автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Синтез и реализация автоматизированных интеллектуальных систем управления организационно-техническими процессами

На правах рукописи

БОЛЬШАКОВ Александр Афанасьевич

СИНТЕЗ И РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ УПРАВЛЕНИЯ ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИМИ ПРОЦЕССАМИ

Специальности: 05.13.06- Автоматизация и управление технологическими

процессами и производствами (в промышленности)

05.13.10- Управление в социальных и экономических системах

Автореферат

диссертации на соискание ученой степени доктора технических наук

Москва 2005

Работа выполнена в Саратовском государственном техническом университете Научный консультант: доктор технических наук, профессор

Балакирев Валентин Сергеевич Официальные оппоненты: доктор технических наук, профессор

Мешалкин Валерий Павлович доктор физико-математических наук, профессор Бутусов Олег Борисович доктор технических наук, профессор Сытник Александр Александрович Ведущая организация: Институт проблем точной механики

и управления РАН (г.Саратов)

Защита состоится «14» апреля 2005 г. в «14» часов 00 минут на заседании диссертационного совета Д 212.145.02 Московского государственного университета инженерной экологии по адресу. 105066, г. Москва, Б-66, ул. Старая Басманная, Д.21/4.МГУИЭ.

С диссертацией можно ознакомиться в научно-технической библиотеке Московского государственного университета инженерной экологии.

Автореферат разослан «10» марта 2005 г.

Ученый секретарь диссертационного совета

Н.В. Мокрова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Увеличивающаяся сложность управления современными системами в промышленности, экономике, социальной сфере, их взаимная интеграция, функционирование в условиях жесткой конкуренции вызывают необходимость рассмотрения новых классов процессов управления. Наряду с задачами управления достаточно хорошо изученными техническими и организационными системами появилась потребность в эффективном управлении новыми типами объектов — организационно-техническими (технологическими) или технико-организационными процессами. Наличие в них человека как активного элемента в объекте и/или системе управления не позволяет использовать традиционные методы формирования управляющих воздействий.

Классическая и современная теории автоматического управления позволяют успешно синтезировать системы управления классом технических объектов, обладающим широким спектром свойств по отношению к таким характеристикам, как линейность (линеаризуемость в малом), стационарность, распределенность координат, возможность построения регулярных математических моделей и др. Для технических процессов, характеризующихся неопределенностями, которые не могут быть описаны статистически, предприняты попытки применения методов искусственного интеллекта. Однако эти методы в основном используются как дополнительные, подчиненные основной схеме синтеза систем управления техническими процессами. При этом созданные относительно немногочисленные устройства и алгоритмы (программы) управления часто выступают в роли своеобразного компенсатора таких особенностей технических систем, как неопределенность координат, качественный характер переменных и др.

Для синтеза систем управления классом организационных процессов, характеризующихся такими свойствами, как активность, открытость, самоорганизация, нестационарность, нелинейность, обычно применяются эвристики и способы, отражающие многолетний человеческий опыт. Несмотря на попытки формализации, в этой области по-прежнему превалирует субъективность принимаемых управленческим персоналом решений. Известны лишь немногочисленные попытки использования формализованных подходов и методов искусственного интеллекта для поддержки принятия управленческих решений в организационных системах на верхних уровнях иерархии (Бурков В.Н. - теория активных систем; Новиков ДА. -теория игр, принятие решений и механизмы управления; Канторович Л., Лурье Л., Новожилов В. - теория математического моделирования и оптимального планирования). Они основаны на формализации знаний по выработке управляющих воздействий при типовых ситуациях функционирования организационных систем.

Новый класс организационно-технических процессов (ОТП) несет в себе черты как технических, так и организационных систем. Наиболее важными свойствами, которые необходимо учитывать при синтезе систем управления ОТП, являются многомерность, сложность и изменчивость структуры, наличие многих целей, недетерминированность, активность, открытость и ряд других. Гибридный характер организационно-технических процессов или систем объясняет тот факт, что применение только формализованных (регулярных) методов или только эвристик синтеза систем управления, хорошо зарекомендовавших себя, соответственно, для технических и организационных объектов, не дает здесь желаемого результата. Поэтому для построения эффективно функционирующих систем управления ОТП требуются комбинированные подходы, сочетающие в себе дос-

тоинства как формализованных методов, так и/или методов искусственного интеллекта. Более того, опыт использования этих методов при решении задач синтеза управления ОТП целесообразно накапливать, систематизировать и использовать при решении вновь возникающих задач управления.

Для создания систем управления организационно-техническими процессами на основе концепции комбинированного подхода в настоящее время созданы все необходимые условия: существенно возросла мощность компьютеров и вычислительных сетей; имеются развитые базы данных, современные информационные технологии. Перспективными для создания систем управления организационно-техническими процессами являются: экспертные системы (ЭС), принципы нечеткой логики, системы естественного языкового общения, распознавания образов, системы, основанные на знаниях, нейронные сети.

Однако недостаточная изученность задач формализации и автоматизации организационно-технических систем, отсутствие методов синтеза интеллектуальных систем управления ОТП обусловливают необходимость проведения научных исследований в этом направлении. В основе предлагаемой автором концепции синтеза систем управления новым классом организационно-технических процессов содержатся принципы совместного использования как регулярных и интеллектуальных методов, так и эвристических способов.

Целью диссертационной работы является повышение эффективности функционирования систем управления новым классом организационно-технических процессов на основе их интеллектуализации.

Научная проблема, соответствующая этой цели, заключается в создании методологии синтеза и реализации интеллектуальных автоматизированных систем управления (АСУ), основанных на знаниях (эвристиках) и комбинированных подходах к принятию решений.

Для достижения данной цели необходимо решить следующие задачи:

• сформулировать принципы создания интеллектуальных систем принятия управленческих решений и показателей степени интеллектуальности АСУ организационно-техническими процессами;

• выполнить анализ свойств организационно-технических процессов как класса объектов управления;

• разработать комбинированный метод принятия управленческих решений в сложных организационно-технических системах;

• разработать методику применения принципов интеллектуализации на основе комбинированного подхода для систем управления ОТП;

• провести апробацию методологии синтеза комбинированных интеллектуальных систем управления для конкретных типов ОТП.

Методы исследований. Для решения поставленных задач использовались теория управления, методы искусственного интеллекта и математического моделирования, системный анализ, теория принятия решений.

Достоверность и обоснованность диссертационных исследований подтверждается результатами программного моделирования, успешным внедрением разработанных алгоритмов и программных средств и интеллектуальных систем управления в различных организациях и предприятиях.

На защиту выносятся: 1. Методологическая и технологическая концепция синтеза интеллектуальных АСУ, имеющая междисциплинарный характер и учитывающая как технологиче-

ские аспекты проблемы, так и гуманитарные.

2. Комбинированный метод принятия управленческих решений в организационно-технических системах управления, основанный на совместном использовании формализованных и интеллектуальных методов, а также эвристик.

3. Методология построения автоматизированных интеллектуальных обучающих систем с учетом психофизиологических характеристик обучаемых.

4. Подход к интеллектуализации программ автоматизации бухгалтерского, налогового и оперативного учета, основанный на использовании в них интеллектуальных компонент поддержки принятия управленческих решений.

5. Результаты реализации концепции синтеза в виде интеллектуальных систем принятия решений и управлений различными ОТП (промышленность, транспорт, медицина, экология, образование, экономика).

Научная новизна:

• создан универсальный комбинированный метод принятия управленческих решений в интеллектуальных автоматизированных системах управления организационно-техническими процессами;

• сформулированы показатели степени интеллектуальности (интеллектуализации) системы управления организационно-техническими процессами;

• синтезированы эвристические комбинированные процедуры решения задач управления большой размерности;

• поставлены и решены задачи оптимизации обучения как оптимального управления организационно-техническим процессом;

• разработаны методы построения и реализации интеллектуальных систем управления в промышленности, медицине, экологии, обучении, основанные на использовании встроенных интеллектуальных компонент поддержки принятия управленческих решений.

Практическая полезность заключается в расширении возможностей и повышении эффективности функционирования организационно-технических процессов (систем) независимо от области применения на основе повышения интеллектуальности систем управления:

• разработанная методология и созданная на ее базе объектно-структурная технология интеллектуализации систем управления положены в основу построения большого числа внедренных в эксплуатацию экспертных систем управления и поддержки принятия решений;

• предложенная концепция проектирования и построения интеллектуальных систем управления представляет интерес для вузов, в учебные программы которых входят дисциплины, связанные с искусственным интеллектом;

• предложенная методология построения обучающих автоматизированных систем, основанная на комбинированном принципе и учете психофизиологических характеристик обучаемых, позволяет проектировать высокоэффективные интеллектуальные обучающие системы. Эти системы целесообразно использовать при групповом и особенно индивидуальном, дистанционном обучении;

• разработанные алгоритмы и программы для принятия решений, основанные на комбинированном интеллектуальном подходе, применимы для самых различных областей функционирования организационно-технических процессов.

Реализация результатов. Результаты диссертационной работы использованы при создании ряда экспертных систем, внедренных в промышленности, медицине, образовании, экологии и т.п.:

• КОМПОЗИТ (система поддержки принятия управленческих решений при производстве изделий из композитных материалов);

• «Экспертная система рассмотрения претензий о просрочке в доставке грузов железной дорогой»;

• ЦЕОЛИТ (выбор цеолитов для использования в медицине, экологии и т.п.);

• АОЭС (автоматизированная обучающая система с учетом психофизиологических характеристик обучаемых);

• МЭТЭК (моделирование процесса функционирования транспортно-экспедиторской компании с учетом экологических характеристик);

• «Учет документов строгой отчетности»;

• ФС (Финансовая система) и МНУ (Модуль налогового учета).

Предложенная концепция проектирования и построения интеллектуальных систем управления организационно-техническими процессами применяется при обучении студентов кафедры «Системы искусственного интеллекта» СГТУ. Методические материалы автора используются при чтении лекций по интеллектуальным системам в АГТУ, ТГТУ, МГУИЭ, Ташкентском ХТИ. Созданная автоматизированная обучающая экспертная система внедрена и функционирует в СГТУ, Ташкентском ГТУ, АГТУ, ТГТУ, Ташкентском ХТИ. Разработанные автором методы обучения с учетом психофизиологических характеристик позволили существенно сократить время обучения, заметно повысить уровень знаний бухгалтеров и студентов. Комплекс интеллектуальных программ автоматизации бухгалтерского, налогового и оперативного учета успешно внедрен и функционирует на предприятиях корпоративных заказчиков, малых и средних предприятиях с существенным экономическим эффектом.

Апробация работы. Результаты работы докладывались на Всесоюзной НК «Автоматизация в химической промышленности» (Тамбов, 1986); на МНК «Математические методы в химии и химической технологии» (Тула, 1996; Новомосковск, 1997; Владимир, 1998); «Новые информационные технологии в медицине и экологии» (Украина, Крым, Ялта-Гурзуф, 1997 - 1999, 2004); «Математические методы в технике и технологиях» (Новгород Великий, 1999; Санкт-Петербург, 2000; Смоленск, 2001; Тамбов, 2002; Санкт-Петербург и Ташкент, 2003; Кострома, 2004); «Информационные технологии в науке, образовании, телекоммуникации, бизнесе и охране природных ресурсов» (Украина, Крым, Ялта-Гурзуф, 1999) и опубликованы в тезисах и материалах научных конференций.

Публикации. Основные положения диссертации отражены в 89 публикациях, в том числе в 4 монографиях, 12 статьях в центральных научно-технических журналах, рекомендованных ВАК (3 - в печати), 15 свидетельствах Роспатента на программы для ЭВМ, 1 свидетельстве на изобретение. Без соавторов опубликовано 18 работ.

В работах, опубликованных в соавторстве, личный вклад автора состоит в формулировании проблемы, постановке задач, создании теоретических основ для их решения, а также в участии в процессе исследования на всех этапах.

Структура и объем диссертации. Диссертационная работа состоит из 9 разделов, списка использованной литературы и приложений. Основная часть диссертации изложена на 298 страницах, содержит 51 рисунок, 18 таблиц.

СОДЕРЖАНИЕ РАБОТЫ В первом разделе (введении) обоснована актуальность проблемы, сформулированы цель и задачи исследования, научная новизна и практическая значимость полученных результатов.

Второй раздел диссертации посвящен анализу состояния и перспектив развития в области разработки интеллектуальных систем управления ОТП. Рассмотрены традиционно являющиеся объектом управления технические и организационные системы, а также подходы к синтезу систем управления ими.

Введено понятие технического (технологического) процесса или системы как совокупности машин и аппаратов, которые осуществляют преобразование, транспортировку и накопление материальной субстанции, энергии или информации. Установлено, что при синтезе управления техническими системами преимущественно используются формализованные методы , строго теоретически

обоснованные, с помощью которых получают решения, корректные в некотором смысле, например, по Адамару (существование, устойчивость, единственность). Классическая и современная теории управления используют формализованные методы, разработанные на основе оптимального управления, операционного и век-торно-матричного исчисления и др. При этом удается синтезировать различные типы систем управления: многомерные, нелинейные, адаптивные. С другой стороны, попытки использования таких методов ИИ, как нейронные сети, нечеткие переменные для автоматизации управления техническими процессами с неопределенностями, выявили существенные ограничения их применения.

Введено понятие организационной системы (процесса) как совокупности людей, объединенных для достижения определенных целей производственного, социального и/или экономического характера. Выделены наиболее важные с точки зрения задач управления свойства: активность, самоорганизация, нестационарность, неопределенность. Синтез систем управления этим классом процессов, как показал проведенный анализ, осуществляется в основном с помощью эвристик ^, являющихся результатом обобщения соображений здравого смысла или экспериментальных знаний лица, принимающего решение (ЛПР).

Выделен класс ОТП, содержащий компоненты как организационных, так и технических систем. Показано, что современные системы управления сложными технологическими процессами и предприятиями относятся к этому классу. Выявлены основные его особенности, такие как активность, открытость, иерархичность структуры, неопределенность, нестационарность и др. Для создания систем управления ОТП с учетом указанных свойств предложен комбинированный подход, объединяющий методы регулярные и ИИ, а также эвристики:

Сформулирована проблема повышения эффективности управления ОТП, для решения которой необходимо выявить и обосновать задачи интеллектуальной автоматизации, создать методы синтеза систем управления этим классом процессов; разработать технологическую концепцию построения интеллектуальных систем управления ОТП и методы решения задач управле-

ния с использованием ИИ; а также реализовать интеллектуальные системы управления в различных отраслях.

В третьем разделе рассмотрены теоретические проблемы синтеза систем управления. Предложена концепция интеллектуального управления ОТП на основе системы принципов и методов, достаточных для синтеза интеллектуальных систем управления. Сформулирована совокупность принципов, используемая при построении интеллектуальных систем управления ОТП.

Интеллектуальность систем управления. Введена оценка степени их интеллектуальности на основе анализа доли функций, выполняемых ЛПР в системе управления. Процесс передачи функций управления от человека к компьютеру назван интеллектуализацией. В свою очередь, количественные оценки этой категории являются показателями интеллектуальности.

Информационнаяуниверсальность. Эффективность интеллектуальных систем управления ОТП во многом определяется тем, насколько удалось использовать весь имеющийся опыт их создания и функционирования. Для этого необходимо использовать различные данные и знания с соответствующими механизмами для хранения, накопления и обработки.

Расширение системы. Так как обычно ОТП являются открытыми, то для сохранения и повышения эффективности функционирования они стремятся расшириться. Системы управления такими процессами должны обеспечивать поддержку принятия управленческих решений, направленных на обеспечение оптимальных границ расширения и степени интеллектуальности.

Быстродействие. Для своевременной выработки управляющих решений система управления должна обладать скоростью переработки информации, обеспечивающей функционирование ОТП в реальном масштабе времени.

Управленческая универсальность. Близость подходов к принятию управленческих решений в разнородных сложных системах приводит к идее использования некоторой универсальной процедуры достижения целей, основанной на учете свойств ОТП, а также использовании различных методов и способов принятия решений. Это обусловливает необходимость комбинированного подхода к решению управленческих задач, содержащего несколько аспектов.

Первый аспект связан с понятием комбинированности, возникшим в теории автоматического регулирования. Он означает, что для синтеза управления и используется информация не только о выходе у управляемого процесса но и о возмущении х на входе, что позволяет существенно повысить эффективность управления. В отличие от технических систем, здесь переменные могут иметь как количественный, так и семантический характер и другие особенности. Второй аспект связан с комбинированным подходом к выбору методов принятия управленческих решений. Для адекватного учета свойств ОТП требуется использовать как формализованные, так и интеллектуальные методы и эвристики. Третий аспект связан с использованием в базах знаний (БЗ) различных моделей представления знаний (МПЗ). Выбор рациональной их комбинации зависит от характера предметной области, решаемых задач управления и других факторов. Наконец, четвертый аспект связан с комбинированным построением интеллектуальной системы управления, которая наряду с механизмом логического вывода, БД и БЗ, основанными на декларативном описании предметной области, содержит модули, необходимые для поддержки формализованных методов.

Внутренняя совместимость компонент. При использовании комбинированного принципа для согласованного функционирования компонент различного типа, например, формализованных, интеллектуальных и эвристических требуется обеспечить их совместимость для достижения искомого синергетического эффекта от их применения.

Рекурсивность и итеративность процедур. При поисковых операциях для достижения цели G*, как правило, требуется выполнить ряд рекурсий и/или итераций, что обусловлено сложностью этой задачи, которая характеризуется много-критериальностью, неточностью исходных данных, структурной и параметрической нестационарностью, причем итеративная процедура осуществляет приближение к G* одним заданным методом, а рекурсивная — несколькими с помощью последовательного выбора «лучших» в некотором смысле методов из числа «подходящих» для достижения этой цели.

Проведенный анализ показывает, что для реализации принципов интеллектуальная система управления ОТП должна создаваться на базе универсального комбинированного метода решения управленческих задач, реализуемых на ЭВМ с помощью некоторой программы-интерпретатора. Эта программа инициирует формализованные, интеллектуальные и эвристические компоненты и обеспечивает их совместимость при рекурсивном поиске цели G*, используя для этого максимально все имеющиеся данные и знания.

Для реализации принципа интеллектуальности введем соответствующие показатели. Эксплуатируемая, или проектируемая система управления ОТП обладает некоторой функциональной структурой func_str 6 Func_Str, где — некоторое множество функциональных структур управления. Показатель интеллектуализации Int определяется на основе следующих соотношений: П: Func_Strx Func -» W; w- H(Func_Str,Func); w(Func _ Str, Func) = A; A = const; Int = w(Func _ Str, Func _ 7) / A, где Func, Func I, Func_T, - множество функций: общих, интеллектуализируемых

и компьютерных, т.е. закрепленных за программно-технической компонентой, а также их мощность со. Показатель интеллектуальности S_int задается следующим образом: S_int = w(Func_Str,Func_T)/ А.

Важным в предлагаемой методике является вычисление мощности множества со. Универсальным методом для определения мощности со служит экспертная процедура. При этом у экспертов получается информация, необходимая для ранжирования функций и уровней (страт) структуры системы управления, для последующей свертки и отображения на множество действительных чисел А еД1 или нечеткое множество — функция принадлежности.

Для принятия решения о необходимости интеллектуализации вводится по-казательСи) получаемого эсЬсЬекта (эффективности) ef. Е: Func_Str х Func х Func J -+Ef. ef = E(Func_Str, Func, Func _1)

Показателями эффективности могут служить время принятия решения, его надежность, экономическая оценка последствий от принятого решения. Введение данных показателей позволяет сформулировать задачу эвристической оптимизации процесса интеллектуализации: найти такой вариант интеллектуализации, чтобы доставить экстремум (максимум или минимум) показателю эффективности ef

е/{Рипс_8&,Рипс,Ртс_1)~^ ехЪг

при некоторьж условиях (ограничениях на ресурсы и т.п.). Способы построения критерия и нахождения его экстремального значения основаны на знаниях экспертов, что обусловило использование термина «эвристическая оптимизация».

Обобщенную задачу (проблему), связанную с достижением ОТП некоторой цели б*, можно представить в операторной форме: Ч'х —> у, где х - исходные данные и знания - оператор, метод, способ, или алгоритм для получе-

ния решения у, позволяющего достичь или приблизиться к цели О*. Для решения проблемы, связанной с синтезом оператора , предлагается разработанная автором на базе известного эвристического алгоритма М.Минского универсальная комбинированная процедура синтеза управления сложными организационно-технологическими системами, основанная на совместном использовании эвристик и формализованных подходов. В общем случае ее реализация имеет рекурсивный характер и включает такие основные этапы, как выбор цели G*, критерия z, нормы (метрики) р, метода достижения цели, анализ неразрешимости проблемы, критерия достижения цели. Наиболее важные из этих этапов:

Выбор нормы и/или метрики. В общем случае считается, что задано множество У некоторой природы, на нем определена о-алгебра, нормы и метрики, например, евклидовое, интегрируемое с квадратом, и равномерное, наиболее часто используемые в технических приложениях, или семантические, характерные для организационных систем.

Выборметода достижения цели заключается в последовательной их активизации. Затем собирается информация о сравнительной эффективности очередного выбранного метода (способа) с помощью пробных шагов в направлении к С. При этом используется оценка «расстояния» до цели р =|| гя - г, ||, полученная на

предыдущем этапе. После рекурсивного анализа определяется лучший метод (способ) с номером j* = ЗlrgmiTí(pl,pг,...,pJ.....Р„)> Где р1 — расстояние до цели б ,

достигнутое в результате «пробного шага» ¡-м методом (т — число активизированных методов из БЗ). После каждого «рабочего» шага выполняется оценка достижения £7* и скорости движения. Если скорость движения к б* высока, то движение выбранным .¡*-м методом продолжается. В противном случае при замедлении осуществляется проверка: достигнута ли цель.

Анализ неразрешимости проблемы. В процессе последовательного выбора наиболее подходящего метода может возникнуть ситуация, когда после очередной серии рабочих шагов ни один из методов оказался не способен существенно уменьшить расстояние р до цели <5*. Для разрешения этой проблемы последовательно осуществляется выбор новой метрики, методов и, наконец, цели.

Критерий достижения цели. В качестве критерия достижения цели и останова поиска решения используется соотношение: — заданное значение степени достижения цели. В случае выполнения этого соотношения цель считается достигнутой с требуемой степенью точности.

Использованный в процедуре принцип комбинированности обусловливается возможностью применения как формализованных подходов к способам задания метрики и выбора направления движения, так и слабоформализованных методов, основанных на знаниях. Это придает ей большую универсальность и позволяет ис-

пользовать для широкого класса задач принятия решений в интеллектуальных АСУ организационно-техническими процессами.

В предложенной универсальной комбинированной процедуре принятия управленческих решений необходимо хранить и накапливать информацию о следующих основных категориях: цель(и) системы управления в*; целевые функции (критерии) 2, с помощью которых оценивается степень достижения цели б*; метрики р для оценки расстояния между состояниями системы; методы принятия решений Т, как совокупность формализованных регулярных методов и эвристик (¥= процесс (предметная область), характер его поведения в процессе управления, т.е. смена состояний 1!) Для описания знаний экспертов необходимо использовать три основных формализма: продукции, семантические сети и фреймы. В общем случае для универсального комбинированного метода принятия решений используется сеть фреймов, состоящая из 5 подфреймов (субфреймов): га=(с, г, ©, у, т7).

Для реализации предложенной процедуры принятия решений и сформулированных принципов интеллектуализации предлагается структура типового модуля интеллектуального управления. Решение задач и работа с правилами, данными и знаниями осуществляются в специальном блоке — рабочей области памяти. В ней представляются описания запроса или решаемой задачи, данные и правила из БЗ, БД, процедуры или стратегия механизма вывода (рис. 1).

ЛПР Реализация

Рис 1. Структура обобщенного модуля интеллектуального управления (СУ - система управления; ББД- библиотека баз данных; ББЗ - библиотека баз знаний)

В соответствии с рекурсивной схемой работы универсальной комбинированной процедуры принятия управленческих решений осуществляется инициализация правил из соответствующих БЗ: целей, критериев, метрик, методов. Для реализации формализованных методов используется библиотека интеллектуальных пакетов прикладных программ. Требуемые для принятия решений данные хранятся в библиотеке БД. Для взаимодействия с ЛПР модуль содержит объяснительную компоненту, являющуюся обязательными элементом ЭС. Связь с ЛПР обеспечивается с помощью интеллектуального модуля ввода-вывода информации.

Четвертый раздел связан с реализацией комбинированного подхода к синтезу системы управления производством изделий из композитных материалов (ИКМ) Он содержит краткое описание современного наукоемкого технологического процесса получения ИКМ, характеристику функций СУ, которые подлежат автоматизации с помощью методов ИИ, и предложенную автором для их реализации интегрированную АСУ (ИАСУ ИКМ)

Целью технологического процесса производства намоточных многослойных ИКМ, основные этапы которого представлены на рис 2, является достижение заданных значений комплекса физико-химических характеристик (критериев) таких, как показатель несущей способности, предельная адгезионная прочность, продолжительность изготовления и др

Проведенный анализ производства ИКМ как процесса управления показал его принадлежность к классу ОТП и выявил следующие управляющие функции и операции по его стадиям 1) подготовительная (8_т1=0) — выбор наполнителей, связующих с учетом их совместимости, подготовка компонентов для их получения, проектирование раскроя материалов и др, 2) получение наполнителя — выбор технологической установки, определение режима и физико-химических параметров (ФХП) исходного сырья, контроль технологического процесса (ТП), определение параметров полученного наполнителя, 3) получение связующего (8_1Ш=0,2) - определение по стехиометрическим и полуэмпирическим формулам количества добавок, подбор режима смешения и термостатирования, определение ФХП исходного сырья, контроль ТП, определение ФХП полученного связующего, 4) пропитка наполнителя связующим (5_т1=0,25) — выбор типа режима пропитки («сухой» или «мокрый способ»), подбор и контроль ТП пропитки наполнителя связующим на формирующем устройстве и в термокамере, определение ФХП полученной композиции «наполнитель + связующее», 5) формование изделий (БгМ=0,17) — выбор типа режима пропитки и установки формования, определение ТП и ФХП исходного сырья для формования полуфабриката, контроль ТП намотки, определение ФХП полученного полуфабриката, 6) отверждение изделий =0,2) — выбор установки для термообработки, определение ТП отверждения полуфабриката и ФХП исходного сырья, контроль отверждения, определение ФХП полученного изделия, 7) обработка и контроль качества — определение режима герметизации, механической обра-

ботки и сборки ИКМ, подбор и контроль ТП испытаний, обработка их результатов, принятие управленческого решения о достижении Показатель интеллекгуальности действующей системы управления производством ИКМ в целом составил

К особенностям производства ИКМ относится частая смена типов и видов продукции и исходных компонентов и, как следствие, режимов функционирования обо-

рудования. Поэтому необходимо решать практически в реальном масштабе времени ряд дополнительных научно-исследовательских и проектных задач, связанных с изучением свойств новых исходных веществ, кинетики физико-химических процессов, подбором оптимальных рецептур, построением математических моделей (ММ) и определением оптимальных технологических режимов работы оборудования, выбором новых методов контроля качества изделий.

Из анализа управляющих функций и операций следует, что первоочередными задачами интеллектуализации управления на различных стадиях производства ИКМ являются следующие: выбор и раскрой материалов; параметрическая идентификация параболического уравнения переноса тепла, диффузии жидких компонент в многослойных изделиях и ММ адгезеобразования между слоями изделия; структурная и параметрическая идентификация уравнения отверждения связующего; параметрическая идентификация возникновения технологических напряжений в изделии; определение оптимальных режимов получения наполнителя и связующих, оптимальной схемы намотки, оптимального закона термообработки полуфабриката; оценка качества изделия по данным разрушающего и/или нераз-рушающего контроля.

Автором предложены интеллектуальные методы решения вышеперечисленных задач. Подбор армирующих (АМ) и связующих материалов (СМ) предлагается проводить с применением ЭС, содержащей не формализованные ранее эвристические знания экспертов-технологов. Для этого из исходных множеств АМ

А и связующих В выбираются подмножества А С. А и В С В, чтобы выполнялась совокупность ограничений ФХП а и Ь, не требующих дополнительных расчетов. Затем из А И В выбираются п о д м н (Ажи^'ш т?вса.£Й, л я всех элементов которых удовлетворяются ограничения на критерии качества . Далее для элементов подмножеств с помощью аппарата нечетких резолюций

проводится анализ вариантов использования АМ и СМ с оценкой степени уверенности в истинности выбора. Результатом решения является некоторая совокупность вариантов АМ и СМ с определенными ФХП, стоимостная оценка КМ и оценка степени уверенности в истинности выбора. Указанные данные используются ЛПР для принятия окончательного решения по составу композиционного материала. Апробация предложенного интеллектуального метода показала, что по сравнению с традиционным способом время принятия управленческих решений по выбору материалов сокращается в 2-3 раза.

В следующей задаче, связанной с раскроем рулонных материалов, эвристика, описывающая цель оптимизации, может характеризоваться определением такого порядка разрезания рулонов, чтобы получить отпезки тпебуемой длины с минимальной суммарной величиной остатков К—У"^^, где SJ — остаток материала в

.¡-м рулоне. Тогда, согласно, например, методу динамического программирования, для нахождения оптимального плана раскроя с критерием необходимо решить систему из п рекуррентных функциональных уравнений вида:

Лд,-l.iij.Un ~1,2ОХ-'Ьт-1М)]-г,0Л (!)

где ¡=1,2,...,п, Ьу— "ресурс" или остаточная длина ]-го рулона, которая определяется после того, как будет распределен (раскроен) 1-й отрезок, а ^О,) - длина, которая требуется для размещения 1-го отрезка при решении ] Очевидно, что на

каждом i-м шаге для решения (1) должны выполняться неравенства

Использование этой первой, основной эвристики позволяет отбрасывать неудовлетворительные варианты решения на промежуточных шагах и перевести раскрой из класса NP-полных к более экономичному - к задачам полиномиальной сложности. Следующие эвристики связаны с выбором начального плана, а именно количества требуемых рулонов т, порядка их начального расположения, обеспечения единственности решения. Описанный комбинированный метод апробировался на большом количестве модельных и реальных задач раскроя материалов для производства ИКМ. При этом комплексное использование метода дискретного динамического программирования с применением соответствующих эвристик позволило создать интеллектуальный метод оптимального управления, более экономичный (в 5-10 раз), чем известные методы решения задач раскроя.

Математические модели физико-химических процессов, протекающих при производстве ИКМ, обычно представляют собой системы нелинейных дифференциальных уравнений в обыкновенных и частных производных вида:

F[str,a,s,t)-Q, где F— вектор-функция, S — вектор пространственных координат, t— время. Помимо задания структуры str функции F требуется на основе экспериментальных данных определять значения вектора параметров а. Задачи как структурной, так и параметрической идентификации являются некорректными обратными задачами.

Так, автором получено, что математическая модель (ММ) процесса термообработки многослойных намоточных композитных изделий представляет собой замкнугую систему нелинейных дифференциальных уравнений:

где у(х,0 е 0, = {г,_, < х < г,, i = 1,.., и; t0 < t < t,}; z(x, t) e Q2 {r„_, < x < rn;tt < t < t,}

— температура и степень отверждения (адгезеобразования) вещества; c(x,y,t,z),A(x,y,Z,t) — коэффициенты объемной теплоемкости и теплопроводности i-ro слоя; f{x,y,Z,t) — плотность мощности внутренних источников тепла; [l(x),v{x) — функции в (2), вид которых зависит от форм осесимметричного изделия: ддя пластины — ц{х) = v(x) = 1; для цилиндра — /и(х) - х'1; = х; дат шара — fi(x) = х'г\у{х) — х'г . Соотношение (3) представляют собой граничные условия 1-го рода при . Кроме

этого, ух = ду!дх\у1 =dy/df,zt =8z/dt.

При идентификации модели (2)-(5) возникает целый ряд трудностей. Основные из них связаны с некорректностью задачи идентификации параметров математических моделей процессов распространения тепла, отверждения связующего и адгезеобразования по экспериментальным данным. Использование описанной универсальной комбинированной процедуры позволяет регуляризовать решение этих задач. Рассматриваются эвристические приемы, которые позволяют создавать

эффективные интеллектуальные процедуры получения регулярных методов решения управленческих задач

Так, при идентификации параметров уравнения в частных производных установлено, что зависимость параметров от температуры и степени отверждения следует задавать в виде степенной зависимости порядка не более 3 Более сильным допущением является пренебрежение зависимостью коэффициентов объемной теплоемкости и теплопроводности от температуры и/или степени отверждения

Далее при параметрической идентификации ММ отверждения и адгезеобра-зования, которые представляют собой дифференциальные уравнения первого порядка, следует предварительно сгладить экспериментальные данные с помощью аппроксимирующих кубических сплайнов, найти производную от сплайна и приравнять ее правой части дифференциального уравнения, а затем определить искомые параметры с помощью решения конечного уравнения

Ниже на рис 3 приводятся зависимости, иллюстрирующие процесс регуля-ризирующей процедуры идентификации ММ отверждения

Рис 3 Регуляризирующая процедура идентификации ММ отверждения эпоксидных связующих с помощью аппроксимирующих сплайнов а) экспериментальные 775(/)и сглаженные данные о

степени отверждения ^(0 , б) производная от сглаженной , в) восстановленная зависимость

, г) восстановленная функция энергии активации

Оптимизация на стадии термообработки полуфабриката осуществляется на основе математического описания явлений, происходящих в изделии В этом случае оптимальное управление процессом отверждения многослойного ИКМ определяется как решение следующей оптимизационной задачи

{к(и1>и2)=ашащшф](х, 0 - >

1 I

(б)

(7)

при следующих ограничениях

Здесь и',и* — минимально и максимально допустимые температуры воздуха, обогревающего изделие изнутри и снаружи Второе ограничение связано с необходимостью создания «мягких» условий формирования структуры композита и уменьшения уровня технологических напряжений, приводящих к снижению прочностных показателей Третье ограничение означает, что по окончании термообработки температура на поверхности изделия должна быть не больше заданной Все ограничения являются своего рода технологическими эвристиками и могут существенно влиять на оптимальное решение

Исследованная автором задача (6) при связях, задаваемых ММ (2)-(5), обладает целым рядом особенностей, связанных с неявным характером задания целевого функционала отсутствием строгого доказательства его выпуклости,

наличием ограничений как на управление, так и на фазовые переменные Это существенно осложняет выбор метода и нахождение оптимального управления

Согласно универсальной комбинированной процедуре, вначале исходная неклассическая вариационная задача преобразована в конечномерную и далее применен метод деформируемого многогранника для ее решения Однако большая трудоемкость (десятки часов) и невысокая точность обусловили отказ от данного подхода На следующем рекурсивном шаге с помощью метода последовательной линеаризации удалось на порядок снизить трудоемкость получения оптимального управления Однако при этом существенно возросла трудоемкость вывода формул сопряженных задач в частных производных для вычисления производных по направлению (Гато). Проведенные многочисленные итерационные вычисления позволили сформулировать эвристику о виде оптимального закона термообработки ИКМ в трапецеидальной форме При этом угол наклона боковых сторон определяется технологическими ограничениями на градиент температуры, а высота верхней стороны трапеции - максимально допустимой температуры термообработки Таким образом, вариационная задача на условный экстремум преобразуется в существенно более простую - минимум функции одной переменной (продолжительность термообработки при максимально допустимой температуре) Эта задача решалась автором методом «золотого сечения», при этом время расчетов уменьшается более, чем на два порядка (минуты) На рис 4 представлена иллюстрация оптимизации с помощью различных методов на трех шагах рекурсии универсальной комбинированной процедуры принятия решений

Рис 4 Результаты определения оптимального управления режимом термообработки с помощью трех методов конечномерного, последовательной линеаризации, эвристического

Непрерывно-дискретный характер основных технологических процессов, их территориальная и временная разобщенность осложняют автоматизацию описанного наукоемкого производства ИКМ и предопределяют создание ряда локальных автоматизированных, автоматических и координирующей систем управления с использованием в них интеллектуальных компонент, реализующих предложенные комбинированные методы Локальные АСУ и АСР осуществляют контроль, регулирование, управление и оптимизацию отдельных ТП производства На верхнем уровне находится координирующая (интегрированная) АСУ, которая осуществляет согласование режимов функционирования локальных СУ и регулирования, сбор, переработку и хранение информации о всех ТП производства ИКМ и характеристиках товарной продукции Частичная реализация ИАСУ производством ИКМ позволила сократить время получения изделий на 20-30%, потребляемую электроэнергию, повысить обоснованность принимаемых управленческих решений, их надежность на основе повышения интеллектуальности

Пятый раздел посвящен построению и реализации интеллектуальных автоматизированных обучающих систем (ИАОС)

Обучение является одним из видов интеллектуальной деятельности и неотъемлемым атрибутом организационно-технических и организационных систем. Это обусловлено наличием человеческого фактора, т.е. человека, как элемента системы, выполняющего определенные функции.

Для рассмотрения обучения как процесса управления вводится понятие оператора, под которым понимается человек, работающий в некоторой предметной области. При этом под обучением понимается процесс приобретения или восстановления определенных знаний и умений. Процесс управления характеризуется изменчивостью структуры. Так, различают обучение одного оператора (при дистанционном обучении), в малых группах (по 2-5 человек), в традиционных группах (20-25 человек — в школах, вузах). Поведение объекта управления во многом зависит от вектора входных координат X: входные знания (умения, навыки), психофизиологические характеристики (ПФХ), установка на обучение и др., которые измеряются с помощью процедур тестирования, анкетирования, собеседования. Результаты измерения могут носить как количественный, так и качественный характер. В общем случае количество ПФХ человека-оператора достаточно велико. Например, по наиболее информативному каналу восприятия информации различают «логиков», «аудиалов», «кинетиков», «визуалов»; по типу мышления - «дедуктивный» и «индуктивный»; по скорости принятия решения - « рефлексивный» и «импульсивный».

Контролируемый процесс обучения оператора характеризуется вектором выходных координат Y: уровень приобретенных знаний, умений, навыков, и др., которые определяются с помощью зачетов, экзаменов, тестирования, компьютерного контроля. Преподаватель является основным звеном, который обеспечивает организацию обратной связи в процессе обучения. Для усиления и реализации этой связи, повышения ее динамичности он использует такие «исполнительные органы» и управляющие воздействия и на обучение, как определенные методики обучения, разнообразные технические средства (ТСО).

Рассмотрены постановки задач, необходимые для синтеза ИАОС. При автоматизации обучения могут преследоваться различные цели, которые находят отражения в таких критериях, как сокращение времени обучения; максимизация уровня знаний; уменьшение стоимости обучения; снижение скорости забывания знаний (умений) и др. Поэтому в общем случае целевая функция обучения является векторным понятием, а степень достижения цели характеризуется набором критериев и требует решения многокритериальной оптимизационной задачи, или скалярной задачи оптимизации на условный экстремум. Сформулирован ряд задач автоматизированного обучения в виде задач на условный экстремум.

Задача 1 (на быстродействие). Требуется найти управление иеКдля достижения минимума времени обучения - ограниченное множество допустимых управлений; время обучения определяется из условия достижения заданного уровня знаний (умений) с учетом возмущений, вносимых входным уровнем знаний S,, психофизиологическими особенностями обучаемого которые описываются некоторой моделью: - выходной уровень знаний. Под управлением и здесь и далее понимается методика обучения, выбираемая из некоторого допустимого ограниченного множества V, которые содержатся в базе знаний ИАОС.

Задача 2 (максимизация знаний). Требуется найти управление и для достижения за время обучения Tt максимального уровня знаний: S0(u) —> max, с учетом возмущений, вносимых входным уровнем знаний Sn психофизиологическими особенностями обучаемого Р, которые описываются некоторой моделью: - выходная степень (уровень) знаний, - заданное время обучения.

Задача 3 (экономичное обучение). Требуется найти управление и для достижения минимума стоимости обучения R за время с учетом возмущений, вносимых входным уровнем знаний St, психофизиологическими особенностями обучаемого которые описываются некоторой моделью Se = Л/(»). При этом уровень знаний (умений) по окончании обучения не должен быть ниже заданного

Здесь вычисление целевых функций 50, R осуществляется на основе экспертных методик, формализованных с помощью методов представления знаний. Модель формирования знаний оператора M{S„P,u,Тг) также описывается на основе представлений эксперта и хранится в БЗ интеллектуальной АОС. Для этого используются фреймовая и продукционные модели представления знаний. Возможны также и другие постановки задач оптимального обучения, которые в некоторой организационно-технической системе сводятся к оптимизационной задаче на экстремум. Особенностью всех задач является отсутствие в явной привычной математической форме модели М обучаемого, специфический вид управляющих воздействий и и ряд других характеристик.

Для учета свойств объекта управления и реализации универсальной комбинированной процедуры автором предлагается структура АОС, представленная на рис. 5. Особенности ее функционирования следующие. При синтезе управления и важными являются частота обучения и контроля знаний, метод подачи материала (равномерный, неравномерный), тип используемых ТСО. Последние применяются для представления информации, моделирования ситуаций и должны отвечать типу ПФХ. Следующими аспектами методики являются динамика сложности материала (линейно-возрастающая, постоянная, нелинейная), вид когнитивного подхода:

индуктивный и дедуктивный и др. Вектор координат Z представляет собой некоторые установки, которые приняты преподавателем, например, изучаемая дисциплина, объем лекционных часов и др. При организации учебных занятий приходится учитывать вектор возмущающих воздействий W, к которому относятся, например, длительность, условия (комфортность помещения, время дня проведения занятий и т.п.).

В ИАОС орган управления функционирует по двухканальной схеме. Первый канал реализует прямую связь и образуется цепочкой: идентификация ПФХ, вход-

Рис. 5. Структурно-функциональная схема комбини-оованной АОС (КЗ -контооль знаний)

ной контроль знаний — ЭС — методика обучения — Оператор Таким образом, формируется управление по возмущению, с помощью которого орган управления выбирает методики обучения, основанные на знаниях X ЭС содержит БД, в которой хранится информация о результатах идентификации ПФХ, входного контроля знаний Кроме этого, ЭС включает в себя БЗ, необходимую для выбора управляющих воздействий (методик) Для представления знаний в разработанной автором комбинированной АОС на первом этапе функционирования применяются продукционные модели Второй канал органа управления реализует обратную связь и образуется следующей последовательностью выходной контроль знаний — Учитель — задачи, ТСО — Оператор Дополнительные знания по выходному контролю поступают и хранятся в БД системы, отображаются Учителю и влияют на выбор задач Таким образом, данный канал формирует управление по отклонению, благодаря которому Учитель (возможно совместно с ЭС) определяет сложность и конкретный вид задач для Оператора Работа этого канала обратной связи близка к пропорциональному закону регулирования чем лучше знания на выходе, тем более сложные задаются Оператору задачи

Таким образом, особенностью предложенной системы обучения является то, что она использует известные характеристики объекта управления (Оператора) и базируется на знаниях Следует отметить, что наряду с традиционными формализованными подходами оценки входных и выходных знаний, основанных на тестах, автором также использовались методы нечеткой логики, которые позволяют достигнуть более точных результатов

Сйсгема апробирована автором при проведении занятий по программированию у студентов Были выделены две группы первая обучалась по традиционной методике, вторая — с использованием АОС Целью обучения являлось достижение максимального уровня знаний при заданном времени обучения Уровень выходных знаний So определялся на итоговом экзамене Согласно входному контролю знаний, средняя оценка в группе Sj, обучаемой по традиционной методике (7,1) выше, чем в группе автоматизированного обучения (5,9) Кроме этого, в последней группе степень «разброса» уровня знаний, оцениваемая с помощью среднеквадра-тического отклонения выше, поэтому используется относительное приращение среднего значения и относительное изменение среднеквадратического отклонения

где С/, — оценка'-го студента при входном и выходном контроле знаний

На первом этапе с помощью метода экспертных оценок выявлен состав показателей, входящих в ПФХ При этом установлено, что первая группа в основном состоит из К — «кинетиков», гораздо менее представлены другие типы (А — «аудиалы» — 3, В — «визуалы»— 3, практически ни одного Л —«логика») Во второй группе преобладали в основном «логики», а также небольшая часть — «ви-зуалы» На втором этапе зафиксированы процедуры входного и выходного контроля знаний Затем с помощью таких процедур извлечения знаний, как анкетирование, собеседование и др, была получена необходимая информация о методике обучения для эвристического достижения максимума критерия в задаче 2 с учетом ПФХ и других переменных

Результаты входного и выходного контроля знаний представлены в табл 1

Статистический анализ результатов обучения_Таблица I

Характеристика Традиционная методика Автоматизированное обучение

среднее, 5' ско,Я2 среднее, ско,52

Входной КЗ 7,1 1,85 5,9 2,05

Выходной КЗ 8,4 1,60 7,9 1,29

Относительное изменение, % 15,5 13,5 25,3 35,6

Их анализ позволяет сделать вывод об эффективности ИАОС, так как «прирост» уровня знаний составил 25,3%, тогда как для традиционной методики он равен лишь 15,3%. Кроме этого, использование автоматизированного обучения снизило «разброс» в уровне знаний на 35,6%, тогда как при традиционной методике этот показатель равен 13,5%. Дальнейшая эксплуатация ИАОС в вузах также показала ее более высокую эффективность по сравнению с традиционными подходами к обучению информатике и программированию.

В шестом разделе рассматриваются результаты создания интеллектуальных систем управления в медицине и экологии, которые обычно относятся к организационному типу. Анализируются задачи медицинской диагностики, предлагается комбинированный метод диагностической процедуры, основанный на совместном применении методов математической статистики и нейронных сетей.

Основным «объектом управления» в медицине является человек, который может быть описан множеством входных X и выходных У переменных, которые связаны между собой в общем случае сложными и изменчивыми зависимостями.

Первая типовая задача заключается в диагностике заболевания на основании наблюдений С точки зрения теории управления, эта задача может интер-

претироваться как задача идентификации структуры и параметров процесса управления. С другой стороны, в терминах ИИ эта задача сводится к формированию образов, т.е. генерации правил принятия решений об отнесении процессов (больных) к определенному классу (заболеванию) и определению количества этих классов. После решения задачи формирования образов собственно медицинская диагностика заболевания человека заключается в распознавании образа (болезни) по известным заданным правилам.

Другая, тесно связанная с первой типовая задача заключается в назначении курса лечения. Она, в свою очередь, может трактоваться в терминах теории управления как задача стабилизации, т.е. приведение переменных (или параметров) процесса управления к требуемым значениям («здоровое состояние»), или с использованием терминологии искусственного интеллекта как задача перевода процесса из одного класса в другой.

Подобные задачи имеются и в области экологии, процессами управления которой являются элементы и подсистемы окружающей среды. Здесь также по наблюдениям необходимо идентифицировать состояние экологической обстановки и выработать при необходимости управляющие воздействия по ее стабилизации.

Особенностями рассматриваемых процессов управления в медицине и экологии являются наличие большого числа переменных и параметров, используемых для описания их состояния; их взаимная, изменяющаяся зависимость; часто сильная зашумленность при измерении переменных; пропуски данных; наличие так называемых «диких выбросов» в измерениях; наличие качественных переменных; неопределенность в поведении процессов. Эти и другие факторы существенно затрудняют построение регулярных моделей и принятие управляющих решений.

Поэтому в области медицины для диагностики и лечения различного круга заболеваний давно и активно ведутся научные исследования по формализации принятия соответствующих управленческих решений. Несмотря на достигнутые успехи при использовании регулярных методов, среди которых преобладающими являются статистические методы, перечисленные выше особенности медико-экологических данных существенно затрудняют их корректное использование, а значит и получение адекватных результатов. Другое направление, которое развивается в основном независимо от первого, связано с использованием методов ИИ. При этом создание ЭС под держки принятия управленческих решений в области медицины и экологии является весьма трудоемким. Перспективным является объединение этих направлений, т.е. комбинированное использование как регулярных, так и интеллектуальных методов и эвристик для создания высокоэффективных систем управления медико-экологическими процессами.

Для учета особенностей медико-экологических данных автором предложены интеллектуальные регуляризирующие методы предварительной обработки и построения ММ. К ним относятся выявление и редактирование аномальных наблюдений, восстановление пропущенных данных с помощью сингулярного разложения исходной матрицы; редукция предикторов на основе корреляционного анализа и регрессии на главные компоненты; идентификация на основе многомодульной математики вычетов и др.

Кроме этого, для поддержки принятия решений в системах управления данным классом процессов предлагается комбинированный подход построения диагностирующей процедуры, использующий регуляризованные формализованные методы и нейронные сети. Полученная на ее основе система применялась для медицинской диагностики таких заболеваний, как злокачественный, туберкулезный и неспецифический плевриты, и позволила повысить точность диагноза на 12-18%.

При построении прототипов ЭС в области медицины и экологии использовалась типовая архитектура, дополненная согласно принципам интеллектуализации синтеза СУ ОТП модулями предварительной обработки данных, построения и использования ММ с помощью формализма, отличного от продукционных МПЗ, например, нейронных сетей, интерпретатора для управления процессом диагностики. Ниже приводится краткая характеристика некоторых ЭС.

При разработке системы нозологической диагностики сердечно-сосудистых заболеваний ДИАНО сформулированы требования, основные из которых: возможность постановки диагноза с использованием данных о температуре, давлении, частоте пульса, ЭКГ; проведение дифференциально-диагностического поиска; подтверждение диагноза; контроль и обучение пользователей методам диагностики; создание и ведение БД по всем обследуемым. Основной задачей системы является дифференциальный диагноз между различными классами заболеваний, а также между заболеваниями одного класса, и выбор оптимального решения.

Система ДИАНО построена на принципе сравнения ранее полученных эталонов с их аналогами. Последние определяются на основе выявленной у больного информации. Степень соответствия эталона и аналога устанавливается по 4 критериям диагноза болезни: ее развитие, органопатотопография, этиология и эффективность лечения. Значения каждого из них определяются на основе характерной для болезни первичной, обычно семантической информации. Ее использование позволило существенно ускорить обучение студентов и молодых врачей диагнозу сердечно-сосудистых заболеваний, повысить его надежность.

Следующая задача связана с рациональным использованием цеолитов, к природным месторождениям которых постоянно растет интерес из-за целого комплекса их ценных свойств. Однако большое количество взаимосвязанных показателей, в том числе качественного характера, затрудняют принятие решений о возможных направлениях практического использования цеолитов. Для решения данной задачи использованы методы ИИ для построения ЭС по принятию решений в области использования природных цеолитов. Основной задачей ЭС является генерация рекомендаций по ряду типовых запросов пользователя. Эти вопросы можно классифицировать на две категории. Первая связана с выбором месторождений и пород, содержащих цеолиты, которые удовлетворяли бы заданному комплексу характеристик. Перечень этих требований формируется, исходя из предполагаемой практической области применения минералов. Другой круг задач связан с определением предпочтительных областей использования конкретных цеолитов, добываемых из определенных месторождений, которые характеризуются некоторым набором физико-химических и технологических свойств. Описанные два семейства задач условно относятся к прямым и обратным. Созданная ЭС ЦЕОЛИТ успешно используется в НИИ для формирования рекомендаций по использованию природных цеолитов для различных природных месторождений.

В седьмом разделе приводятся примеры решения задач интеллектуализации систем управления в ОТП различного назначения. Описываются процедуры и интеллектуальные системы принятия управленческих решений в различных задачах: оптимизации работы газокомпрессорной сети, оптимизации функционирования транспортной компании, оптимизации орудий лова и т.п.

7.1. Целью G* функционирования газокомпрессорных сетей (ГКС) является сохранение рабочих характеристик системы при ремонте. При проведении плановых ремонтных работ принимаются некоторые допущения, основанные на существующих правилах эксплуатации. Однако ЛПР трудно проконтролировать выполнение всех этих условий, поэтому процесс планирования ремонта ГКС требуется автоматизировать. Подбор и определение параметров сети на стадии ремонта представляет собой сложную задачу. В связи с этим целесообразно провести автоматизацию этого процесса с помощью ММ функционирования ГКС и создания интеллектуальной организационно-технической системы. Данная система позволяет осуществить поддержку принятия решения режимами функционирования сети и, при необходимости, восстановление ее работоспособности.

Структура предлагаемой интеллектуальной системы оптимизации функционирования ГКС представлена на рис. 6. Система управления ОТП содержит модули: ввода данных о конфигурации сети; БЗ допустимых состояний ГКС и их моделирования, комбинированной оптимизации системы, а также представления результатов моделирования и оптимизации. Источником информации для заполнения БЗ служат эксперты. Они формулируют эвристики о допустимых режимах работы и ремонта. Система управления также включает пользователя — ЛПР.

Оптимизация разбивается на несколько этапов: постановка задачи и ее формализация, создание ММ сети; исследование свойств ГКС с помощью построенной ММ; выбор метода определения числа и значений номинальных степеней сжатия нагнетателей; разработка алгоритма и программы решения экстремальной задачи; получение и анализ результатов.

Эвристики, основанные на существующих правилах эксплуатации газокомпрессорной системы и возможностях ремонтно-восстановительных служб, форма-

лизуются следующим образом. Описывается структура сети вектором булевых переменных Х=<х^ Х2,..., х„>, где Х/=0 - в случае проведения ремонтно-восстановительных работ на i-й линии; х,=1 - в случае отсутствия этих работ на /-й линии. Тогда формализованная запись вышеприведенных условий допустимости

: где Хш

принимает вид:

множество допустимьж вариантов ремонта ГКС; X - множество всех вариантов ремонта ГКС; © — знак логического сложения.

Нахождение Х^п представляет комбинаторную задачу, для решения которой предлагается использовать универсальный алгоритм решения задач данного класса — ветвление по дереву решений. Для определения допустимых вариантов все множество сначала делится на два подмножества Х1 и Хг, таких, чтс

где Х,={Х /х,=1} Х,={Х/х,=0}. Далее

каждом следующем ьм шаге ветвления подмножество Хм, полученное на предьщущем

шаге, делится на два подмножества

выделяется подмножество

Х^Х^/х,^). При

этом после каждого шага из по-

лученных подмножеств удаляются те альтернативы, для которых число ремонтируемых линий I, превысило значение m, т.е. 1, = >и•

Осуществляя целенаправленный перебор вариантов ремонта с использованием дерева решений, за п шагов определяется все множество допустимых восстановительных ситуаций в ГКС. На основе разработанного комбинированного метода решалась задача оптимизации функционирования ГКС на стадии восстановления. Для этого использовались реальные данные о параметрах участков газопровода, обслуживаемого ОАО «Юггрансгаз», и изменялись рабочие и номинальные степени сжатия нагнетателей, длины однопроводного и двухпроводных участков ГКС и состояния подучастков 1 — рабочее, 0 — ремонт. По результатам решения первой задачи оптимизации ОАО «Юггрансгаз» предложено использовать для исследуемой ГКС 3 номинальных величины степеней сжатия нагнетателей со значениями 1,22; 1,32; 1,44, а также передан для эксплуатации программный комплекс для интеллектуальной оптимизации работы ГКС на стадии ремонта.

7.2. Анализ работы на автомобильном транспорте позволяет выделить класс задач, связанных с маршрутизацией движения транспортных средств (ТС). Существующие методы составления маршрутов эффективны при максимизации прибыли, минимизации суммарного экологического ущерба от деятельности предприятия, минимизации расходов. Однако они не позволяют учитывать основные ограничения, накладываемые на расписание движения ТС по этим маршрутам, которые значительно уменьшают область допустимых решений задач маршрути-

зации. При этом ^ -полнота задачи не позволяет разработать универсальный алгоритм, эффективный при составлении расписаний по всем критериям. Поэтому необходимо решать каждую подзадачу отдельно с учетом ее особенностей.

Рассмотрена следующая схема работы транспортно-экспедиторской компании (ТЭК). Имеется множество автомобилей различных типов, а также две группы заказов на перевозки. Первая образуется из т заказов доставки сырья со склада на производство (т>п), и вторая — изр заказов на перевозку с производства на склад продукции (р > п) • Процесс выполнения множества заказов считается последовательно-параллельным, т.е. маршрут состоит из последовательного выполнения заказов первой и второй групп.

Каждый маршрут характеризуется суммарными выбросами за-

грязняющих веществ при осуществлении одним автомобилем перевозок, где

— номер загрязняющего вещества, — количество загрязняющих веществ, -выброс 1-ю загрязняющего вещества при перевозке груза при выполнении заказа номера 1 в первой группе и номера к во второй группе ¡-м автомобилем. Знания об удельных выбросах загрязняющих веществ основаны на результатах исследований и наблюдений, проводимых различными научно-исследовательскими и проектными организациями. Метод расчета использует натурные наблюдения и измерения в различных климатических условиях.

Требуется распределить заказы на перевозки между единицами автомобильного парка так, чтобы минимизировать суммарный экологический ущерб от работы автотранспортного предприятия: 8=У^ —>тш, где Ху^ = 1, если i -й заказ первого типа и к -й заказ второго типа выполняется _/ -м автомобилем и в противном случае.

Для решения сформулированной задачи маршрутизации разработан интеллектуальный метод на основе эвристик и метода ветвей, границ и отсечений. Его реализация в виде планирующей экспертной системы ТЭК позволила повысить значение показателя интеллектуальности системы управления до значения S_int= 0,62. Созданная планирующая ЭС успешно внедрена в Пензенской ТЭК.

7.3. Одной из характерных особенностей информатизации в различных организационных системах является переход от «ручного» документооборота к электронному. При этом осуществляется интеллектуализация организационной системы, которая сопровождается передачей ряда функций, ранее выполняемых человеком, компьютеру с соответствующей программой. Подобная автоматизация позволяет устранить такие недостатки «ручного» документооборота, как монотонный труд, приводящий к ошибкам; низкая производительность труда; повышенные требования к квалификации работников; продолжительный период адаптации при приеме новых сотрудников. При электронном документообороте знания о порядке и правилах обработки документации хранятся в компьютере и регламентируют процесс документооборота. При этом нередко требуется семантическая обработка информации. Поэтому при создании таких систем электронного документооборота требуется использование методов ИИ, в частности, ЭС. Рассмотрены основные задачи, которые необходимо решить для построения интеллектуальных систем электронного документооборота (ИСЭД).

Разработанная методология создания интеллектуализации организационно-технических систем позволяет сформулировать основные, наиболее важные задачи (этапы) при синтезе ИСЭД. К ним относятся идентификация, или постановка задачи электронного документооборота; концептуальный анализ предметной области -документооборота, выявление функций обработки документов, подлежащих автоматизации; разработка структуры БД и БЗ; формализация, или разработка алгоритма обработки документов на основе выбранной МПЗ об этом процессе; реализация, т.е. создание действующего программного обеспечения, удовлетворяющего поставленным требованиям; отладка и тестирование.

Синтез ИСЭД в общем случае представляет собой итерационную процедуру, когда ряд из вышеописанных этапов может повторяться. Подобная процедура синтеза использована автором для создания интеллектуальных систем документооборота для рассмотрения претензий о просрочке в доставке груза железной дорогой, документов строгой отчетности. Реализация ЭС ситуационного управления позволила сократить количество операторов с 6 до 2-х человек, при этом снизились требования к квалификации операторов, существенно сократилось время выполнения управленческих операций, повысилась надежность и точность работы. Проведенный расчет показывает, что внедрение программ на Приволжской железной дороге окупило затраты в течение 3 месяцев.

7.4. Для достижения максимальной продуктивности рыбохозяйственного производства с учетом природоохранных ограничений и возможностей рыболовецких предприятий в предлагаемой автором интеллектуальной системе управления используются ММ, моделирование с ее помощью и оптимизация.

Исходная информация обычно обладает особенностями, характерными для медико-экологических процессов, и также требует использования регуляризирую-щих процедур предварительной ее обработки и идентификации ММ. На этапе предварительного анализа с помощью универсальной интеллектуальной процедуры восстановлены пропущенные данные; исследована однородность исходных данных; выполнен корреляционный анализ; выявлены наиболее значимые переменные. Затем рекурсивно построены и исследованы ММ водохранилища (вначале - в целом, а затем — по рыболовецким колхозам), при этом было активизировано три метода. С помощью первого, типового было получено полное уравнение регрессии, которое включало все 20 предикторов. Второе, более «оптимальное» уравнение получено с помощью комбинированной человеко-машинной процедуры пошагового включения-исключения. Третье, регуляризированное включает в себя набор предикторов из второго уравнения и принудительно включенные недостающие переменные. Полученная модель позволила, в частности, выявить степень и направленность влияния факторов промышленного загрязнения на продуктивность водохранилища: так, из промышленных загрязнений ощутимо отрицательно влияет цинк, а для некоторых объектов (рыб)- нефтепродукты и нитраты.

Для оптимизации принимаемых решений по составу и количеству орудий лова в универсальной процедуре в базе методов помимо типовых методов линейного и дискретного программирования используется разработанный автором комбинированный метод, в котором для существенного снижения пространства признаков используются различные эвристики. Выбор оптимального комплекса орудий лова состоит в отыскании такого вектора при котором

достигается максимум общей прибыли при выполнении усло-

вий и связей, накладываемых ММ, т.е. общая прибыль рыболовецкого хозяйства:

общее количество различных орудий лова, М- количество сортов рыб.

Сформулированная задача оптимизации относится к дискретному программированию и ее особенности влияют на выбор метода ее рекурсивного решения: вначале использовался метод динамического программирования, а затем его модификации, объединяющие достоинства нескольких методов. Для описания одного

0<Ц„<Ц;1=1,..,т. Кроме этого, считается, что^(Д0,Д0,.--Дй)=0, т=\...М. Тогда на основании принципа оптимальности Беллмана получается функциональное уравнение

.....Отп) = -¿„(хДА, -¿„„(х^+г^)},

п=Х2,...№т=\...№ причем /)„<£};;В функциональном уравнении т = М , т.е. задача решается при одновременно активных всех Мограниче-ниях. Комбинированный метод решения задачи оптимизации орудий лова с учетом введенных вьше обозначений и формун заключается в следующем. 1) Ввод исходных данных: И, М, и др. 2) Определение множества допустимых решений п=1,...,Ы. ^ = {0,1,...Л}, гДе °1/- количество рыбы г-го сорта, вылавливаемой с

помощью одного орудия лова

3) Решение функционального уравнения при т = М и определение последовательностей и соответствующих зависимостей а затем функций Д„(/„), / = 1,2,...,М. Определение Л =тах/|(£)ял), при котором выполняются ограничения при т=\...№. 4) Восстановление оптимального решения по зависимостям И *„(/,).

Полученные результаты моделирования и оптимизации использованы Саратовским отделением ГосНИОРХ для формирования рекомендаций рыболовецким хозяйствам Саратовского и Волгоградского водохранилищ.

В восьмом разделе экономический учет (бухгалтерский, налоговый, управленческий, финансовый и оперативный) рассматривается как объект управления, предлагаются методы интеллектуализации управленческих функций. Анализируются результаты внедрения систем автоматизации бухгалтерского, налогового и оперативного учета на различных предприятиях.

Системы экономического учета предназначены для сбора, первичной обработки и представления информации для последующего принятия решения и относятся к организационному или организационно-техническому типу. Общим для них является источник информации, под которым подразумевается некоторый объект, например, предприятие, организация. При его функционировании, т.е. реализации некоторого технологического процесса используются информационные, денежные, материальные и людские ресурсы для получения определенной про-

; ограничения на улов г - го сорта

рыб:

из них вводятся следующие обозначения:

дукции. Важным компонентом данных систем является ЛПР, т.е. административно-управленческий персонал, который обычно имеет иерархическую организационную структуру с заданным распределением функциональных обязанностей, обеспечивающих достижение определенных целей.

Упрощенная схема такой системы представлена на рис 7. Здесь на вход объекта Р подается вектор входных переменных X (материальные, финансовые, информационные, человеческие ресурсы). В результате функционирования объекта Р на его выходе появляется некоторая продукция У. На объект воздействуют возмущающие воздействия Ъ (качество сырья, квалификация персонала и т.д.). Система управления на основе этой экономической информации генерирует управляющие воздействия и для достижения заданных целей по производству выходной продукции У. Таким образом, справедливы следующие функциональные зависимости:

Здесь вектор W отображает информацию о взаимодействии с вышестоящими организациями, а также с государственными органами (статотчетности, налоговой), I - некоторый момент времени. С точки зрения теории управления, каждая из подсистем сбора информации описывает движение объекта в некоторой системе координат во времени. Шаг дискретизации по времени задается исходя из производственных потребностей и опыта, или на основе внешних требований (налоговые периоды).

Создание высокоэффективных систем управления в области экономического учета требует новых подходов, в том числе основанных на использовании методов ИИ. При этом возможны следующие подходы и их сочетания на основе универсального комбинированного метода: синтез интеллектуальных систем управления экономического учета с помощью встроенных ЭС; реализация способностей к самообучению (индуктивные системы, нейронные сети, системы на прецедентах, интеллектуальный анализ данных); использование принципов адаптивности (СА8Е-технологии, компонентная технология); разработка интеллектуальных интерфейсов программ автоматизации решения экономических задач (интеллектуальные БД, естественно-языковой интерфейс, гипертекстовые системы, контекстные системы помощи, когнитивная графика).

При создании и эксплуатации организационно-технических систем экономического учета для повышения уровня их интеллектуальности нужно использовать в системах управления интеллектуальные компоненты для автоматизации плохоформализуемьгх задач. Для этого компьютерные программы автоматизации экономического учета (ПЭУ) должны содержать встроенные интеллектуальные компоненты для поддержки принятия решений пользователей при установке, на-

Рис 7 Схема управления на основе системы сбора, обработки и представления экономической информации

стройке, эксплуатации и сопровождении программных средств. Основными функциями таких компонент являются следующие: объяснение основных понятий, используемых в программе; характеристика поддерживаемых форм бухгалтерского и налогового учета; формирование рекомендаций по их выбору, построению схем аналитического учета; "подсказки" по выбору выходных форм; мониторинг по выполнению регламента работы; генерация рекомендаций по обнаружению и исправлению ошибок.

Интеллектуализация может быть выполнена двумя способами. Первый заключается в создании автономной программы поддержки работы бухгалтера и использовании многозадачности среды Windows. Тогда по мере необходимости пользователь активизирует окно с программой-консультантом. Во втором случае в ПЭУ непосредственно встраивается интеллектуальная компонента, которая инициализируется при работе, не выходя за рамки ее оболочки. Первый способ целесообразно применять для программ, эксплуатируемых в производстве, что снижает затраты на модификацию, а также на создание прототипа. Второй связан с дополнительными затратами на интегрирование компоненты и ПЭУ, однако является предпочтительным с точки зрения пользователя.

Автором последовательно использовались оба подхода. Вначале создана ЭС с помощью интегрированной среды GURU (INTEREXPERT). При этом проведена структуризация понятий и отношений в предметной области бухгалтерского учета, а также ее описание с помощью формализма продукций. Затем на этапах тестирования и опытной эксплуатации проведена проверка полноты базы знаний и функциональных возможностей. Полученный на первом этапе прототип использовался при разработке действующей интеллектуальной компоненты, встроенной в систему автоматизации бухгалтерского учета "Финансы", которая разработана на основе СУБД Flash Filer, а пользовательский интерфейс выполнен с помощью языка программирования Delphi. Программа работает под операционной системой Windows и поддерживает клиент-серверную технологию.

Интеллектуальная поддержка принятия решений в области автоматизации экономического учета позволяет существенно сократить время внедрения программ, а также повысить производительность работы бухгалтеров. При внедрении и сопровождении программ для повышения эффективности систем управления экономическим учетом используется информация о ПФХ бухгалтеров, содержащаяся в ИАОС, современные компьютерные сетевые технологии, в частности, ин-транет-ресурсы. На созданном сайте размещается наиболее актуальная информация, в том числе ответы на наиболее распространенные вопросы. Это позволило значительно сократить время обучения сотрудников предприятий и его стоимость, а также повысить эффективность функционирования систем экономического учета в условиях постоянно изменяющегося законодательства и требований вышестоящих организаций и отчетных органов.

Использование разработанных программ автоматизации бухгалтерского учета на предприятиях Приволжской железной дороги, ведомственной охраны, ДСМТ и др. позволило получить существенный экономический эффект (более 130 млн. руб. в ценах 2004г.).

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Сформулирована концепция комбинированного подхода к принятию управленческих решений в системах управления организационно-техническими процессами и соответствующая методология синтеза интеллектуальных автоматизированных систем управления, которая включает:

• систему принципов создания интеллектуальных автоматизированных систем управления организационно-техническими процессами;

• универсальный комбинированный метод принятия управленческих решений в интеллектуальных автоматизированных системах управления организационно-техническими процессами;

• показатели оценки степени интеллектуальности систем управления организационно-техническими процессами;

• интеллектуальные комбинированные процедуры решения управленческих задач большой размерности;

• интеллектуальные регуляризирующие методы решения задач идентификации математических моделей и оптимального управления организационно-техническими процессами.

2. На основе разработанной методологии синтезированы и реализованы интеллектуальные АСУ разнородными технико-организационными процессами:

• производство многослойных намоточных изделий из композитных материалов на базе интегрированной системы управления;

• функционирование газокомпрессорной сети в ремонтных режимах на основе интеллектуальной системы поддержки принятия решений;

• рыбохозяйственное производство с поддержкой принятия управленческих решений с помощью регуляризирующих процедур построения математических моделей, а также комбинированного метода оптимизации орудий лова.

3. Предложены и реализованы интеллектуальные АСУ различными организационными и организационно-техническими процессами:

• обучение на основе созданной интеллектуальной комбинированной автоматизированной обучающей системы, учитывающей психофизиологические характеристики обучаемых;

• медицинская диагностика ряда заболеваний на основе интеллектуальной системы с комбинированными процедурами использования статистических методов, нейронных сетей, а также продукционных моделей формализации знаний экспертов;

• поддержка принятия управленческих решений об использовании природных цеолитов в промышленности, медицине, экологии на основе созданной экспертной системы;

• маршрутизация в транспортно-экспедиторских компаниях с помощью планирующей экспертной системы с использованием экологических критериев оптимизации;

• электронный документооборот при рассмотрении претензий о просрочке в доставке груза железной дорогой; для документов строгой отчетности на основе интеллектуальных систем управления;

• финансовый, оперативный, налоговый и управленческий учет на основе автоматизированных систем с использованием интеллектуальных модулей и автоматизированных процедур обучения.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ РАБОТЫ

Монографии, учебные пособия

1. Автоматизированные производства изделий из композиционных материалов / В. С. Балакирев, А. А. Большаков, А. В. Заев и др.; под ред. В. С. Балакирева. - М.: Химия, 1990.-240с.

2. Большаков А. А. Методы сжатия информации / А. А. Большаков, Р. Н. Каримов. - Саратов: Сарат. политехи, ин-т, 1991. - 88 с.

3. Большаков А. А. Инновационная методика бизнес-образования в области Интернет-технологий / А. А. Большаков, А. А. Бороздюхин, О. Н. Долинина и др.; под ред. О. Н. Долининой и Ю. А. Корсакова. - Саратов: Сарат. гос. техн. ун-т, 2002. -150 с.

4. Большаков А. А. Автоматизация бухгалтерского, налогового и управленческого учета: В Зч. / А. А. Большаков, 3. Н. Шаманова. - Саратов: Сарат. гос. техн. ун-т, 2004.Ч.1 -188с, Ч.2-180с, Ч.З-200с.

Статьи в журналах, периодических изданиях, включенных в список ВАК РФ

5. Большаков А. А. Системы автоматизации процесса раскроя рулонных материалов / А. А. Большаков, М. А Юсуфов // Приборы и системы управления. -1998. - № 2. - С. 7-8.

6. Большаков А. А. Оптимизация работы газокомпрессорной сети / А. А. Большаков // Приборы. - 2004. - № 6. - С. 18-24.

7. Большаков А. А. Синтез автоматизированных комбинированных обучающих систем / А. А. Большаков, В. В. Шатохин // Системы управления и информационные технологии. -2004. - № 4(16). - С. 73-77.

8. Большаков А. А. Интеллектуализация управления маршрутами транспортной компании по экологическим критериям / А. А. Большаков, О. В. Близнова // Мехатроника, автоматизация, управление. - 2004. - № 11. - С. 49-53.

9. Большаков А. А. Интеллектуальная система оптимизации функционирования газокомпрессорной сети / А. А. Большаков // Приборы и системы. Управление, контроль, диагностика. - 2004. - № 10. - С. 4-8.

10. Большаков А. А. Автоматизированное обучение операторов / А.А.Большаков // Вестник Тамбов, гос. техн. ун-та. -1999. - Т.5. - № 2. - С.213-217.

И. Большаков А. А. Идентификация психофизиологических характеристик операторов / ААБольшаков, В. В. Шагахин//ВесшикТамбсв. гос. техн. ун-та. -1999. - Т. 5. -№3. - С. 359-363. 12 Большаков А. А. Синтез интеллектуальных организационно-технических систем управления/ А. А. Большаков // Вестник Тамбоа гос. техн. ун-та-2004.-Т.10-№4а-С 954-959.

13. Большаков А. А. Интеллектуальная система рассмотрения претензий на ж.д. транспорте / А. А. Большаков, А. В. Бобов // Информационные технологии. 2005. №8. (в печати)

14. Большаков А. А. Интеллектуальная процедура комбинированной медицинской диагностики / А. А. Большаков, Н. Е. Казимирова // Информационные технологии. 2005. №5 (впечати)

15. Большаков А. А. Интеллектуальная автоматизированная система управления производством изделий из композитных материалов. / А АБольшаксв // Приборы.2005.№2-С.17-28..

16. Большаков А. А. Регуляризирующий метод идентификации регрессионных моделей статических объектов на основе одномодульной арифметики вычетов / А. А. Большаков, Д. А. Кинцель // Мехатроника, автоматизация, управление. 2005. № 6 (в печати)

Статьи в межвузовских научных сборниках и др. изданиях

17. Большаков А. А. Разработка математического обеспечения САПР производства ИКМ на подготовительных стадиях / А. А. Большаков, Г. Л. Давидсон, А. В. Иванов, М. А. Юсуфов // Распределенные информационно-управляющие системы: межвуз. науч. сб. / Сарат. гос. техн. ун-т- Саратов, 1986. - С. 183-186.

18. Большаков А. А. Автоматизация производства изделий из композитных материалов/ А. А. Большаков, В. В. Степанов, М. А. Юсуфов // Автоматизация проектирования химических производств: межвуз. науч. сб. / Моск. ин-т хим. машиностр.- М., 1987. - С. 32-35.

19. Большаков А.А. Вопросы применения экспертных систем в управлении гибкими технологическими процессами механосборочного производства / А. А. Большаков,

А В Иванов, М А Юсуфов // Гибкие технологические процессы и системы в механосборочном производстве межвузнауч сб /Сарат гос техн ун-т-Саратов, 1988 -С 61-64

20 Большаков А А Алгоритмы сжатия информации в АСУ робототехнических систем / А А Большаков, Р Н Каримов // Автоматизация и роботизация химических производств межвуз науч сб /Моек ин-тхим машиностр-М, 1989 -С 99-103

21 Большаков А А Задача оптимального управления отверждением изделий из композиционных материалов в процессе намотки / А А Большаков, А В Иванов // Автоматизация химических производств межвуз. науч сб/Моск. ин-тхим. машиностр-М, 1990 -С 82-87

22 Большаков А А Экспертная система для простроения моделей производства изделий из композитных материалов / А А Большаков, А В Иванов // Автоматизированное управление и моделирование сложных технологических процессов межвуз науч сб / Твер политехи ин-т -Тверь, 1991 -С 63-67

23 Каримов, Р Н Комбинированный метод оценки параметров скрытых периодично-стей/ Р Н Каримов, А А Большаков, О В Червякова // Вопросы преобразовательной техники, частотного электропривода и управления межвуз науч сб / Сарат гос техн ун-т - Саратов, 1996 - С 82-89

24 Большаков А А Идентификация параболической регрессии с помощью одномодуль-ной арифметики вычетов / А А Большаков, Р Н Каримов, Д А Кинцель // Электротехнические комплексы и силовая электроника Анализ, синтез и управление межвуз науч сб /Сарат гос техн ун-т-Саратов СГТУ.2001 -С 39-44

25 Закора Л П Влияние рыбохозяйственного использования залива мента на его кислородный режим / Л П Закора, Р Н Каримов, А А Большаков // Сб науч трудов ГосНИОРХ -1989 -Вып 303 -С 119 134

26 Большаков А А Интеллектуальная система управления процессом раскроя рулонных материалов / А А Большаков, М А Юсуфов // Процессы и аппараты химической и биологической технологий трудыМоскпх ун-таинж. экологии-М, 1998 -Вып. 1 -С 97-104

Статьи в сборниках трудов международных, всесоюзных научных конференций

27 Большаков А А Экспертная система «ЦЕОЛИТ» / А А Большаков, А В Григорьева // Новые информационные технологии в медицине и экологии труды IV междунар науч конф , Украина, Крым, Ялта, Гурзуф / Запорож гос ун-т - Запорожье, 1998 -Ч 2 -С 430-432

28 Большаков А А Метод восстановления множественных пропусков многомерных медицинских данных / А А Большаков, Р Н Каримов, О В Червякова // Математические методы в технике и технологиях сб трудов XIII междунар науч конф / ПГТУ(ТИ) -СПб, 2000 -С 148-150

29 Большаков А А Интеллектуализация программ бухгалтерского учета / А А Большаков // Математические методы в технике и технологиях сб трудов XIV междунар науч конф / Смоленский филиал МЭИ - Смоленск, 2001 -Т 6 -С 126-127

30 Большаков А А Особенности автоматизированной обучающей системы с использованием нечеткой логики для оценивания знаний / А А Большаков, С С Буйлов, В Ю Мусатов, В В Шатохин// Математические методы в технике и технологиях, сб трудов XVI мещпунар научконф /Рост гос. акад. хим. машинсстр - Ростов н/Д 2003 -Т 4 -С 202-205

31 Большаков А А Задачи интеллектуализации управления в организационно-технических системах / А А Большаков // Математические методы в технике и технологиях сб трудов XVII междунар научконф /Костр гос технун-т -Кострома, 2004 -Т 6 -С 76-78

32 Большаков А А Комбинированный интеллектуальный метод медицинской диагностики / А А Большаков, Н Е Казимирова, В В Лобанов // Математические методы в технике и технологиях сб трудов XVII междунар науч конф / Костр гос техн ун-т -Кострома,2004 -Т 4 -С 132-138

33 Большаков А А Комбинированный подход к принятию решений в системах управления / А А Большаков // Математические методы в технике и технологиях сб трудов XVII междунар науч конф / Костр гос техн ун-т - Кострома, 2004 - Т 2 - С 33-36

05. /<2 - о б: /з

34. Большаков А. А. Математическое моделирование газокомпрессорной сети на стадии восстановления / А. А. Большаков // Математические методы в технике и технологиях: сб. трудов XVII междунар. науч. конф. /Костр. гос. техн. ун-т. -Кострома,2004.-Т.5.-С 118-120.

35. Большаков А А. Компьютерная поддержка оптимизации газокомпрессорной сети /

A. А. Большаков // Математические методы в технике и технологиях: Сб. трудов XXVII междунар. науч. конф. / Костр. гос. техн. ун-т. - Кострома, 2004. - Т. 5. - С. 121-125.

36. Большаков А. А. Анализ эффективности использования в учебном процессе автоматизированной обучающей системы / А. А. Большаков, В. Ю. Мусатов, В. В. Шатохин // Математические методы в технике и технологиях: сб. трудов XXVII междунар. науч. конф. / Костр. гос. техн. ун-т. - Кострома, 2004. - Т. 8. - С. 236-238.

37. Балакирев В. С. Интеллектуализация организационно-технических систем управления / В. С. Балакирев, А. А. Большаков // Методы кибернетики химико-технологических процессов: сб. трудов VI междунар. науч. конф. /Росхим.-техн.ун-т.-М,2004.-С. 130-134.

Патентные документы

38. А. с. № 1352832, СССР. Способ термообработки изделий из композитных материалов / В. С. Балакирев, А. А. Большаков, А. В. Заев, А. Н. Королев // Б. И., 1987. - № 42.

39. Финансовая система (ФС) / А. А. Большаков, А. А. Большаков, В. Г. Доломанов и др ; Свидетельство Роспатента об офиц регистр программы для ЭВМ.-№2001611124.-2001.

40. Автоматизированная обучающая экспертная система (АОЭС) / А. А. Большаков,

B. В. Шатохин, В. В. Мусатов, С. С. Буйлов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. - № 2003611710. - 2003.

41. Модуль налогового учета / А. А. Большаков, А. А. Большаков, В. Г. Доломанов и др.; Свидетельство Роспатента об офиц регистр, программы для ЭВМ - №2003610884. - 2003

42. Экспертная система моделирования транспортно-экспедиторской компании (ЭС МЭТЭК) / А. А. Большаков, О. В. Близнова, В. И. Левин; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. - № 2004610418. - 2004.

43. Экспертная система рассмотрения претензий / А. А. Большаков, А. В. Бобов, В. А. Рубцова; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. -№2004610516.-2004.

Лицензия ИД № 06268 от 14.11.01

Подписано в печать 15.02.05

Формат 60x84 1/16

Бум. тип. Усл. печ.л. 1,86 (2,0) Уч.-издл 1,9

Тираж 100 экз. Заказ 67 Бесплатно

Саратовский государственный технический университет ' 410054 г. Саратов, ул. Политехническая, 77 Кошгаринтер СГТУ, 410054 г. Саратов, ул. Политехническая, 77

Шт5

252

1. ВВЕДЕНИЕ.

2. АНАЛИЗ УПРАВЛЕНИЯ ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИМИ ПРОЦЕССАМИ.

2.1. Анализ объектов и методов управления.

2.1.1. Технические объекты.

2.1.2. Организационные объекты.

2.1.3. Организационно-технические объекты.

2.2. Обоснование выбора класса объектов управления.

2.3. Анализ задач автоматизации организационно-технических процессов

2.4. Постановка проблемы исследования.

3. МЕТОДОЛОГИЯ СИНТЕЗА ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИМИ ПРОЦЕССАМИ.

3.1. Принципы интеллектуального управления организационно-техническими процессами.

3.2. Показатели интеллектуальности системы управления.

3.3. Универсальная комбинированная процедура принятия управленческих решений.

3.3.1. Выбор цели, критерия и нормы (метрики).

3.3.2. Выбор метода достижения цели.

3.3.3. Анализ неразрешимости проблемы.

3.3.4. Критерий достижения цели.

3.3.5. Графическое описание комбинированного метода.

3.4. Эвристики, интеллектуальные и регулярные методы решения задач управления.

3.5. Представление знаний в универсальной комбинированной процедуре принятия решений.

3.6. Компонента интеллектуального управления.

4. СИНТЕЗ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ ПРОИЗВОДСТВОМ КОМПОЗИТНЫХ ИЗДЕЛИЙ. эр материалов. рой материалов. роение математических моделей производства многослойных композитных материалов. шизация режима термообработки многослойных намоточных

I композитных материалов.1С тка интеллектуальной автоматизированной системы ш изделий из композитных материалов.1С

Е ИНТЕЛЛЕКТУАЛЬНЫХ АВТОМАТИЗИРОВАННЫХ IX СИСТЕМ.1] заболеваний

6.5. Синтез системы поддержки принятия управленческих решений об использовании природных цеолитов в медицине и экологии.

6.5. Создание экспертной системы для производства лекарственных и ароматических препаратов из растительного сырья.

7. ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССОВ ПОДДЕРЖКИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ В ОТРАСЛЕВЫХ ОРГАНИЗАЦИОНО-ТЕХНИЧЕСКИХ СИСТЕМАХ.

7.1. Анализ задач поддержки принятия управленческих решений в организационно-технических системах.

7.2. Интеллектуальная система управления газокомпрессорной сетью

7.3. Интерпретирующая экспертная система рассмотрения претензий на железнодорожном транспорте.

7.4. Экспертная система ситуационного управления документооборотом бланков строгой отчетности.

7.5. Планирующая экспертная система организации работ на автотранспортном предприятии.

7.6. Интеллектуальная система поддержки принятия управленческих решений в речном и озерном рыбном хозяйстве.

8. СОЗДАНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ЭКОНОМИЧЕСКОГО УЧЕТА ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ.

8.1. Анализ систем экономического учета как объекта автоматизации.

8.2. Задачи автоматизации и интеллектуализация экономического учета и методика их решения.

8.3. Реализации системы автоматизации и интеллектуализации экономического учета.

Увеличивающаяся сложность управления современными производственно-экономическими системами в промышленности, экономике, социальной сфере, их взаимная интеграция, а также жесткая конкуренция вызывает необходимость рассмотрения новых классов объектов. Наряду с ранее относительно хорошо изученными техническим и организационными системами появилась потребность в автоматизированном управлении новыми типами систем - организационно-техническими (технологическими), или технико-организационными. Наличие человека, как активного звена в объекте и/или устройстве управления не позволяет использовать традиционные методы формирования управляющих воздействий.

Создание классической теории автоматического управления в период с 70-х годов 19-го века до середины 20-го века позволило автоматизировать широкий класс технических систем в промышленности, на транспорте, в сельском хозяйстве и т.д. Особенностями этих технических (технологических) систем, как объектов управления, являются определенная детерминированность, линейность (линеаризуемость в малом), реализуемость, стационарность, относительная простота, сосредоточенность координат, достаточная изученность характеристик, возможность построения регулярных математических моделей.

Для синтеза систем управления этими техническими объектами классическая теория автоматического управления использует структурное математическое моделирование и формализованные методы, разработанные на основе теорий дифференциальных уравнений и оптимального управления, операционного исчисления, гармонического анализа.

Исследования по созданию автоматических систем для управления более широким классом технических объектов, обладающих одним или несколькими такими свойствами, как нелинейность, распределенность координат, недетерминированность, нестационарность способствовали формированию современной теории управления. При этом были созданы формализованные регулярные методы синтеза систем управления этим расширенным классом технических объектов на основе представлений пространства состояний, векторно-матричного исчисления, теории оптимального управления и систем. С помощью этих методов синтезированы различные типы систем управления: многомерные, нелинейные, с распределенными координатами, с переменными параметрами, дискретные, адаптивные, оптимальные и др.

Попытки создания систем управления объектами с неопределенностями, которые не могут быть описаны статистически; а также сложными нелинейными дискретными техническими объектами и т.п., которыми обычно весьма успешно управляет человек-оператор, или лицо, принимающее решение (ЛПР), привели к идее использования методов искусственного интеллекта [1-7]. Работы в данном направлении составляют основу новейшей теории управления. Наибольших успехов при синтезе управления подобными техническими объектами добились при использовании аппарата искусственных нейронных сетей [8 9], нечеткой (fuzzy) логики [10-13], эволюционных (генетических) алгоритмов [8]. Работа ЛПР в современных технических системах характеризуется существенным возрастанием масштабов производства и соответственно сложности задач контроля и управления. Поэтому поддержка принятия решения на основе методов искусственного интеллекта позволяет уменьшить последствия таких отрицательных явлений, связанных с «человеческим фактором», как снижение надежности, качества управления в реальном времени, точности из-за плохого прогноза, а также медленное освоение новых управляющих функций и др. Однако эти методы слабо приспособлены для применения в автоматизированных системах управления (АСУ) реального времени, а также требуют непрерывного или периодического извлечения знаний из ЛПР для управления нестационарными техническими системами.

Известны удачные примеры создания и применения нечетких регуляторов в различных областях промышленности и хозяйства. Однако достигнутые результаты в этом направлении пока не столь масштабны по сравнению с формализованными регулярными методами, что объясняется малой изученностью проблемы автоматизации таких объектов, их спецификой, отсутствием обоснованного единого системного подхода. Попытки использования fuzzy-регуляторов для управления техническими системами, в которых использовались традиционные методы автоматического управления, показали, что они заметно уступают последним по точности и быстродействию.

Поэтому указанные методы искусственного интеллекта в основном используются как дополнительные, подчиненные основной схеме синтеза системы управления техническими объектами. При этом созданные устройства и алгоритмы (программы) часто выступают в роли своеобразного компенсатора таких особенностей технических систем, как неизмеряемость координат, качественный характер переменных и др.

Формирование современной теории управления другим классом объектов - организационными системами завершилось в середине 20-го века. К основными ее успехам следует отнести разработанную классификацию организационных систем на базе системного подхода, принципы построения, реконструкции и функционирования этих систем.

Однако такие особенности организационных систем как сложность, активность, открытость, самоорганизация, нестационарность, нелинейность, многомерность и другие обусловили слабое использование в этой сфере формализованных регулярных методов синтеза управления. В основном здесь применяются эвристические способы, в которых отражается многолетний опыт человечества в создании, модернизации и эксплуатации организационных систем. Наличие человека, как в объекте, так и в системе управления обусловили существенное возрастание роли «человеческого фактора» как при проектировании организационных систем, так и при формировании специфических по сравнению с техническими системами управляющих воздействий на этапе функционирования. Несмотря на попытки формализации в этой области по-прежнему превалирует субъективность принимаемых управленческим персоналом решений. Следует, тем не менее, отметить пока немногочисленные попытки использования методов искусственного интеллекта для поддержки принятия управленческих решений в организационных системах на верхних уровнях иерархии. Они основаны на формализации знаний по выработке управляющих воздействий при типовых ситуациях функционирования организационных систем. Здесь следует отметить работы Буркова В.Н. по созданию теории активных систем [14-18]; Новикова Д.А. по использованию теории игр, принятия решений и механизмов управления в организационных системах [18-20]; Щепкина А.В. по механизмам внутрифирменного управления [21]; Канторовича Д., Лурье Л., Новожилова В. по теории математического моделирования и оптимального планирования [22, 23].

Стремление расширить класс объектов автоматизации включением в него организационных и организационно-технических систем привело к необходимости создания новых методов решения задач управления. Эта тенденция обосновывается требованиями экономического развития современного общества на фоне проблем применения классической и современной теорий автоматического управления в задачах управления организационными и организационно-техническими процессами.

Новый класс организационно-технические процессы (ОТП) обладает чертами как технических, так и организационных систем. Это обусловлено наследованием свойств, как от организационных, так и технических систем. Наиболее важными характеристиками, которые требуется учитывать, являются многомерность, сложность и изменчивость структуры, наличие и смена многих целей, недетерминированность, активность и ряд других. Наличие ЛПР в системах управления ОТП наряду с позитивным аспектом, связанным со свойством адаптивности, толерантности к изменению структуры, свойств системы и другим факторам; с субъективной оптимизацией принимаемых решений обладает и отрицательной стороной. К ней следует отнести неспособность к переработке большого объема информации, снижение надежности из-за утомляемости, возможно недостаточно квалификации, запаздывание в принятии управленческих решений и т.д.

Гибридный характер организационно-технических процессов объясняет тот факт, что применение только формализованных регулярных методов синтеза управления, хорошо зарекомендовавших себя для технических систем, или только эвристических способов, характерных для организационных объектов, не дает здесь желаемого результата.

Поэтому для создания эффективно функционирующих систем управления организационно-техническими процессами автором предлагается использовать комбинированные подходы, сочетающие в себе достоинства как формализованных регулярных методов, так и интеллектуальных методов и эвристик. Более того, опыт использования этих методов при решении задач синтеза управления организационно-техническими процессами целесообразно автоматически накапливать, анализировать, систематизировать и использовать при решении вновь возникающих задач управления.

Отметим также, что граница между формализованными регулярными методами и эвристическими способами достаточно условна. Так при нарушении допущений, принимаемых при использовании формализованного метода, его применение может оказаться некорректными. Использование дополнительной априорной информации, выраженной в виде эвристик, может способствовать регуляризации задачи и ее успешному решению новым интеллектуальным методом. По мере накопления опыта использования регу-ляризованного эвристического способа и его последующего теоретического обоснования он может перейти в класс интеллектуальных и затем - формализованных регулярных методов.

Например, в задачах оптимального управления градиентный метод поиска минимума, успешно находящий глобальный экстремум выпуклой функции, может оказаться неприемлемым в случае, если функция имеет многоэкстремальный (гребневый) характер. Один из возможных подходов заключается в изменении функции (функционала) с помощью введения в нее дополнительной функции (стабилизатора). С помощью этой регуляризирую-щей процедуре («овыпукливание») функция вновь приобретает свойство выпуклости и градиентный метод становится корректным.

Для синтеза систем управления организационно-техническими процессами на основе концепции комбинированного подхода созданы необходимые условия: существенно возросла мощность компьютеров и вычислительных сетей, имеются развитые базы данных, информационные технологии. На этом информационно-техническом фундаменте усилиями ученых достигнуты определенные успехи в области искусственного интеллекта, под которым понимается область компьютерной науки, занимающейся автоматизацией разумного поведения [1]. С точки зрения решаемой автором проблемы под искусственным интеллектом понимаются формализованные методы, позволяющие решать с помощью компьютера задачи управления не хуже, чем естественный интеллект.

Методы искусственного интеллекта пока не имеют стройной теории. Данное научно-техническое направление впитало в себя эвристики, способы, методы и подходы из различных научных областей. Эта объясняет до сих пор существующую разрозненность исследователей, проектировщиков и конструкторов, предпочитающих при решении задач использовать только определенные, хорошо известные им методы.

Перспективными для создания систем управления являются нечеткая логика, экспертные системы, системы естественного языкового общения, распознавания образов, системы, основанные на знаниях, нейронные сети.

Нечеткие множества и нечеткая логика, которые возникли благодаря Л. Заде [10], послужили основой для создания огромного множества способов и алгоритмов, в том числе для решения таких задач, как управление объектом, свойства которого описаны лишь качественно в нематематической форме. Эти методы решают задачи управления объектами с выходными переменными, которые характеризуют качество продукции или условия ее производства, но не поддаются измерению (текстура, эластичность, вкусовые качества и т.п.). На основе теории нечетких множеств разработаны методы синтеза нечетких регуляторов, которые дополняют обычные одноконтурные системы регулирования вспомогательными контурами для компенсации возмущений, изменения структуры и адаптации основного контура. Кроме этого, нечеткий подход используется для перенастройки систем управления в нестационарных, в том числе аварийных производственных ситуациях. Наконец, отдельные нечеткие системы управления применяются для воспроизведения действий человека-оператора в системах организационного и организационно-технического управления верхнего уровня для контроля, диагностики и оптимизации сложного технологического объекта управления.

Экспертные системы (ЭС) по достоинству являются одним из самых ярких примеров эффективного применения искусственного интеллекта. Их несомненным достоинством, подтвержденным опытом их успешного использования, является формализация знаний экспертов в узкой предметной области для последующей поддержки принятия решений в различных отраслях хозяйства. За прошедшие десятилетия ЭС прошли несколько этапов в своей эволюции от несложных, статических до динамических систем, способных автоматически приобретать знания.

Эффективность применения ЭС в первую очередь определяется знаниями, содержащимися в базе. Поэтому при их создании большое внимание уделяется методам извлечения, обработки, представления знаний и манипуляции ими. Важнейшими характеристиками ЭС также являются «прозрачность» получаемых результатов, поэтому пользователь имеет возможность проследить всю цепочку вывода; удобный, «дружественный» интерфейс (обычно на ограниченном естественном языке).

При использовании ЭС для поддержки принятия решений в системах управления в них включают различные вычислительные модули для получения вспомогательной информации, например, для решения системы дифференциальных уравнений, при математическом моделировании некоторого объекта, поэтому ЭС становится гибридной (комбинированной).

Искусственные нейронные сети (ИНС), генетические алгоритмы создаются по принципам организации и функционирования их биологических аналогов. На основе примеров осуществляется обучение ИНС, которые способны решать широкий круг задач распознавания образов, идентификации, прогнозирования, оптимизации и управления сложными объектами.

Обоснованное применение вышеперечисленных методов искусственных интеллектов и их сочетаний требует знания задач, решаемых системами управления организационно-техническими объектами, их особенностей.

Однако слабая изученность задач автоматизации организационно-техническими системами, отсутствие методов синтеза интеллектуальных систем управления организационно-техническими процессами обусловливают необходимость научных исследований в этом направлении.

В основе предлагаемой автором концепции синтеза систем управления данным новым классом организационно-технических процессов содержатся принципы совместного использования как регулярных, так и интеллектуальных методов и эвристических способов.

В связи с этим в данной работе поставлена проблема комбинированного использования формализованных методов и эвристических способов при построении интеллектуальных систем управления организационно-техническими процессами.

Объектом исследования в диссертации являются методы синтеза автоматизированных интеллектуальных систем управления организационно-техническими процессами.

Актуальность проблемы. Работа выполнена в соответствии с постановлением Правительства РФ от 28 мая 1996 "О приоритетных направлениях развития науки и техники и критических технологий" по направлению "Интеллектуальные системы управления", а также в рамках тематики госбюджетной НИР Саратовского государственного технического университета 06В. «Искусственный интеллект в человеко-машинных комплексах».

Целью диссертационной работы является повышение эффективности функционирования организационно-технических процессов на основе разработанной методологии синтеза и реализации автоматизированных интеллектуальных систем управления, основанных на знаниях (эвристиках), комбинированных подходах к принятию решений.

Направление исследований. Данное исследование ставит и решает научно-техническую проблему создания и обоснования теоретической концепции универсальной комбинированной процедуры принятия решений в интеллектуальных системах управления организационно-техническими процессами. В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:

• формулирование принципов создания интеллектуальных систем принятия управленческих решений и показателей степени интеллектуальности автоматизированными системами управления организационно-техническими процессами;

• анализ свойств организационно-технических процессов как класса объектов управления;

• разработка комбинированного метода принятия управленческих решений в сложных организационно-технических системах;

• разработка методики применения принципов интеллектуализации на основе комбинированного подхода для систем управления ОТП;

• апробация методологии синтеза комбинированных интеллектуальных систем управления для конкретных типов ОТП в различных областях: в промышленности на примере производства изделий из композитных материалов, транспортировки газа, работы транспортно-экспедиторской компании, в сфере образования, в медицине и экологии, в экономике (бухгалтерском учете).

Методы исследований. Для решения поставленных задач использовались теория управления, методы искусственного интеллекта (ИИ) и математического моделирования, системный анализ, многомерное шкалирование, общая теория систем, теория принятия решений, дискретная математика.

Достоверность и обоснованность. Достоверность и обоснованность диссертационных исследований подтверждается успешными результатами программного моделирования, широким и успешным внедрением разработанных алгоритмов и программных средств в различных организациях.

На защиту выносятся:

1. Методологическая и технологическая концепция синтеза интеллектуальных АСУ, имеющая междисциплинарный характер и учитывающая как технологические аспекты проблемы, так и гуманитарные.

2. Комбинированный метод принятия управленческих решений в организационно-технических системах управления, основанный на совместном использовании формализованных и интеллектуальных методов, а также эвристических способов.

3. Методология построения автоматизированных интеллектуальных обучающих систем с учетом психофизиологических характеристик обучаемых (операторов).

4. Подход к интеллектуализации программ автоматизации бухгалтерского, налогового и оперативного учета, основанный на использовании в них интеллектуальных компонент поддержки принятия управленческих решений.

5. Результаты реализации концепции синтеза в виде интеллектуальных систем принятия решений и управлений различными ОТП (промышленность, транспорт, медицина, экология, образование, экономика).

Научная новизна:

• создан универсальный комбинированный метод принятия управленческих решений при синтезе интеллектуальных автоматизированных системах управления организационно-техническими процессами, базирующийся на рекурсивном выборе, как формализованных методов, так и эвристических способов;

• сформулированы показатели степени интеллектуальности (интеллектуализации) системы управления организационно-техническими процессами;

14

• синтезированы эвристические комбинированные процедуры решения задач управления большой размерности;

• поставлены и решены задачи оптимизации обучения как оптимального управления организационно-техническим процессом;

• разработаны методы построения и реализации интеллектуальных систем управления в промышленности, медицине, экологии, образовании, на транспорте, основанные на использовании встроенных интеллектуальных компонент поддержки принятия управленческих решений, которые улучшают технико-экономические показатели функционирования организационно-технических процессов.

Практическая полезность заключается в расширении функциональных возможностей и повышении эффективности работы управляемых организационно-технических систем не зависимо от области применения на основе повышения интеллектуальности систем управления.

• разработанная методология и созданная на ее базе объектно-структурная технология интеллектуализации систем управления положены в основу построения большого числа внедренных в эксплуатацию экспертных систем управления и поддержки принятия управленческих решений;

• предложенная концепция проектирования и построения интеллектуальных систем управления представляет интерес для вузов, в учебные программы которых входят дисциплины, связанные с ИИ;

• предложенная методология построения обучающих автоматизированных систем, основанная на комбинированном принципе и учете психофизиологических характеристик обучаемых, позволяет проектировать высокоэффективные интеллектуальные обучающие системы. Эти системы целесообразно использовать при групповом и особенно индивидуальном, дистанционном обучении;

• разработанные алгоритмы и программы для принятия решений, основанные на комбинированном интеллектуальном подходе, применимы для самых различных областей функционирования ОТП.

Реализация результатов. Результаты диссертационной работы использованы при создании следующих интеллектуальных систем, внедренных в промышленности, медицине, образовании:

• «КОМПОЗИТ (система поддержки принятия управленческих решений при производстве изделий из композитных материалов);

• «Экспертная система рассмотрения претензий о просрочке в доставке грузов железной дорогой»;

• ЦЕОЛИТ (выбор цеолитов для использования в медицине, экологии);

• АОЭС (автоматизированная обучающая система с учетом психофизиологических характеристик обучаемых);

• МЭТЭК (моделирование процесса функционирования транспортно-экспедиторской компании с учетом экологических характеристик);

• «Учет документов строгой отчетности»;

• ФС (Финансовая система) и МНУ (Модуль налогового учета).

Предложенная концепция проектирования и построения интеллектуальных систем управления организационно-техническими процессами применяется при обучении студентов кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета. Методические материалы автора используются при чтении лекций по интеллектуальным системам в Астраханском государственном техническом университете, Тамбовском государственном техническом университете, Московском государственном университете инженерной экологии, Ташкентском химико-технологическом институте. Созданная автоматизированная обучающая экспертная система внедрена и функционирует в Саратовском государственном техническом университете, Ташкентском государственном техническом университете, Астраханском государственном техническом университете, Тамбовском государственном техническом университете (акты внедрения приведены в приложении к диссертации). Разработанные автором методы обучения с учетом психофизиологических характеристик позволили существенно сократить время обучения, заметно повысить уровень знаний бухгалтеров и студентов. Комплекс интеллектуальных программ автоматизации бухгалтерского, налогового и оперативного учета успешно внедрен и функционирует на предприятиях корпоративных заказчиков, малых и средних предприятиях с существенным экономическим эффектом (акты об экономической эффективности приведены в приложении к диссертации на общую сумму более, чем 130 млн. руб. в ценах 2004г.).

Апробация работы. Результаты работы докладывались на Всесоюзной НК «Автоматизация в химической промышленности» (Тамбов, 1986); на МНК «Математические методы в химии и химической технологии» (Тула, 1996; Новомосковск, 1997; Владимир, 1998); «Новые информационные технологии в медицине и экологии» (Украина, Крым, Ялта-Гурзуф, 1997 - 1999, 2004); «Математические методы в технике и технологиях» (Новгород Великий, 1999; Санкт-Петербург, 2000; Смоленск, 2001; Тамбов, 2002; Санкт-Петербург и Ташкент, 2003; Кострома, 2004); «Информационные технологии в науке, образовании, телекоммуникации, бизнесе и охране природных ресурсов» (Украина, Крым, Ялта-Гурзуф, 1999) и опубликованы в тезисах и материалах научных конференций.

Публикации. Основные положения диссертации отражены в 89 публикациях, в том числе в 4 монографиях, 9 статьях в центральных научно-технических журналах, рекомендованных ВАК, 15 свидетельствах Роспатента на программы для ЭВМ, 1 свидетельстве на изобретение.

Структура и объем диссертации. Диссертационная работа состоит из 9 разделов, списка обозначений и использованной литературы, приложений. Основная часть диссертации изложена на 298 страницах, содержит 51 рисунков, 18 таблиц.

9. ЗАКЛЮЧЕНИЕ

В результате выполнения диссертационной работы решена проблема создания методологии синтеза и реализации интеллектуальных автоматизированных систем управления организационно-техническими процессами, основанных на знаниях и комбинированных подходах к принятию решений, что позволяет повысить эффективность функционирования систем управления ОТП. При этом получены следующие результаты.

1. Создана методологическая и технологическая концепция синтеза интеллектуальных АСУ организационно-техническими процессами, имеющая междисциплинарный характер и учитывающая как технологические аспекты проблемы, так и гуманитарные, которая включает в себя систему принципов и показателей интеллектуальности систем управления.

2. Построен комбинированный метод принятия управленческих решений в организационно-технических системах управления, основанный на совместном рекурсивном использовании формализованных и интеллектуальных методов, а также эвристических способов.

3. Синтезированы эвристические комбинированные процедуры решения прикладных задач управления большой размерности, на основе методов динамического программирования, ветвей и границ и технологических ограничениях.

4. Поставлены и решены задачи оптимизации обучения как оптимального управления организационно-техническим процессом.

5. Создана методология построения интеллектуальных автоматизированных обучающих систем, основанная на комбинированном принципе и учете психофизиологических характеристик обучаемых, которая позволяет проектировать высокоэффективные интеллектуальные обучающие системы. Эти системы целесообразно использовать при групповом и особенно индивидуальном, дистанционном обучении.

6. Предложен подход к интеллектуализации программ автоматизации бухгалтерского, налогового и оперативного учета, основанный на использовании в них интеллектуальных компонент поддержки принятия управленческих решений.

7. Получены положительные результаты реализации концепции синтеза в виде интеллектуальных систем принятия управленческих решений и управлений различными организационно-техническими процессами в разнородных отраслях:

• создана и частично внедрена интегрированная автоматизированная система управления производством многослойных намоточных изделий из композитных материалов;

• интеллектуальная система оптимального управления газокомпрессорной сетью на этапе восстановления используется в ОАО «Юг-трансгаз» (г. Саратов);

• на железнодорожном транспорте внедрены интерпретирующая экспертная система рассмотрения претензий о просрочке в доставке грузов и ЭС ситуационного управления документооборотом бланков строгой отчетности;

• планирующая ЭС организации работ на автотранспорте используется для оптимизации маршрутизации транспортных средств в Пензенском областном управлении инкассации;

• интеллектуальная организационно-техническая система управления диагностики плевритов и ЭС нозологической диагностики сердечнососудистых заболеваний используются в ММУ «Городском противотуберкулезном диспансере и Саратовском медицинском университете;

• экспертные системы «Цеолит» и «Эффар» используются для поддержки принятия управленческих решений об использовании природных цеолитов и лекарственных и ароматических препаратов из растительного сырья в Саратовском медицинском университете;

Предложенная концепция проектирования и построения интеллектуальных систем управления организационно-техническими процессами применяется при обучении студентов кафедры «Системы искусственного интеллекта» Саратовского государственного технического университета. Методические материалы автора используются при чтении лекций по интеллектуальным системам в Астраханском государственном техническом университете, Тамбовском государственном техническом университете, Московском государственном университете инженерной экологии, Ташкентском химико-технологическом институте. Созданная автоматизированная обучающая экспертная система внедрена и функционирует в Саратовском государственном техническом университете, Ташкентском государственном техническом университете, Астраханском государственном техническом университете, Тамбовском государственном техническом университете.

Разработанные автором методы обучения с учетом психофизиологических характеристик позволили существенно сократить время обучения, заметно повысить уровень знаний бухгалтеров и студентов. Комплекс интеллектуальных программ автоматизации бухгалтерского, налогового и оперативного учета успешно внедрен и функционирует на предприятиях корпоративных заказчиков, малых и средних предприятиях с существенным экономическим эффектом.

1. Люггер Д. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Д. Ф. Люггер. М.: Издательский дом «Вильяме», 2003.-864 с.

2. Лорьер Ж.-Л. Системы искусственного интеллекта / Ж.-Л. Лорьер. -М.: Мир, 1991.-356 с.

3. Уинстон П. Искусственный интеллект / П. Уинстон. М.: Мир, 1980. -519 с.

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

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

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

7. Слейгл Дж. Искусственный интеллект / Дж. Слейгл. М.: Мир, 1973. -320 с.

8. КругловВ.В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. М.: Горячая линия - Телеком, 2002. - 382 с.

9. Медведев В. С. Нейронные сети. MATLAB 6. / В. С. Медведев, В. Г. Потемкин. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

10. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений / Л. Заде. М.: Мир, 1976. - 165 с.

11. Прикладные нечеткие системы / Под ред. Тэрано Т., АсаиК., Сугэ-но М. М.: Мир, 1993. - 368 с.

12. Нечеткие множества и теория возможности. Последние достижения / Под ред. Ягера Р. Р. М.: Радио и связь, 1986. - 408 с.

13. Кафаров В. В. Принцип описания химико-технологических процессов. Системный анализ процессов химической технологии. Применение метода нечетких множеств / В. В. Кафаров, И. Н. Дорохов, Е. П. Марков -М.: Наука, 1986.-390 с.

14. Бурков В. Н. Основы математической теории активных систем / В. Н. Бурков. М.: Наука, 1977. - 255 с.

15. Бурков В. Н. Теория графов в управлении организационными системами / В. Н. Бурков, А. Ю. Заложнев, Д. А. Новиков. М.: Синтег, 2001. -124 с.

16. Бурков В. Н. Модели и методы управления организационными системами / В. Н. Бурков, В. А. Ириков. М.: Наука, 1994. - 270 с.

17. Бурков В. Н. Механизмы функционирования организационных систем / В. Н. Бурков, В. В. Кондратьев. М.: Наука, 1981. - 384 с.

18. Бурков В. Н. Теория активных систем: состояние и перспективы / В. Н. Бурков, Д. А. Новиков. М.: Синтег, 1999. - 128 с.

19. Новиков Д. А. Рефлексивные игры / Д.А.Новиков, А. Г. Чхартишвили. М.: Синтег, 2003. - 160 с.

20. Новиков Д. А. Стимулирование в организационных системах / Д. А. Новиков. М.: Синтег, 1999. - 108 с.

21. Щепкин А. В. Механизмы внутрифирменного управления /

22. A. В. Щепкин. М.: ИПУ РАН, 2001. - 80 с.

23. Исследование операций / Под ред. Моудера Дж., Элмаграби С. М.: Мир, 1981.-Т. 1.-712 с.

24. Исследование операций / Под ред. Моудера Дж., Элмаграби С. М.: Мир, 1981.-Т. 2.-677 с.

25. Растригин JI. А. Современные принципы управления сложными объектами / JI. А. Растригин. М.: Сов. Радио, 1980. - 232 с.

26. Глушков В. М. Основы безбумажной информатики / В. М. Глушков. М.: Наука, Гл. ред. физ. мат. лит., 1982. - 552 с.

27. Попов Е. П. Теория линейных систем автоматического регулирования и управления / Е. П. Попов. М.: Наука, Гл. ред. физ. мат. лит., 1978. -256 с.

28. Основы теории автоматического регулирования / Под ред.

29. B. И. Крутова. М.: Наука, 1984. - 368 с.

30. Бесекерский В. А. Теория систем автоматического управления / В. А. Бесекерский, Е. П. Попов. СПб.: Изд-во «Профессия», 2003. - 752 с.

31. Попов Е. П. Автоматическое регулирование и управление / Е. П. Попов. М.: Наука, Гл. ред. физ. мат. лит., 1966. - 388 с.

32. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Н. Д. Егупова. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002. -744 с.

33. ФрадковВ. Н. Адаптивное управление динамическими объектами / В. Н. Фрадков, В. А. Якубович. М.: Наука, Гл. ред. физ. мат. лит., 1981. -448 с.

34. Срагович В. Г. Адаптивное управление / В. Г. Срагович. М.: Наука, Гл. ред. физ. мат. лит., 1981. - 384 с.

35. Александров А. Г. Оптимальные и адаптивные системы / А. Г. Александров. М.: Высшая школа, 1989. - 263 с.

36. Бесекерский В. А. Системы автоматического управления с микроЭВМ / В. А. Бесекерский, В. В. Изранцев. М.: Наука, Гл. ред. физ. мат. лит., 1987.-320 с.

37. Болнокин В. Е. Анализ и синтез систем автоматического управления на ЭВМ. Алгоритмы и программы / В. Е. Болнокин, П. И. Чинаев. М.: Радио и связь, 1986. - 248 с.

38. Белова Д. А. Применение ЭВМ для анализа и синтеза автоматических систем управления / Д. А. Белова, Р. Е. Кузин. М.: Энергия, 1979. -264 с.

39. Анализ и оптимальный синтез на ЭВМ систем управления / Под ред. А. А. Воронова, И. А. Орурка. М.: Наука, Гл. ред. физ. мат. лит., 1984. -344 с.

40. Фрадков A. JI. Адаптивное управление в сложных системах / А. Л. Фрадков. М: Наука, 1990. - 292 с.

41. Воронов А. Л. Введение в динамику сложных управляемых систем / А. Л. Воронов. М.: Наука, 1985. - 352 с.

42. Козлов Ю. М. Беспоисковые самонастраивающиеся системы / Ю. М. Козлов, Р. М. Юсупов. М.: Наука, 1969. - 456 с.

43. Петров Б. Н. Принципы построения и проектирования самонастраивающихся систем управления / Б. Н. Петров, В. Ю. Рутковский, И. Н. Крутова, С. Д. Земляков. М.: Машиностроение, 1972. - 260 с.

44. Narendra К. S. Stable adaptive schemes for system identification and control / K. S. Narendra, P. Kudva // IEEE Trans. 1974. - - Part I, II. - V. SMC - 4. - № 6. - P. 542-560.

45. Мееров M. В. Синтез структур систем автоматического регулирования высокой точности / М. В. Мееров. М.: Наука, 1967. - 424 с.

46. Деменков Н. П. Нечеткая логика в задаче фильтрации случайных возмущений / Н. П. Деменков, И. А. Мочалов // Промышленные АСУ и контроллеры. 1999. - № 11. - С. 26-28.

47. Деменков Н. П. Адаптивная система автоматической оптимизации с нечеткой последовательной процедурой проверки статистических гипотез /

48. Н. П. Деменков, И. А. Мочалов // Вестник Российского университета дружбы народов. Серия Кибернетика. 1999. - № 1. - С. 31-42.

49. Деменков Н. П. Нечеткая система автоматической оптимизации / Н. П. Деменков, И. А. Мочалов // Вестник МГТУ им. Н.Э.Баумана.

50. Деменков Н. П. Нечеткий логический регулятор в задачах управления / Н. П. Деменков, И. А. Мочалов // Промышленные АСУ и контроллеры. 1999. - № 2. - С. 30-35.

51. Rene J. J. Fuzzy logic in control: Ph. D. thesis / J. J. Rene. Delft University ofTechology, The Netherlands, 1995.

52. The fuzzy logic standart IEC 1131-7. 1997.

53. Румянцева Э. П. Общее управление организацией. Теория и практика / Э. П. Румянцева. М.: ИНФРА-М, 2004. - 304 с.

54. Иванов Л. И. Методы принятия решений бизнес-анализа. Эвристика / JI. И. Иванов, A. Л. Иванова. М.: Приор-издат., 2004. - 80 с.

55. Кнорринг В. И. Основы искусства управления / В. И. Кнорринг. М.: Дело, 2003.-328 с.

56. Мельников В. П. Управление организацией / В.П.Мельников, И. Л. Маренков, А. Г. Схиртладзе. М.: КНОРУС, 2004. - 240 с.

57. Малин А. С. Исследование систем управления / А. С. Малин, В. И. Мухин. М.: Издательский дом ГУ ВШЭ, 2004. - 400 с.

58. Бережной Л. Н. Теория оптимального управления экономическими системами / Л. Н. Бережной. СПб.: ИВЭСЭП, Знание. 2004. - 64 с.

59. Сочнев С. В. Технологии и системы информационного корпоративного управления / С. В. Сочнев, Г. С. Хулал. М.: ЗАО «Оолита», 2002. -200 с.

60. Информационные технологии в управлении / Под ред. Г. А. Титоренко. М: ЮНИТИ-ДАНА, 2003 - 439 с.

61. Богатин Ю. В. Экономическое управление бизнесов / Ю. В. Богатин, В. А. Швандар. М: ЮНИТИ-ДАНА, 2001. - 391 с.

62. СпицнадельВ. Н. Основы системного анализа / В. Н. Спицнадель. -СПб.: Изд. дом «Бизнес-пресса», 2000. 326 с.

63. Колпаков В. М. Методы управления / В. М. Колпаков. К.: МАУП, 2003.-368 с.

64. Васильченко Н. Г. Современная система управления персоналом / Н. Г. Васильченко. М.: ЗАО «Бизнес-школа «Интел-Синтез»», 2003. -230 с.

65. Тренев Н. Н. Предприятие и его структура: Диагностика. Управление. Оздоровление / Н. Н. Тренев. М.: «Издательство ПРИОР», 2002. -240 с.

66. Пашкус В. Ю. Современные теории управления. Теория менеджмента на пороге XXI века. / В. Ю. Пашкус. - СПб.: Изд. дом «Бизнес-пресса», 2003.-272 с.

67. Белецкий Н. П. Интеллектуальная техника менеджмента / Н. П. Белецкий. Мн.: Новое знание, 2001. - 320 с.

68. Акимова Т. А. Теория организации / Т.А.Акимова. М: ЮНИТИ-ДАНА, 2003.-367 с.

69. Бурков В. Н. Как управлять организациями / В. Н. Бурков, Д. А. Новиков. М.: Синтег, 2004.-400 с.

70. Мильнер Б. 3. Теория организации / Б. 3. Мильнер. М. ИНФРА, 2004. - 648 с.

71. Мешалкин В. П. Экспертные системы в химической технологии. Основы теории, опыт разработки и применения / В. П. Мешалкин. М.: Химия, 1995.-368 с.

72. Попов Э. В. Экспертные системы. Решение неформализуемых задач в диалоге с ЭВМ / Э. В. Попов. М.: Наука, 1987. - 288 с.

73. Построение экспертных систем /Под ред. Ф. Хейсс-Рота, В. Уотермена, Д. Лената. М.: Мир, 1987. - 441 с.

74. ТахаХ. Введение в исследование операций / X. Таха. М.: Мир, 1985.-Кн. 1.-479 с.

75. Вагнер Г. Основы исследования операций. М.: Мир, 1973. - Т. 3. -501 с.

76. Цвиркун А. Д. Структура сложных систем / А. Д. Цвиркун. М.: Сов. радио, 1975.-200 с.

77. Биркгоф Г. Теория решеток / Г. Биркгоф. М.: Наука, 1984. - 566 с.

78. Шапиро Ю. 3. АСУ химическими производствами / Ю. 3. Шапиро. -М.: Химия, 1983.-224 с.

79. Автоматизированное управление процессами химической технологии / Ф. И. Бернацкий, В. И. Гладков, Г. И. Деркач и др. М.: Наука, 1981. -216 с.

80. Уланов Г. М. Методы разработки интегрированных АСУ промышленными предприятиями / Г. М. Уланов, Р. А. Алиев, В. П. Кривошеев. М.: Энергоатомиздат, 1983. - 320 с.

81. Стефани Е. П. Основы построения АСУ ТП / Е. П. Стефани. М.: Энергоатомиздат, 1982. - 352 с.

82. Автоматизированное управление технологическими процессами / Под ред. В. Б. Яковлева. Л.: Изд-во ЛГУ, 1988. - 224 с.

83. Леошкин А. П. Автоматизированные системы управления в химической промышленности / А. П. Леошкин, М. Е. Тарасова. М.: Высшая школа, 1981.-239 с.

84. Распределенные АСУ технологическими процессами / Под ред. А. А. Левина. М.: Энергоатомиздат, 1985. - 240 с.

85. Вапник П. А. Статистические методы оперативного управления производством / П. А. Вапник. М.: Статистика, 1978. - 240 с.

86. Мангутов И. С. Управление предприятием и инженер / И. С. Мангутов. Л.: Изд-во ЛГУ, 1977. - 208 с.

87. Автоматическое управление в химической промышленности / Под ред. Е. Г. Дудникова. М.: Химия, 1978. - 368 с.

88. Рэй У. Методы управления технологическими процессами / У. Рэй. -М.: Мир, 1983.-368 с.

89. Проектирование систем автоматизации технологических процессов / Под ред. А. С. Клюева. М.: Энергоатомиздат, 1990. - 464 с.

90. Большаков А. А. Задачи интеллектуализации управления в организационно-технических системах / А. А. Большаков // Математические методы в технике и технологиях: Сб. трудов 17 Международ, науч. конф. Кострома: КГТУ, 2004. - Т. 6. - С. 76-78.

91. Большаков А. А. Комбинированный подход к принятию решений в системах управления / А. А. Большаков // Математические методы в технике и технологиях: Сб. трудов 17 Международ, науч. конф. Кострома: КГТУ, 2004. - Т. 2. - С. 33-36.

92. Балакирев В. С. Оптимальное управление процессами химической технологии / В. С. Балакирев, В. М. Володин, А. М. Цирлин. М.: Химия, 1978.-384 с.

93. Кафаров В. В. Анализ и синтез химико-технологических систем / В. В. Кафаров, В. П. Мешалкин. М.: Химия, 1991.-432 с.

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

95. Зверев В. Ю. Принцип сложности в иерархических структурах производственного типа / В. Ю. Зверев // Автоматическое управление и вычислительная техника. 1978. - № 12. - С. 169-194.

96. Балакирев В. С. Интеллектуализация организационно-технических систем управления / В. С. Балакирев, А. А. Большаков // Методы кибернетики химико-технологических процессов: Сб. трудов 6 Международ, науч. конф. М.: РХТУ, 2004. - С. 130-134.

97. Евланов JI. Г. Экспертные оценки в управлении / J1. Г. Евланов, В. А. Кутузов. М.: Экономика, 1978. - 133 с.

98. Большаков А. А. Синтез интеллектуальных организационно-технических систем управления / А. А. Большаков // Вестник Тамбов, гос. техн. ун-та. 2004. - Т. 10 - № 4а. - С. 954-959.

99. Newell A. GPS: a program that simulates human thought / A. Newell, H. Simon. Lernende Automaten, H. Billing ed. Munich: R. Oldenbourg KG. -1961. - PP. 109-124.

100. Newell A. GPS: a program that simulates human thought / A. Newell, H. Simon / In Feigenbaum and Feldman. 1963.

101. Большаков А. А. Применение методов искусственного интеллекта для задач исследования химико-технологических производств /

102. A. А. Большаков // Динамика процессов и аппаратов химической технологии: Тезисы докладов IV Всероссийской научн. конф. Ярославль: ЯГТУ, 1994.-Т. 2.-С. 91-92.

103. Автоматизированные производства изделий из композиционных материалов / В. С. Балакирев, А. А. Большаков, А. В. Заев и др.; под ред.

104. B. С. Балакирева. М.: Химия, 1990. - 240 с.

105. Большаков А. А. Автоматизация производства изделий из композитных материалов/ А. А. Большаков, В. В. Степанов, М. А. Юсуфов // Автоматизация проектирования химических производств: межвуз. науч. сб. / Моск. ин-т хим. машиностр.- М., 1987. С. 32-35.

106. Большаков А. А. Интеллектуальная автоматизированная система управления производством изделий из композитных материалов. / А. А. Большаков // Приборы. 2005. - № 2. - С. 17-28.

107. Большаков А. А. Разработка математического обеспечения САПР производства ИКМ на подготовительных стадиях / А. А. Большаков,

108. Г. JI. Давидсон, А. В. Иванов, М. А. Юсуфов // Распределенные информационно-управляющие системы: межвуз. науч. сб. / Сарат. гос. техн. ун-т -Саратов, 1986. С. 183-186.

109. Большаков А. А. Системы автоматизации процесса раскроя рулонных материалов / А. А. Большаков, М. А. Юсуфов // Приборы и системы управления. 1998. - № 2. - С. 7-8.

110. Большаков А. А. Идентификация математической модели процесса термообработки ИКМ / А. А. Большаков, В. С. Балакирев. Деп. в ВИНИТИ 27.03.91, № 1334-В91. - 13 с.

111. Большаков А. А. Методы сжатия информации / А.А.Большаков, Р. Н. Каримов. Саратов: Сарат. политехи, ин-т, 1991. - 88 с.

112. Большаков А. А. Алгоритмы сжатия информации в АСУ робототех-нических систем / А. А. Большаков, Р. Н. Каримов // Автоматизация и роботизация химических производств: межвуз. науч. сб. / Моск. ин-т хим. машиностр.- М., 1989. С. 99-103.

113. Акишин В. Н. Математическая модель процесса термообработки многослойных ИКМ / В. Н. Акишин, В. С. Балакирев, А. А. Большаков и др. / Деп. в ВИНИТИ 27.03.91, №1333-В91. 14 с.

114. Акишин В. Н. Математическое моделирование термообработки многослойных ИКМ / В. Н. Акишин, В. С. Балакирев, А. А. Большаков, М. А. Юсуфов / Деп. в ВИНИТИ 27.03.91, №1335-В91. 16 с.

115. Акишин В. Н. Оптимальное управление процессом термообработки многослойных ИКМ / В. Н. Акишин, В. С. Балакирев, А. А. Большаков У Деп. в ВИНИТИ 27.03.91, №1336-В91.-13 с.

116. АС СССР № 1352832. Способ термообработки изделий из композитных материалов / B.C. Балакирев, А. А. Большаков, А. В. Заев, А. Н. Королев. БИ. - 1987. - № 42.

117. Большаков А. А. Интеллектуальная система управления процессом раскроя рулонных материалов / А. А. Большаков, М. А. Юсуфов // Труды МГУИЭ «Процессы и аппараты химической и биологической технологий». М.: МГУИЭ, 1998. - Вып. 1. - С. 97-104.

118. Большаков А. А. Автоматизированное обучение операторов / А. А. Большаков // Вестник Тамбов, гос. техн. ун-та. 1999. - Т. 5. - № 2. -С. 213-217.

119. Большаков А. А. Идентификация психофизиологических характеристик операторов / А. А. Большаков, В. В. Шатохин // Вестник Тамбов, гос. техн. ун-та. 1999. - Т. 5. - № 3. - С. 359-363.

120. Большаков А. А. Синтез интеллектуальных организационно-технических систем управления / А. А. Большаков // Вестник Тамбов, гос. техн. ун-та. 2004. - Т. 10 - № 4а. - С. 954-959.

121. Большаков А. А. Инновационная методика бизнес-образования в области Интернет-технологий / А. А. Большаков, А. А. Бороздюхин, О. Н. Долинина и др.; под ред. О. Н. Долининой и Ю. А. Корсакова. Саратов: Сарат. гос. техн. ун-т, 2002. - 150 с.

122. Большаков А. А. Адаптивное обучение с учетом психофизиологических факторов / А. А. Большаков, Е. Г. Евдокимова // Математические методы в химии и химической технологии: Тезисы докладов международ, конф. Новомосковск: РХТУ, 1997. - Т. 4. - С. 74-75.

123. Большаков А. А. Методология разработки обучающих экспертных систем / А. А. Большаков // Математические методы в технике и технологиях: Тезисы докладов 12 международ, конф. Великий Новгород: Новгород. гос. ун-т, 1999. - Т. 3. - С. 23-24.

124. Большаков А. А. Архитектура обучающей экспертной системы /

125. A. А. Большаков, В. В. Шатохин // Математические методы в технике и технологиях: Тезисы докладов 12 международ, конф. Великий Новгород: Новгород, гос. ун-т, 1999. - Т. 3. - С. 26-27.

126. Большаков А. А. Интерпретатор языка программирования в автоматизированной обучающей системе / А. А. Большаков, С. С. Буйлов,

127. Большаков А. А. Контрольно-обучающая система LANGPAS / А. А. Большаков, И. В. Егоров, С. В. Тычков // Математические методы в химии и химической технологии: Тезисы докладов международ, конф. -Новомосковск: РХТУ, 1997. С. 65-66.

128. Большаков А. А. Автоматизированная обучающая система языку программирования ASP NET (АОС ASP NET) / А. А. Большаков, А. Де ла Кетуле де Рихоув, A. JI. Поверенный; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611158. - 2004.

129. Большаков А. А. Автоматизированная обучающая система языку программирования Visual Basic (АОС VB) / А. А. Большаков, П. Виллемот, Д. М. Верескун; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611157. - 2004.

130. Большаков А. А. Автоматизированная обучающая система языку программирования HTML (АОС HTML) / А. А. Большаков, Й. Ротсаер, А. В. Филимонов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611159. - 2004.

131. Дюк В. Информационные технологии в медико-биологических исследованиях / В. Дюк, В. Эммануэль. СПб.: Питер, 2003. - 528 с.

132. FuH. С. A fuzzy neural network for knowledge learning / H. C. Fu, J. J. Shann // Int. J. Neural Syst. 1994. - V. 5. - N. 1. - P. 13-22.

133. Масалович А. И. От нейрона к нейрокомпьютеру / А. И. Масалович // Журнал доктора Добба. 1992. - N. 1. - С. 20-24.

134. Stefanuk V. L. Expert systems and its applications / V. L. Stefanuk // The lectures of Union's workshop on the main problems of artificial intillegence and intellectual systems. Minsk, 1990. - Part 2. - P. 36-55.

135. Rozenbojm J. An expert clinical diagnosis system for the support of the primary consultation / J. Rozenbojm, E. Palladino, A. C. Azevedo // Salud. Pub-lica Мех. 1993. - V. 35. - N. 3. - P. 321-325.

136. Poli R. A Neural Network Expert System for Diagnosing and Treating Hypertension / R. Poli, S. Cagnoni, R. Livi et al. // Computer. 1991. - N. 3. -P. 64-71.

137. Gindi G. R. Neural network and conventional classifiers for fluorescence-guided laser angioplasty / G. R. Gindi, C. J. Darken, К. M. O'Brien et al. // IEEE Trans. Biomed. Eng. 1991. - V. 38. - N. 3. - P. 246-252.

138. Gross G. W. Neural networks in radiologic diagnosis. II. Interpretation of neonatal chest radiographs / G. W. Gross, J. M. Boone, V. Greco-Hunt et al. // Invest. Radiol. 1990. - V. 25. -N. 9. - P. 1017-1023.

139. Floyd С. E. Jr. Prediction of breast cancer malignancy using an artificial neural network / С. E. Jr. Floyd, J. Y. Lo, A. J. Yun et al. // Cancer. 1994. -V. 74.-N. 11.-P. 2944-2948.

140. Прикладной статистический анализ данных / Под ред. В. В. Криницина. М.: «Издательство ПРИОР», 1998.-Кн. 1 — 336 с.

141. Прикладной статистический анализ данных / Под ред. В. В. Криницина. М.: «Издательство ПРИОР», 1998. - Кн. 2 - 352 с.

142. Дюк В. Обработка данных на ПК на примерах / В. Дюк. СПб: Питер, 1977.-240 с.

143. Дьяконов В. П. MATLAB 5.0/5.3. Система символьной математики / В. П. Дьяконов, И. В. Абраменкова. М.: Нолидж, 1999. - 640 с.

144. Большаков А. А. Экспертная система «ЦЕОЛИТ» / А. А. Большаков, А. В. Григорьева // Новые информационные технологии в медицине и экологии: Труды IV международ, конф. Украина, Крым, Ялта-Гурзуф. - Запорожье: ЗГУ, 1998. - Ч. 2. - С. 430-432.

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

146. Гаврилова Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. Спб.: Питер, 2000. - 384 с.

147. Бармин С. Ф. Компрессорные станции с газотурбинным приводом / С. Ф. Бармин, П. Д. Васильев. Я. М. Магазаник. JL: Недра, 1968. - 280 с.

148. КоршакА. А. Основы нефтегазового дела / А. А. Коршак, А. М. Шаммазов. Уфа: ООО «ДизайнПолиграфСервис», 2002. - 544 с.

149. Большаков А. А. Оптимизация работы газокомпрессорной сети / А. А. Большаков // Приборы. 2004. - № 6. - С. 18-24.

150. Большаков А. А. Интеллектуальная система оптимизации функционирования газокомпрессорной сети / А. А. Большаков // Приборы и системы. Управление, контроль, диагностика. 2004. - № 10. - С. 4-8.

151. Большаков А. А. Математическое моделирование газокомпрессорной сети на стадии восстановления / А. А. Большаков // Математическиеметоды в технике и технологиях: Сб. трудов 17 Международ, науч. конф. -Кострома: КГТУ, 2004. Т. 5. - С. 118-120.

152. Большаков А. А. Компьютерная поддержка оптимизации газокомпрессорной сети / А. А. Большаков // Математические методы в технике и технологиях: Сб. трудов 17 Международ, науч. конф. -Кострома: КГТУ, 2004. Т. 5. - С. 121-125.

153. Правила перевозок грузов: МПС СССР. М.: Транспорт, 1983.

154. Большаков А. А. Экспертная система рассмотрения претензий /

155. A. А. Большаков, А. В. Бобов, В. А. Рубцова; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004610516. - 2004.

156. Большаков А. А. Расчет штрафа за просрочку в доставке груза железной дорогой / А. А. Большаков, В. Г. Доломанов, A. JI. Ломанцев,

157. B. А. Рубцова; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004610186. - 2004.

158. Большаков А. А. Учет документов строгой отчетности /

159. A. А. Большаков, А. Н. Антамошин, В. Г. Доломанов; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004611303. - 2004.

160. Алексеев В. М. Оптимальное управление / В. М. Алексеев,

161. B. М. Тихомиров, С. В. Фомин. М.: Наука, Гл. ред. физ. мат. лит., 1979. -432 с.

162. Поляк Б. Т. Введение в оптимизацию / Б. Т. Поляк. М.: Наука, Гл. ред. физ. мат. лит., 1983. - 384 с.

163. Романовский И. В. Алгоритмы решения экстремальных задач / И. В. Романовский. М.: Наука, Гл. ред. физ. мат. лит., 1977. - 352 с.

164. Евтушенко Ю. Г. Методы решения экстремальных задач и их применение в системах оптимизации/ Ю. Г. Евтушенко. М.: Наука, Гл. ред. физ. мат. лит., 1982.-432 с.

165. РеклейтисГ. Оптимизация в технике/ Г. Рейклейтис, Г. Рейвиндран, К. Рэгсдел. М.: Мир, 1986. - Кн. 2. - 320 с.

166. ТахаХ. Введение в исследование операций / X. Таха. М.: Мир, 1985.-Кн. 1.-479 с.

167. Кофман А. Методы и модели исследования операций. Целочисленное программирование / А. Кофман, А. Анри-Лабордер. М.: Мир, 1975. -Т. 3.-432 с.

168. Левин В. И. Структурно-логические методы исследования сложных систем с применением ЭВМ / В. И. Левин. М.: Наука, 1987. - 304 с.

169. Кормен Т. Алгоритмы: построение и анализ / Т. Кормен, Ч. Лейзерсон, Р. Ривест. М.: МЦНМО, 2001. - 960 с.

170. Касьянов В. Н. Графы в программировании: обработка, визуализация, и применение / В. Н. Касьянов, В. А. Евстигнеев. СПб.: БХВ-Петербург, 2003. - 1104 с.

171. Большаков А. А. Экспертная система моделирования экологии транспортно-экспедиторской компании / А. А. Большаков, О. В. Близнова,

172. В. И. Левин; Свид-во Роспатента об офиц. регистр, программы для ЭВМ. -№2004610418.-2004.

173. Большаков А. А. Интеллектуализация управления маршрутами транспортной компании по экологическим критериям / А. А. Большаков, О. В. Близнова // Мехатроника, автоматизация, управление. 2004. - № 11. -С. 49-53.

174. Близнова О. В. Структурный подход к задаче моделирования работы транспортно-экспедиторской компании / О. В. Близнова, А. А. Большаков,

175. B. П. Глазков // Математические методы в технике и технологиях: Сб. трудов 16 Международ, науч. конф. Ростов н/Д: РГАСХМ ГОУ, 2003. - Т. 7.1. C. 84-86.

176. Большаков А. А. Экспертная система маршрутизации транспортной компании / А. А. Большаков, О. В. Близнова // Математические методы в технике и технологиях: Сб. трудов 17 Международ, науч. конф. Кострома: КГТУ, 2004. - Т. 6. - С. 82-85.

177. Мостеллер Ф. Анализ данных и регрессия: В 2-х бра / Ф. Мостеллер, Дж. Тьюки. М.: Финансы и статистика, 1982. - Вып. 1. - 317 с.

178. Тьюки Дж. Анализ результатов наблюдений. Разведочный анализ / Дж. Тьюки. М.: Мир, 1981.-693 с.

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

180. Отнес Р. Прикладной анализ временных рядов. Основные методы / Р. Отнес, JI. Эоксон. М.: Мир, 1982. - 428 с.

181. ЛиттлР. Дж. А. Статистический анализ данных с пропусками / Р. Дж. А. Литтл, Д. А. Рубин. М.: Финансы и статистика, 1990.

182. Schafer J. L. Algorithms for multiple imputation and posterior simulation from incomplete multivariate data: PhD dissert. / J. L. Schafer. Dep. pf. Stat-Harvard Univ, 1991.

183. Хорн Р. Матричный анализ / Р. Хорн, Ч. Джонсон. М.:Мир, 1989.

184. Дрейпер Н. Прикладной регрессионный анализ / Н. Дрейпер, Г. Смит. М.: Финансы и статистика, 1987. - Кн. 2.-351 с.

185. ИберлаК. Факторный анализ / К. Иберла. М.: Статистика, 1980. -396 с.

186. Грегори Р. Безошибочные вычисления. Методы и приложения / Р. Грегори, Е. Кришиамурт. М.: Мир, 1988. - 208 с.

187. Большаков А. А. Безошибочные вычисления и нахождение коэффициентов параболической регрессии / А. А. Большаков, Р. Н. Каримов, Д. А. Кинцель; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004610448. - 2004.

188. Большаков А. А. Экспертная система построения регрессионных моделей / А. А. Большаков, Р. Н. Каримов, О. В. Назаренко // Моделирование и оптимальное управление химическим производством: Межвузовский на-учн. Сборник. Москва: МИХМ, 1991. - С. 52-55.

189. Аниськина Н. Н. Анализ эффективности методов численного дифференцирования экспериментальных данных / Н. Н. Аниськина,

190. B. С. Балакирев, А. А. Большаков, Г. JI. Ефитов // Математические методы в химии: Тезисы докладов V Всесоюзн. научн. конф. Грозный: ГНПО «Промавтоматика», 1985. - С. 257-258.

191. ЗакораЛ. П. Влияние рыбохозяйственного использования залива мента на его кислородный режим / Л. П. Закора, Р. Н. Каримов, А. А. Большаков и др. // Сб. научн. трудов ГосНИОРХ. 1989. - Вып. 303.1. C. 119-134.

192. Глушков И. Е. Бухгалтерский учет на современном предприятии / И. Е. Глушков. Новосибирск: фирма «ЭКОР», 1995. - 630 с.

193. Бухгалтерский учет / Под ред. А. Д. Ларионова. М.: Проспект, 1999. - 392 с.

194. Вещунова Н. JI. Бухгалтерский учет / Н. JI. Вещунова, JI. Ф. Фомина. М.: Финансы и статистика, 2000. - 496 с.

195. Бухгалтерский учет / Под ред. И. Е. Тишкова, А. И. Прищепы. Мн.: Высш. шк., 1999.-746 с.

196. КожиновВ.Я. План и корреспонденция счетов бухгалтерского учета. 7000 типовых проводок / В. Я. Кожинов. М.: Изд-во «Экзамен», 2002. -512 с.

197. Ильина О. П. Информационные технологии бухгалтерского учета / О. П. Ильина. СПб.: Питер, 2002. - 688 с.

198. Большаков А. А. Автоматизация бухгалтерского, налогового и управленческого учета: В Зч. / А. А. Большаков, 3. Н. Шаманова. Саратов: Сарат. гос. техн. ун-т, 2004. - Ч. 1 - 188 е., Ч. 2 - 180 е., Ч. 3 - 200 с.

199. Большаков А. А. Интеллектуализация программ бухгалтерского учета / А. А. Большаков // Математические методы в технике и технологиях: Сб. трудов 14 Международ, науч. конф. Смоленск: Смоленский ф-л МЭИ, 2001. - Т. 6.-С. 126-127.

200. Большаков А. А. Финансовая система (ФС) / Большаков А.А., А. А. Большаков, В. Г. Доломанов и др.; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2001611124. - 2001.

201. Большаков А. А. Модуль налогового учета / А. А. Большаков, А. А. Большаков, В. Г. Доломанов и др.; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2003610884. - 2003.

202. Большаков А. А. Учет сдельного приработка / А.А.Большаков, В. В. Лобанов, 3. Н. Шаманова; Свидетельство Роспатента об офиц. регистр. программы для ЭВМ. № 2004611114. - 2004.

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

204. Большаков А. А. Анализ единого социального налога / А. А. Большаков, В. В. Лобанов, О. Г. Федорова; Свидетельство Роспатента об офиц. регистр, программы для ЭВМ. № 2004610639. - 2004.

205. Большаков А. А. Учет договоров / А. А. Большаков, А. А. Большаков, О. Г. Федорова; Свидетельство Роспатента об офиц. регистр. программы для ЭВМ. № 2004610933. - 2004.