Российская академия наук институт проблем управления им. В. А. Трапезникова
 Скачать 1.88 Mb.
|
|
0 20 40 60 80 100 2 9 10 14 12 1 16 13 4 6 11 8 3 5 15 7 М(10-10) М(25-25) М(50-50) Рис.3. Классификация результатов эксперимента серии 1 Классификация результатов опытов по всем 12 сериям показа- ла полное совпадение условий лучших (2,9,10,12,14), для которых Y 5 > 50%), и худших опытов. Эти результаты послужили основани- ем, во-первых, для определения условий уточняющих эксперимен- тов внутри исходного пространства опытов, и, во-вторых, для раз- работки последующих рекомендаций по проектированию интеллектуальной системы поддержки управленческих решений, работающей в реальном масштабе времени с потоком пользовате- лей разного уровня (задачи различной трудоемкости). Литература 1. ГОРЕЛОВА Г.В., ЗАХАРОВА Е.Н., РАДЧЕНКО С.Н. Ис- следование слабоструктурированных проблем социально- экономических систем: когнитивный подход. – Ростов н/Дону: Изд-во РГУ, 2006. – 332с. 2. МЕЛЬНИК А.В., БЛУИШВИЛИ И.В., ПУХА И.С. Мультиа- гентная среда организации распредленных вычислений. Из- вестия ТРТУ, вып.16.- Таганрог: Из-дво ТРТУ, 2006 г – С.25- 3. НАЛИМОВ В.В., ЧЕРНОВА Н.А. Статистические методы планирования экстремальных экспериментов. – М.: Наука, 1965. 104 ИНДИКАТИВНОЕ РЕГУЛИРОВАНИЕ РЕГИОНАЛЬНОГО РАЗВИТИЯ С ПРИМЕНЕНИЕМ КОМПЛЕКСНЫХ ОЦЕНОК Гусев В.Б., Павельев В.В., Другов В.Е. (Институт проблем управления РАН, Москва) gusvbr@ipu.ru Ключевые слова: контур регулирования, жизнедеятельность региона, проблемные вопросы мегаполиса, подсчет ком- плексной оценки, индикативное регулирование Рассматривается контур регулирования, предназначенный для обеспечения жизнедеятельности региона в соответствии с набором требований, которые объединены в критерий, задавае- мый схемой комплексного оценивания. Особенностью данного механизма регулирования является то, что регулирование осу- ществляется по нескольким направлениям (управляющим пара- метрам), а в качестве уставок по этим направлениям использу- ются индикаторы отклонения управляющих параметров от их оптимального значения при максимизации комплексной оценки. Проблемные вопросы Московского мегаполиса укрупненно могут быть представлены в виде следующей иерархической структуры. Состояние московского мегаполиса Уровень и качество жизни Экономический потенциал города Формирование потенциала социально-экономического раз- вития Рис.1. Древовидная структура проблемных вопросов Московского мегаполиса верхнего уровня 105 Каждый из трех подуровней на этой древовидной структуре верхнего уровня определяется рядом направлений деятельности (факторов), представленных на схемах ниже – древовидных структурах нижнего уровня. Уровень и качество жизни Денежные доходы населения Социальное обеспечение и социальное развитие Демография и здравоохранение Образование Культура, физическая культура и спорт, средства массовой информации Жилищно-коммунальное хозяйство Жилищная политика Экология Безопасность Рис. 2. Древовидная структура проблемы уровня и качества жизни Экономический потенциал города Валовой региональный продукт Наука и промышленность Малый бизнес Транспорт и связь Оптовая и розничная торговля Злоупотребления в кредитно-финансовых организациях Привлечение иностранных туристов Другие отрасли Интеграция города Москвы и субъектов Российской Феде- рации Рис. 3. Древовидная структура экономического потенциала города 106 Формирование потенциала социально-экономического разви- тия Трудовые ресурсы Поддержка инновационных процессов Строительство и инженерная инфраструктура Совершенствование бюджетной системы Международная и внешнеэкономическая деятельность Рис. 4. Древовидная структура проблемы формирования потенциала социально-экономического развития Приведенные выше древовидные структуры, в соответствии с методом векторной стратификации [1], позволяют сформиро- вать процедуру подсчета комплексной оценки на основе экс- пертных данных. При этом, экспертные оценки концевых вер- шин деревьев нижнего уровня сворачиваются в обобщенные оценки, соответствующие их корневым вершинам, а те, в свою очередь, позволяют получить свертку для комплексной оценки, соответствующей корневой вершине дерева верхнего уровня. Контур обратной связи имеет в качестве целевой установки максимизацию комплексной оценки состояния московского мегаполиса и реализуется за счет мониторинга оценок текущего состояния направлений деятельности (факторов), анализа ком- плексной оценки и формирования рекомендаций по распределе- нию ресурсов на их поддержку. Анализ комплексной оценки, как функции свертки оценок концевых вершин позволяет определить предельные оценки – индикаторы чувствительности комплексной оценки к изменени- ям последних [2]. В конкретной текущей ситуации значения индикаторов чувствительности рассматриваются как сигналы обратной связи, направляющие деятельность управляющих ор- ганов региона в соответствии с тенденцией увеличения критерия (комплексной оценки состояния региона). Для эффективной работы такого механизма регулирования необходимо правильно подобрать комплекс мер, позволяющих воздействовать на ком- 107 поненты состояния региона в направлении увеличения ком- плексной оценки. Каждое из направлений деятельности в сфере регионально- го развития [3] включает совокупность мероприятий, эффектив- ность которых можно определять с помощью соответствующих имитационных моделей или экспертных оценок. Организация процесса индикативного регулирования сво- дится к сбору, обработке, вводу информации для получения комплексных оценок и оценок чувствительности для направле- ний деятельности и расчету индикативных показателей. Далее принимаются и передаются соответствующие рекомендуемые решения по активизации направлений в соответствии с их вкла- дом в наращивание комплексного критерия. Для получения чис- ленных результатов описанной процедуры принятия решений используется соответствующий программный продукт, реали- зующий расчеты для схем оценивания. Литература 1. АНОХИН А.М., ГУСЕВ В.Б., ПАВЕЛЬЕВ В.В. Комплексное оценивание и оптимизация на моделях многомерных объек- тов. М., - 2003 (Научное издание / Институт проблем управления им. В.А. Трапезникова РАН). 2. ГЛОТОВ В. А., ПАВЕЛЬЕВ В. В. Векторная стратифика- ция. – М.: Наука, 1984. 3. ГУСЕВ В.Б., ЕФРЕМЕНКО В.Ф., ЛЕВИНТАЛЬ А.Б., ПАВЕЛЬЕВ В.В., ПАЩЕНКО Ф.Ф. Методы индикативного планирования в региональном управлении. Монография / Под ред. Ф.Ф. Пащенко. – М.: Научная книга, 2006. – 149 с. 108 МЕТОДОЛОГИЯ СТРУКТУРНОГО АНАЛИЗА И ПРОГНОЗИРОВАНИЯ В СЛАБОФОРМАЛИЗОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ Дорофеюк Ю.А. (Институт проблем управления РАН, Москва) tigress86@bk.ru Ключевые слова: структурный анализ, структурное прогно- зирование, слабоформализованные системы управления Введение Рассматривается задача анализа и прогнозирования в сла- боформализованной многопараметрической системе управления, которая состоит из достаточно большого числа формально не структурированных объектов. Идея предлагаемого метода реше- ния этой задачи состоит в том, что исследуются не точные зна- чения параметров, описывающих состояние каждого объекта (траектории состояний), а лишь класс, к которому принадлежит каждый объект в рамках некоторой структуры (классификации) множества объектов, входящих в исследуемую систему [2]. Та- кое интегральное описание объектов позволяет существенно повысить эффективность результатов принимаемых управленче- ских решений и прогнозов. Для формализации задачи использу- ется методология классификационного анализа данных [1]. 1. Методология структурного анализа и прогнози- рования 1.1. Процедуры структурного анализа Пусть исследуемая система состоит из N объектов, каждый из которых характеризуется набором из k параметров. Изучается 109 поведение этого множества объектов в дискретные моменты времени. Вводится в рассмотрение k-мерное пространство пара- метров X, в котором j-ый объект в момент времени t представ- ляется точкой 1 2 ( ) ( ( ), ( ), ... , ( )) k j j j j x t x t x t x t = . Упорядоченная совокупность точек 1 ( ), ... , ( ) j j n x t x t является известной частью траектории, характеризующей динамику j-го объекта. В большинстве приложений для принятия управленческого решения в момент времени n t используется совокупная инфор- мация об известных траекториях каждого объекта и прогноз значений ( 1), 1, . . . , j n x t j N + = . При этом, как правило, информация по каждому объекту рассматривается независимо от остальных [3]. Однако для многих прикладных задач требует- ся знать не точные значения параметров-характеристик в момен- ты времени 1 2 , , ... , n t t t и прогнозировать значения в момент 1 + n t , а знать (и прогнозировать) лишь класс, к которому принад- лежит (будет принадлежать) этот объект в соответствующие моменты времени в рамках некоторой структуры (классифика- ции) множества объектов изучаемой системы. Основу предлагаемого подхода составляет процедура выяв- ления структуры объектов, входящих в исследуемую систему. Предполагается, что вектор значений параметров ( ) j x t доста- точно полно характеризует состояние j-го объекта в момент времени t. А это, в свою очередь, означает, что взаиморасполо- жение точек 1 ( ), ... , ( ) N x t x t в пространстве X отражает реальную структуру (типологию) исследуемого множества объектов. Вы- явление такой структуры проводится методами классификаци- онного анализа [1]. Для этого в момент 1 t производится класте- ризация N точек в пространстве X на небольшое (3-7) число классов r, каждый из которых и характеризует определённый тип объекта. Для этой цели был специально разработан ком- плексный алгоритм кластеризации. Вводится понятие модели (эталона) класса ( ), 1,..., i a t i r = (чаще всего - это центр класса) [1]. Для каждого объекта кроме принадлежности к классу вы- числяются расстояния до эталонов всех классов ( ), 1 ,..., , 1 ,..., ij R t i r j N = = . В момент времени 2 t каждая 110 точка 2 ( ) j x t с помощью алгоритма распознавания образов с учителем метода потенциальных функций относится к тому или иному классу в рамках классификации, полученной на первом шаге. Затем производится пересчёт эталонов - для каждой точки с предыдущего шага пересчитываются, а для каждой новой точ- ки вычисляются расстояния до новых эталонов. Такая процедура выполняется для всех n моментов времени. В итоге для каждого объекта получается последовательность (траектория) из n пози- ций. В s-ой позиции находится r+1 число, первое из которых – номер класса, к которому относился этот объект в момент вре- мени s t , а последующие числа – значения расстояний до этало- нов классов в тот же момент времени. 1.2. Алгоритм прогнозирования Для принятия управленческих решений в момент времени n t надо для каждого объекта спрогнозировать номер класса (тип объекта) в момент времени 1 + n t . В качестве прогнозной модели для каждого объекта используется марковская цепь с r состоя- ниями и матрицей переходных вероятностей j ji P p = . Разрабо- тан алгоритм пересчёта переходных вероятностей ji p с исполь- зованием значений расстояний до центров классов. После первого шага, для точек 1 ( ) j x t подсчитаны расстояния до цен- тров классов ( ) ( ) (1) 1 1 ( , ), 1 ,..., , 1 ,..., ji j i R R x t a t i r j N = = = Тогда, рассчитываются элементы матрицы переходной вероят- ностей: ( ) (1) (1) 1 (1) j ji ji ji p p t R α = = , где (1) j α нормирующий множитель. На s -ом шаге ) s ( ji p пересчитываются так: для 0 ( ) 0 s ji R ≠ ( ) ( ) ( 1) ( ) ( 1) ( ) ( ) ˆ 1/ 2 1 ( ) ( ) s s s s s s ji ji ji ji ji ji p p sign R p sign R R γ − − ⎡ ⎤ ⎡ ⎤ = + + Δ − Δ Δ ⎣ ⎦ ⎣ ⎦ , 111 где ( ) ( 1) ( ) s s s ji ji ji R R R − Δ = − , ( 1) ( ) ( ) ( 1) ( ) ˆ s s ji ji s ji s s ji ji R R R R R − − − Δ = + , γ - нормирующий множитель. Если 0 ( ) 0 s ji R = , т.е. j -ая точка совпадает с эталоном 0 i -го класса, то вероятность для j -ой точки остаться в классе 0 i равна 1, а вероятность перехода в другой класс равна 0. 1.3. Модификации и приложения Разработана модификация процедуры прогнозирования, ко- гда классификация объектов задаётся заранее (например, экс- пертным путём) и в последующем остаётся неизменной. Разработан также вариант алгоритма «с памятью», когда используются данные только об s прошлых состояниях множе- ства объектов (s – глубина памяти алгоритма). Оказалось, что для некоторых приложений существенно более эффективным оказывается использование алгоритмов размытой классификации, в том числе с фоновым классом [1]. Приведены результаты использования разработанной мето- дологии при исследовании нескольких слабоформализованных крупномасштабных систем управления. Литература 1. БАУМАН Е.В., ДОРОФЕЮК А.А. Классификационный анализ данных / Труды Международной конференции по проблемам управления. Том 1. – М.: СИНТЕГ, 1999. - С. 62- 67. 2. ДОРОФЕЮК А.А., ДОРОФЕЮК Ю.А. Методы структурно- классификационного прогнозирования многомерных дина- мических объектов / Искусственный интеллект, № 2, 2006. - C.138-141. 3. Статистическое моделирование и прогнозирование. Сбор- ник под ред. Гранберга А.Г. . – М.: Финансы и статистика, 1990. – 382 с. 112 МОДЕЛЬНЫЙ ТРЕНАЖЁР ОБЖИГОВОЙ ПЕЧИ Иванов Е.Б. ( Институт проблем управления РАН, Москва) ivanov-ics@mail.ru Горбатов Е.П., Кондрукевич А.А. ( ЗАО ”Объединение Гжель”, п. Ново - Харитоново, Московская область) Ключевые слова: экспертная система, тренажёр, обжиговая печь для производства керамических материалов. Введение Тренажеры в современном понимании появились в индуст- риальном обществе, когда возникла необходимость массовой подготовки специалистов для работы либо на однотипном обо- рудовании, либо со схожими рабочими действиями, и, конечно, в первую очередь для военных нужд. Но только в последней четверти уходящего века с потрясающе быстрой компьютериза- цией мирового сообщества, с созданием сложнейшей техники, эксплуатация которой связана с риском для жизни не только одного человека, но и человечества в целом, возникла целая индустрия - тренажерные технологии [1]. 1. Разработка тренажёра обжиговой печи 1.1. Логическая модель В настоящее время предъявляются высокие требования к качеству и безотходному производству продукции. В связи с этим, нами разрабатывается экспертная система (тренажёр) мас- тера обжиговой печи для производства керамики и огнеупоров на основе законов нечёткой логики и искусственного интеллек- та. 113 Особенностью разрабатываемой экспертной системы явля- ется применение логической, технологической, физико- химической моделей аналитического контроля (рис. 1). Рис.1 – Схема управления тренажёра обжиговой печи. Принцип моделирования тренажёра обжиговой печи заклю- чается в основной работе логической модели с её последующим воздействием на технологическую и физико-химическую модели с их взаимным влиянием по 1,2 и 3 каналам воздействия. Контрольной точкой получения результата (качественной про- дукции) является модель аналитического контроля, влияние на которую оказывается по 4 и 5 каналам воздействия. Работа обжиговой печи заключается в просушке, нагреве, обжиге и охлаждении керамической продукции с постепенным изменением интервала температуры. Интерфейс логической модели тренажёра состоит из динамического протокола с “со- вмещенными” рулями и неполадками, а также наблюдаемыми параметрами. База знаний представляет собой набор логических значений (больше нормы “>”, норма “=”, меньше нормы “<”), которые сведены в таблицы в качестве модулей и регуляторов (таблица 1). Моделирование нештатных ситуаций в разработанной систе- Логическая модель Технологическая модель Физико-химическая модель Аналитическая модель 1 канал воздействия 3 канал воздействия 2 канал воздействия 5 канал воздействия 4 канал воздействия 114 ме достигается путём задания соответствующих значений вход- ным переменным и настроечным коэффициентам в заданный момент времени. Таблица 1. Логический модуль №1 обработки данных штатного режима работы обжиговой печи. Помехи/Рули (Вхо- ды) 1. D = < > < < = = > > 2. GV = < > < = < = < > 3. TO = < > = < < < > < Наблюдаемые параметры (Выходы) 4. R = < > < < = = > > 5. T = < > < = < = < > 6. CO = < > < = < = < > 7. СО 2 = > < > = > = > < 8. VT = > < = > > > < > где: R - разряжение; T - температура; СО - содержание СО; СО 2 - содержание СО 2 ; VT - скорость роста температуры; D - оборот дымосос; GV - газ/воздух; TO - время обжига. 1.2. Технологическая модель В данной модели рассматриваются одни из основных пока- зателей работы печи по обжигу огнеупоров. Например, энерго- плотность (ЭП) можно вычислить по формуле [2]: (1) ( ) ( ) ( ) / / / / / / T ЭП G V G d M H T S d M = −Δ = Δ = Δ − Δ где T G Δ – энергия Гиббса (или термодинамический потенциал образования соединения из элементов) при данной температуре, кДж/моль; V – мольный объём соединения, см 3 /моль; d – ис- тинная плотность соединения, г/см 3 ; M – мольная масса соеди- нения, г/моль; H Δ – энтальпия образования соединения, кДж/моль; T – температура, °С (К); S Δ – энтропия, кДж/моль. 115 1.3. Физико-химическая модель Совершенствуемая в настоящее время физико – химическая модель представляет собой набор химических реакций с расчё- том энергии Гиббса, что также способствует более детально и точно соблюдать ход технологического процесса [3]: Химические формулы Термодинамические параметры Темпера- тура, °С 2 2 2 Н О СО Н СО + = + 0 7600 7,65 G T Δ = − + ⋅ 1660 lg 1,672 P K T = − 373 – 2500 (4) 0 ln ln p K G G RT D RT D Δ = Δ + = − где 0 exp P G K RT ⎛ ⎞ Δ = ⎜ ⎟ ⎝ ⎠ - константа равновесия реакции; 0 G Δ - стан- дартная энергия Гиббса реакции; G Δ - энергия Гиббса реакции 1.4. Модель аналитического контроля Для экспертной системы разработана модель аналитическо- го контроля, включающая рентгенофазовый анализ. Метод осно- ван на том, что рентгеновское излучение, взаимодействуя с кри- сталлическими веществами, даёт специфические дифракционные картины, обусловленные особенностями атом- ного строения этих веществ. Вывод сделан на основании хоро- шего совпадения рефлексов экспериментальной дифрактограм- мы и соответствующих табличных данных из картотеки ASTM (американское общество стандартов и материалов) [4]. |