючков А. САПР. Процесс или ритуал? САПР и Графика №9 1998. http://www.sprut.ru/public/stat/sapr0998.html

10. Беллман Р., Заде JI. Принятие решений в расплывчатых условиях.- В кн.: Вопросы анализа и процедуры принятия решений.- М.:Мир, 1976. С. 172215.

11. Берштейн Л.С. Разработка и исследование методов интеллектуализации процессов автоматизированного проектирования. Отчет о НИР. Таганрог.: ТРТУ, 1995. -95с.

12. Берштейн Л.С. Разработка теории и принципов когнитивного представления знаний, математического моделирования и построения гибридных экспертных систем для целей принятия решений. Отчет о НИР. Таганрог.: ТРТУ, 1995. -62с.

13. Бигон М., Харпер Д., Таунсенд К. Экология Особи, популяции и сообщества. М.: Мир, 1989 том 1.-667с.

14. Борисов А.Н. Системы, основанные на знаниях, в автоматизированном проектировании/Методическая разработка.- Рига: РПИ, 1989.- 126 с.

15. Борисов А.Н., Алексеев А.В., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений.- М: Радио и связь, 1989. 304 с.

16. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования.- Рига:3инатне, 1990.- 184 с.

17. Братко И. Программирование на языке Пролог для искусственного интеллекта / И. Братко; Пер. с англ. Под ред. Степанова A.M. -М.: Мир, 1990. -552с.

18. Будущее искусственного интеллекта/Под ред. К.Е. Левитина и Д.А. Поспелова.- М.: Наука, 1991. 302 с.

19. Бородулин Ю.Б., Гусев В.А., Попов Г.В. Автоматизированное проектирование силовых трансформаторов. -М.: Энергоатомиздат. 1987. -264 с.

20. Будя А.П., Кононюк А.Е., Куценко Г.П. и др. Справочник по САПР. Под ред. Скурихина В.И. -Киев.: Техника, 1988. -375с.

21. БусленкоН.П. Моделирование сложных систем.-М.: Наука, 1978.-399с.

22. Вагин В.Н. Дедукция и обобщение в системах принятия решений. -М.:Наука, 1988.- 384 с.

23. Веллинг Л., Томсон JT. Разработка Web приложений на РНР и MySQL -М: ДиаСофт, 2000. -672с.

24. Вентцель Е.С. Исследование операций. М.: "Советское радио", 1972 -522с.

25. Волков A.M., Ломнев B.C., Классификация способов извлечения опыта экспертов. Известия АН СССР. Техническая кибернетика. №5, 1989г. -С.34-45.

26. Гаврилова Т.А. Хорошевский В.Ф. Базы знаний интеллектуальны систем. Спб: Питер, 2000г.-384с.

27. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем.- М.: Радио и связь, 1982.- 200 с.

28. Гиляров A.M. Популяционная экология. М.: Изд. МГУ, 1990. -192с.

29. Гладков Л.А., Курейчик В.В., Курейчик В.М. Основы теории алгоритмов / под ред. В.М. Курейчика. Учебное пособие по курсу «Математическая логика и теория алгоритмов». Таганрог. ТРТУ, 2002.-82с.

30. Грабер М. Введение в SQL. -М.: Лори, 2001, -382с.

31. Гречин И.В. К вопросу о проектировании знаний в экспертной системе //Журнал: Перспективные информационные технологии и интеллектуальные системы, -2002.- №3 (7) -С.31-35.

32. Гречин И.В. Новый подход к экспертной системе в технологии обучения. Известия ТРТУ №4, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2001. -С. 343-344.

33. Гречин И.В. О необходимости использования новых подходов к построению систем для работы в сети Internet. Известия ТРТУ № 2 (31), тематический выпуск «Интеллектуальные САПР», -Таганрог: ТРТУ, 2003. -С. 192-194.

34. Гречин И.В. Приобретение знаний экспертными системами. Известия ТРТУ №2, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2000. -С. 66-69.

35. Гречин И.В. Технология работы экспертной системы в сети Internet/Intranet. Известия ТРТУ №4, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 2001. -С. 254-256.

36. Гречин И.В. Формирование базы данных в ЭС по принципу самоорганизации //Журнал: Перспективные информационные технологии и интеллектуальные системы -2001. -№ 4(8). -С.21-25.

37. Городецкий В.И., Самойлов В.В., Малов О.А. Современное состояние технологии извлечения знаний из баз и хранилищ данных.Ч.1. Новости искусственного интеллекта. №3. 2002. -С.3-12.

38. Городецкий В.И., Самойлов В.В., Малов О.А. Современное состояние технологии извлечения знаний из баз и хранилищ данных. 4.II. Новости искусственного интеллекта. №4. 2002. -С.3-9.

39. Григоренко В.П., Дерменжи П.Г., Кузьмин В.А., Мнацаканов Т.Т., Моделирование и автоматизация проектирования силовых полупроводниковых приборов. М.: Энергоатомиздат. 1988. -280с.

40. Дейт К. Введение в системы баз данных (седьмое издание).-М.: Вильяме. 2001.-1072с.

41. Джексон П. Введение в экспертные системы. М.: Издательский дом «Вильяме», 2001.-624с.г

42. Дикарев Б.Д. САПР для ПК в радиоэлектронике. Справ, учеб. Пособие. -Таганрог.: ТРТУ, 2000. -47с.

43. Долин Г. Интеллектуальные САПР в Internet. КОМПЬЮТЕР. 1997. - №3. С. 269-272.

44. Дюк В., Самойленко A., Data Mining: учебный курс.-СПб.: Питер, 2001. -368с.

45. Евгеньев Г., Кузьмин Б., Лебедев С., Тагиев Д. САПР XXI века: интеллектуальная автоматизация проектирования технологических процессов. САПР и Графика №4 2000.http ://www. sapr.ru/temp/1691 /index.htm

46. Ежкова И.В. Можно ли построить универсальную экспертную систему? //Программные продукты и системы. 1991. - N 2. - С. 19-29.

47. Закуанов Р.А., Батыршин И.З., Бикушев Г.С., Архиреев В.П. Представление нечетких понятий в гибридной экспертной системе СМОПЛЕКС. Труды международного семинара "Мягкие вычисления -967 Под ред. И.З. Батыршина, Д.А. Поспелова, Казань, 1996. -С.122 - 128.

48. Зиндер Е.С. Новое системное проектирование : информационные технологии и бизнес реинжениринг. Системы управления базами данных №4,1995. -С.37-49.

49. Иванова Е.Е. Дифференциальное исчисление функций одного переменного: Учеб. для вузов / Под ред. B.C. Зарубина, А.П. Крищенко. -М.: Изд-во МГТУ им. Н.Э.Баумана, 1999. 408 с.

50. Ивашко В.Г., Кузнецов С.О. Оценки правдоподобия в продукционных экспертных системах//Экспертные системы: состояние и перспективы.- М.: Наука, 1989. -С. 92-103.

51. Калабановский И.А. Методы и средства динамической интеграции данных в системах автоматизированного проектирования. Автореф. дис. к-та техн. наук: 05.13.12/ УГТУ. -Ульяновск., 2001. -29с.

52. Кандрашина Е.Ю., Литвинцева Л.В., Поспелов Д.А. Представление знаний о времени и пространстве в интеллектуальных системах/Под редакцией

53. Д.А. Поспелова. Москва, Наука. - 1989. - 328 с.

54. Керов Л.А., Частиков Ю.В., Юдин Ю.В., Юхтенко В.А. Экспертные системы: Инструментальные средства разработки. -М.: Гардарика, 1996. -413с.

55. Киселёв М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. - №4.-С.41-44.

56. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В., Базы данных. Интеллектуальная обработка информации. М.: Издательство «Нолидж», 2000г.-352с.

57. Кузьмин В.Б., Орлов А.И. О средних величинах, сравнение которых инвариантно относительно допустимых преобразований шкалы. В кн.: Статистические методы анализа экспертных оценок. -М.: Наука, 1977.- С. 220 - 227.

58. Курейчик В.М. Интеллектуальные САПР: Междувед. тематич.науч. сб. Вып. 4 / ТРТУ; Отв. Ред. Курейчик В.М. -Таганрог, 1994. -148с.

59. Курейчик В.М., Лебедев Б.К., Нужнов Е.В., Применение экспертных систем в инженерной практике. -Таганрог: ТРТУ, 1996. -135с.

60. Курейчик В.М. Математическое обеспечение конструкторского и технологического проектирования с применением САПР. -М.: Радио и связь, 1990. -352с.

61. Кьюсиака. Э. Искусственный интеллект: применение в интегрированных производственных системах/Под ред. Э. Кьюсиака.-М:Машиностроение, 1991.- 544 с.

62. Лачинов В.М., Поляков А.О. Информодинамика или путь к Миру Открытых систем. СПб: Издательство СПбГТУ, 1999г.

63. Левин Р. Практическое введение в технологию искусственного интеллекта и экспертных систем с иллюстрациями на Бейсике. -М.: Финансы и статистика, 1990. -239с.

64. Литвак Б.Г. Экспертная информация. Методы получения и анализа.-М.: Радио и связь, 1982.- 184 с.

65. Лопухина Е.М. Автоматизированное проектирование электрических машин малой мощности. -М.: Высш. шк., 2002. -511с.

66. Майерс. Г. Надежность программного обеспечения. М.: Мир, 1980. - С. 127-154.

67. Маккалистер Дж. Искусственный интеллект и Пролог на микроЭВМ. -М.: Машиностроение, 1990. -235с.

68. Маковский В.А., Похлебаев В.И. Базы знаний (экспертные системы). М.: Издательство стандартов, 1993. - 37 с.р*

69. Малышев Н.Г., Берштейн JI.C., Боженкж А.В. Нечеткие модели для экспертных систем в САПР.-М.: Энергоатомиздат, 1991. -134с.

70. Малышев Н.Г. Интеллектуальные САПР: Междувед. тематич. науч. сб. вып 1-3/ТРТУ Отв. ред. Малышев Н.Г.-Таганрог, 1988. -90с.

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

72. Мартин Дж. Планирование развития автоматизированных систем. М.: "Финансы и статистика", 1984.-196с.

73. Мейер Д. Теория реляционных баз данных.- М.:Мир, 1987. -608 с.

74. Мелихов А.Н., Берштейн J1.C., Коровин С .Я. Ситуационные советующие системы с нечеткой логикой.- М.: Наука, 1990.- 272 с.

75. Мессарович М.Д., Мако д., Такахари И. Теория иерархических многоуровневых систем.- М.: Мир, 1973, -344 с.

76. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980.-319 с.

77. Мироненко И.Г., Суходольский В.Ю., Холуянов К.К. и др.; Под ред. Мироненко. И.Г., Автоматизированное проектирование узлов и узлов и блоков РЭС средствами современных САПР. Учеб. пособие. Издательство: Москва, Высшая школа, 2002.-391с.

78. Мищенко В.А., Городецкий Л.М., Гуский Л.И., и др.; под ред. Мищенко В.А., Интеллектуальные системы автоматизированного проектирования больших и сверхбольших интегральных микросхем. -М.: Радио и связь, 1988. -272с.

79. Моргеев В.К. Метод структурирования и извлечения экспертных знаний: имитация консультаций. Человеко-машинные процедуры принятия решений. -М.: ВНИИСИ. 1988. -С.44-57.

80. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991.-464 с.

81. Нариньяни А.С. Недоопределенность в системах представления и обработки знаний//Известия АН СССР. Техническая кибернетика, -1986. -№5. С. 3-28.

82. Нейлор К. Как построить свою экспертную систему.-М.: Энергоатомиздат, 1991.-286с.

83. Николис Г., Пригожин И. Познание сложного.- М.: Мир, 1990.- 342с.

84. Никонов С.А. и др. Анализ состояния и тенденции развития информатики . Проблемы создания экспертных систем. Исследовательский отчёт. Под ред. С.А. Николова. Сефия: Интерпрограмма, 1990. -124с.

85. Никулин А. Выбор золотой середины // Компьютерный журнал UPGRADE. -2001. -№3. -С.18-19.

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

87. Норенков И.П. Основы автоматизированного проектирования. -М.: Изд-во МГТУ имени Н.Э.Баумана, 2000.-360с.

88. Орлов С.А. Технологии разработки программного обеспечения. СПб.: Питер, 2002. -464с.

89. Орловский С.А. Проблемы принятия решений при нечеткой информации.-М.-.Наука, 1981.- 206 с.

90. Осипов Г.С. Метод формирования и структурирования модели знаний для одного типа предметных областей //Известия АН СССР. Техническая кибернетика. 1998. №2. С.3-12.

91. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.-112с.

92. Осипов Г.С. Построение баз знаний на основе взаимодействия полуавтоматический методов приобретения знаний. 4.1. Концептуальные элементы модели мира. Известия РАН. Теория и системы управления.З — М.: Наука, 1995. С. 160-174.

93. Осипов Г.С. Искусственный интеллект: состояние исследований и несколько слов о будущем. Новости искусственного интеллекта. №1. 2001. -С.3-13.

94. Осуга. С. Приобретение знаний/Под ред. С. Осуги, Ю. Саэки. М.: Мир, 1990.-340 с.

95. Пахомов С. Serial ATA в преддверии рыночного бума. Компьютер пресс № 11, 2002. С. 143-146.

96. Погребинский А., Павлов А., Сравнительный анализ CAD/CAM систем. САПР и графика, №8, 2000. http://www.compress.rn/Article.asp7icN1489

97. Попов Э.В. Экспертные системы реального времени. Открытые системы №2(10), 1995. http://kiryushin.boom.ru/docs/esrv.htm

98. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы// под ред. Попова Э.В. -М: Фин. И стат. 1996. -320с.

99. Поспелов Д.А. Данные и знания. Искусственный интеллект. В 3 кн. Кн. 1.М: Радио и связь, 1990.-464с.

100. Поспелов Д. А. Моделирование рассуждений.- М.: Радио и связь, 1989.- 184 с.

101. Пупков К.А., Коньков В.Г. Интеллектуальные системы. М.: Издательство МГТУ им. Н.Э. Баумана, 2003. -348 с.

102. Прикладные нечеткие системы/Асаи К., Ватада Д., Иваи С. и др./Под ред. Т. Тэрано, К. Асаи, М. Сугено.- М.: Мир, 1993. 368 с.

103. Разевик В., «Легкие» САПР электроники. PC WEEK №20, 2001. http://kgblab.by.ru/docs/pcweek202001 /pcweek202001 .htm

104. Райордан P. Основы реляционных баз данных. -М.: Русская редакция, 2001. -384с.

105. Розевиг В.Д. Система проектирования OrCAD 9.2. -М.: СОЛОН-Р, 2001. -530с.

106. Рот М. Интеллектуальный автомат: Компьютер в качестве эксперта: Пер. снем. / М.Рот. -М.: Энергоатомиздат, 1991. -80с.

107. Руа Б. Классификация и выбор при наличии нескольких критериев (метод ЭЛЕКТРА). В кн: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976. -С.80 - 107.

108. Рыбина Г.В. Технология проектирования прикладных экспертных систем.-М.: МИФИ, 1991.- 104 с.

109. Саврушев Э. Ц. P-CAD для Windows. Система проектирования печатных плат. Практ. Пособие. -М.: ЭКОМ, 2002. -320с.

110. Саукап Р. Основы Microsoft SQL Server 6.5. -М.: Рус. редакция, 1999. -681с

111. Сойер Б., Фостер Д.Л. Программирование экспертных систем на Паскале.-М.: Финансы и статистика, 1990.- 191 с.

112. Статистический и дискретный анализ данных и экспертное оценивание/ Материалы IV Всесоюзной школы-семинара. Одесса: Изд-во ОПИ, 1991. 360 с.

113. Статистический и дискретный анализ данных и экспертное оценивание/ Материалы IV Всесоюзной школы-семинара. Одесса: Изд-во ОПИ, 1991. 360 с.

114. Степанов Н., Голованов А. Практический курс пользователя Pro/Engineer 2000i. -М.: КомпьютерПресс, 2001, -271с.

115. Стефанюк В.JT. Некоторые аспекты теории экспертных систем// Известия АН СССР. Техническая кибернетика. 1987. - N 2. - С. 85-91.

116. Тарасов В.Б. Моделирование предпочтений в задачах принятия решений параметризованными нечеткими отношениями// Нечеткие системы: моделирование структуры и оптимизация.- Калинин:Изд-во КГУ, 1987.- С. 17-30.

117. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям философия, психология, информатика. -М.: Эдиториал УРСС, 2002. -352с.

118. Тучков А., Создание корпоративной САПР: "как совместить желание и возможности". CADmaster №4, 2000.http://www.cadmasteг.ru/articles/04cгeationcoфoгatecad.cfm

119. Уотермен Д. Руководство по экспертным системам. М: Мир, 1989, -388с.

120. Уэно X., Исудзука М. Представление и использование знаний. М: Мир, 1989.-220с.

121. Федоров А., Елманова Н. Internet технологии в цифрах и фактах. Компьютер пресс №6, 2002. -С. 14-23

122. Фролов В.Н. и др. Автоматизированное проектирование технологических процессов и систем производства РЭС: Учеб. пособие для вузов / В.Н. Фролов, Я.Е. Львович, Н.П. Меткин. М.: Высш. шк., 1991.-256с.

123. Харрингтон Д. AutoCad 2002 для конструктора . Искусство проектирования. -М.: Diasoft, 2002, -944с.

124. Хейес-Рот Ф., Уотерман Д., Ленат Д., Построение экспертных систем. М: Мир, 1987.-430с.

125. Хорошевский В.Ф. Автоматизация программирования экспертных систем.-М.: МИФИ, 1988.- 64 с.

126. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах.-М.: МИФИ, 1988.-44 с.

127. Цаленко М.Ш. Моделирование семантики в базах данных.- М: Наука, 1989. 288 с.

128. Чемпинский JI.A. Компьютерные чертежно-графические системы для разработки конструкторской и технологической документации в машиностроении. -М.: Академия, 2002. -224с.

129. Черняк JI. Снова о тестах ТРС. // Открытые Системы,№ 11, 2000. -С.34-36.

130. Чигварин Н.В. Экспертные компоненты САПР. -М.: Машиностроение, 1991.-240с.

131. Шкарина JI.H. Язык SQL: Учебный курс. -СПб.: Питер, 2001, -592с.

132. Шляхтина С., Прохоров А. Рынок информационных технологий в 20022003 годах. Цифры, тенденции, прогнозы // Компьютер пресс -2003. -№1. -С.8-15.

133. Шошин П.Б. Размытые числа как средство описания субъективных величин. В кн.: Статистические методы анализа экспертных оценок. М. Наука, 1977.-С. 234-250.

134. Экспертные системы для персонального компьютера: методы, средства, реализации: справочное пособие.- Мн.:Выс. шк., 1990.- 197 с.

135. Янушко В.В. Перспективы развития сетевых САПР на базе глобальной сети Internet. Известия ТРТУ №2, тематический выпуск «Интеллектуальные САПР».: -Таганрог: ТРТУ, 1998., с. 182-187.

136. Янушко В.В. Повышение эффективности работы средств и систем САПР с применением технологий Internet (intranet). Диссертация на соискание ученой степени КТН: 05.13.12: Таганрог,ТРТУ, 1999.- 160с.

137. Boehm B.W. A Spiral Model of Software Development and Enhancement. ACM SIGSOFT Software Engineering Notes. Vol. 11, No. 4., 1986.

138. Boose J. and Gaines B. Knowledge Acquisition Tools for Expert Systems. New York: Academic Press. 1988. p. 620.

139. Brown D.C. and Chandrasekaran B. Design Problem Solving: Knowledge Structures and Control Strategies. Los Altos CA: Morgan Kaufman, 1989. p. 190.

140. Dean T.L. and Wellman M. Planning and Control. Los Altos, CA: Morgan Kaufman, 1991. p. 230.

141. Feigenbaum E.A. Themes and case studies of knowledge engineering. Expert system in micro electronic age. Edinburg: Infotech Limited, 1979. p. 420.

142. Finkelstein L., Finkelstein A.C.V. Instruments and instrument systems: design principles / M.G. Singh (Eds.). Systems and Control Encyclopedia. Vol. 4. Oxford: Pergamon Press, 1994. pp. 2533-2536.

143. Goschl S. Microsoft Web Applications Stress Tool. JUGAT Meeting, 12 June 2001, www.javausergroup.at/events/was.pdf

144. Grechin I. Model of Knowledge for Intelligent Systems of Designing. Proceedings 2002 IEEE International Conference on Artificial Intelligence Systems. Computer society, Los Alamitos, California, 2002. pp. 133-135.

145. Harmon. P. Expert system saves 20 million L on pipeline management. C&I July, 1994, p.31.

146. Hayes-Roth F., Jacobstein N. The State of Enowledge-Based Systems. Communications of the ACM, March, 1994, v.37, n.3, pp.27-39.

147. Hyson M. Capacity Model for Internet. 1999. p. 15. Transactions.http://www.microsoft.com/siteserver/ssrk/docs/rkTCA.doc и http://msdn.microsoft.com/library/enus/dnmscmsO 1 /html/cmsperfoc.asp?frame=true

148. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. №10.

149. McDermont J. R1 ("XCON") at age 12: lessons from an elementary school achiever. Artificial Intelligence, 59, p.241-247., 1993.

150. Myers G. Composite Structured Design . New York, NY: Van Nostrand Reinhold, 1978. p. 112.

151. Quinlan J.R. C4.5: Programs for Machine Learning. San Mateo, С A: Morgan Kaufmann. 1993. p. 236.