Методы и модели в системах поддержки принятия решений на начальном этапе проектирования распределенных вычислительных систем 1

Комарцова Л.Г.
Калужский филиал МГТУ им. Н.Э. Баумана

Аннотация:

Исследуются и реализуются принципы построения систем поддержки принятия проектных решений на основе совместного использования информационных технологий: нейронных сетей, нечетких систем, методов эволюционного моделирования.

Principals of design project Decisions Support Systems on the base informational technologies using as neural networks, fuzzy systems, evolutionary modeling methods are researched and are realized.

Наиболее перспективным направлением в развитии мировой вычислительной техники является использовании идеологии распределенных вычислений. Распределенные вычислительные системы (РВС) являются технической основой для информатизации всего общества, формируя общее вычислительное пространство, объединяя в единую систему локальные и специализированные вычислительные сети, удаленные мультипроцессорные системы и связывая их с глобальной сетью Internet. Однако широкое внедрение идеологии распределенных вычислений связано с определенными трудностями. Проблема заключается в том, что качественное изменение содержания разработки РВС, вызванное повышением сложности и многофункциональности их применения, не обеспечивается средствами автоматической генерации и проверки принимаемых решений. Эта проблема обостряется также наличием дефицита опыта и знаний в области проектирования и использования РВС. Традиционно применяемые при проектировании ``жесткие'' математические модели и алгоритмы не являются полностью адекватными объекту и не позволяют в полной мере формализовать профессиональные знания лиц, принимающих решение. Во многих исследованиях, в основном зарубежных ученых, формируется направление "мягких вычислений" (soft computing) [1], сочетающее синергетический эффект вероятностных рассуждений, теории нечетких систем, теории нейронных систем и методов эволюционного моделирования. В рамках указанного направления могут быть решены новыми методами задачи выбора и оптимизации ресурсов разрабатываемой или модернизируемой РВС в условиях неполноты проектной информации.

При этом необходимо также отметить, что качество принимаемых проектных решений во многом определяется результатами начального этапа проектирования, на котором формируется структура разрабатываемого объекта и определяются основные его параметры. Для таких сложных технических систем как РВС, характерна иерархичность организационной структуры, большое число элементов и их взаимодействий, наличие прямой и обратной связи на всех уровнях, неполнота, недостоверность и неопределенность проектной информации. Создание такого рода систем относится к классу NP- полных задач, которые невозможно решать одними только математическими методами.

Учитывая сложность проектируемого объекта и принципиальную неустранимость неопределенности и нечеткости информации, имеющейся в распоряжении разработчика на начальном этапе проектирования, необходимым является анализ возможностей новых информационных технологий и реализация на их основе новых конструктивных механизмов, обеспечивающих поисковое проектирование РВС, т.е. направленный поиск оптимальных вариантов и обоснование принимаемых проектных решений. С этой целью необходимо создавать системы поддержки принятия решений (СППР), которые позволяют формализовать опыт проектировщиков, использующих традиционные технологии, и, учитывая возможности новых информационных технологий, могут помочь принять рациональное проектное решение. Создание СППР, в свою очередь, является сложной задачей, и для ее решения необходимо рассмотреть использующиеся на практике методы.

Результаты сравнительного анализа возможностей методов исследования сложных объектов, которые могут быть положены в основу построения систем поддержки принятия решений для анализа и проектирования РВС (ВСППР), представлены в табл. 1. Анализ этой таблицы показывает, что и хорошо зарекомендовавшие себя на практике методы (МГУА, классический регрессионный анализ, методы на основе нечеткой логики), так и сравнительно новые методы (на основе нейронных сетей, генетических алгоритмов) обладают рядом достоинств и недостатков. При решении определенных задач проектирования недостатки отдельных методов могут быть скомпенсированы достоинствами других методов. Например, недостаток нейронных сетей - отсутствие объяснительного компонента (невозможность определения логики получения того или иного решения) - может быть компенсирован достоинством экспертной системы продукционного типа, в которой полученные знания представляются в виде легко понимаемых человеком конструкций "IF - THEN".

Поскольку различные информационные технологии, используемые в исследовании сложных объектов, дополняют друг друга, целесообразно их объединение в единую систему для более обоснованного принятия решений. С целью определения архитектуры системы поддержки принятия решений начального этапа проектирования распределенных вычислительных систем (ВСППР) выделим основные процедуры, свойственные указанному этапу:

-
сбор необходимых данных для решения задачи (формализация опыта и знаний проектировщика в соответствующих форматах баз знаний, т.е. выбор способа кодирования входной и выходной информации, предварительная обработка данных, подбор стандартов и профилей, определение спецификаций, нормативно-справочной информации (НСИ) и т.д.) и их классификация;

-
выбор способа автоматического формирования модели структуры начального варианта РВС, исходя из ТЗ, специфики задачи, степени полноты имеющейся информации, степени квалификации проектировщика;

-
генерация одного или нескольких альтернативных вариантов;

-
оценка и ранжирование вариантов;

-
выбор рационального варианта;

-
проведение параметрического синтеза (оптимизация);

-
сравнения полученных результатов с ТЗ, и, если необходимо, корректировка модели.


Table 1: Результаты сравнительного анализа методов исследования сложных объектов
Метод Достоинства Недостатки
Нейронные

сети (НС)

 1. Высокая точность прогноза.

2. Адаптация к решаемой задаче.

3. Стандартные решения нестандартных задач.

4. Вместо программирования - обучение.

5. Извлечение знаний из данных (реализация логики открытия).

6. Возможность быстрой корректировки прогноза при получении новых данных.

7. Высокая эффективность программного обеспечения на параллельных ЭВМ.

 1. Отсутствие объяснительной компоненты.

2. Большое время обучения.

3. Трудность формирования топологии сети.

4. Использование коннекционистского подхода к формализации НС.

5. Необходимость достаточной представительности обучающей выборки.

6. Эвристичность параметров алгоритмов обучения различных типов НС.
Метод группового учета аргументов (МГУА) 1. Высокая точность прогноза.

2. Сведение к минимуму влияния субъективных факторов при построении модели.

3. Низкая стоимость модели.

4. Небольшой объем эмпирической информации.

5. Реализация логики ``открытия''.

6. Возможность корректировки прогноза при получении новых фактов.

 1. Полное отсутствие объяснительной функции.

2. Низкое качество формирования интуиции пользователя.

3. Невозможность построения модели для случайного и псевдослучайного поведения объектов.

4. Эвристичность некоторых процедур самоорганизации.
Эволюционное моделирование (генетические алгоритмы) 1. Простота кодирования входной и выходной информации.

2. Быстрая сходимость алгоритма при решении задач оптимизации (значительное снижение комбинаторной сложности при поиске оптимального решения)

3. Некритичность к виду параметров исследуемых систем (возможность использования экспертной, эмпирической, справочной и пр. информации об объекте).

4. Возможность быстрой корректировки получаемых решений.

5. Высокие адаптационные свойства при решении сложных проблем.

 1. Возможность получения неоднозначного результата за счет использования механизма случайности при генерации новых решений.

2. Высокая зависимость качества принимаемого решения от способа реализации генетических операторов и стратегии поиска экстремума.

3. Невысокая точность получаемых результатов.


Table 1: Продолжение
Метод Достоинства Недостатки
Регрессионный анализ 1. Простота вычислительных алгоритмов.

2. Наглядность и интерпретируемость результатов (для линейной модели).

 1. Невысокая точность прогноза (в основном - интерполяция данных).

2. Частое нарушение основных предпосылок корректности метода.

3. Субъективный характер выбора вида конкретной зависимости (формальная подгонка модели под эмпирический материал).

4. Отсутствие объяснительной функции (невозможность объяснения причинно-следственной связи).

Приведенная последовательность шагов процедуры проектирования РВС на начальном этапе повторяется до тех пор, пока не будет получен приемлемый результат с точки зрения задаваемого показателя качества.

Исследования взаимосвязи между требованиями к технологии проектирования ВСППР, процедурами проектирования и составляющими программного обеспечения


Table 2: Реализация принципов построения ВСППР
Требования к технологии реализации ВСППР Процедура поддержки принятия решения в ВСППР Составляющие программного обеспечения ВСППР
1. Иерархический подход

1. ООП

1. Интеллектуальный анализ данных

1. Многоцелевое использование и интеграция моделей

1. Использование новых информационных технологий для принятия решений

 А. Формализация знаний предметной области: сбор и осмысление имеющейся информации (опыт, результаты экспертизы), стандарты, НСИ и т. д.(1, 2, 3, 4)

Б. Выбор способа генерации альтернативных вариантов (3)

В. Генерация возможных решений (3, 4, 5)

Г. Моделирование альтернативных вариантов решений (1, 2, 3, 4, 5)

Д. Оценка решений (5)

Е. Выбор рациональных решений (3, 4, 5)

Ж. Оптимизация (3,4,5)

 I. Интеллектуальный пользовательский интерфейс (1, 2, 5/А, Б, В, Г, Д, Е,Ж)

II. Подсистема поддержки и ведения баз знаний и данных (1,2, 5/ A)

III. Подсистема генерации решений на основе нейросети и нечеткой логики (2, 3, 4, 5, 6/ В)

IV. Подсистема генерации решений на основе нейросети (2, 3, 4, 5, 6/ В)

V. Подсистема моделирования альтернативных вариантов (2, 3, 5/Г)

VI. Подсистема оценки параметров моделей с использованием регрессионного и дисперсионного анализа (1, 2, 3, 5/ Д)

VII. Подсистема оптимизации (2, 3, 4, 5, 6/Ж)

ВСППР (без учета типа используемой операционной системы, CУБД, трансляторов, базового программного обеспечения и т.д. ) отражены в табл.2. Цифры во втором и третьем столбцах таблицы идентифицируют соответствующие требования к технологии ВСППР, а буквы в третьем столбце - на какой фазе процедуры проектирования может быть использована соответствующая составляющая программного обеспечения.

Наряду с установившимися требованиями к системам поддержки принятия решений, такими как иерархический подход, объектно-ориентированное программирование и проектирование или наличие интеллектуального пользовательского интерфейса в составе программного обеспечения ВСППР, выделяются специальные требования. К ним относятся: интеллектуальный анализ данных (добыча знаний из данных или data base mining), многоцелевое использование и интеграция моделей принятия решений в составе ВСППР, а также применение новых информационных технологий - нейронных сетей и генетических алгоритмов, которые позволяют по-новому решать традиционные задачи в СППР.

На основе анализа современных требований к технологии создания ВСППР с учетом организации процедур проектирования РВС разработана система программного обеспечения для поддержки принятия решений ВСППР.

ВСППР состоит из четырех основных подсистем: статической подсистемы поддержки и ведения баз знаний и данных (ППЗ); динамической подсистемы генерации решений (ПГР); подсистемы анализа и оценки решений (ПАО); подсистемы управления (ПУ).

ППЗ осуществляет поддержку и ведение баз данных и знаний, поиск необходимой информации на основе запроса на разработанном для этих целей ограниченном естественном языке (ОЕЯ- языке), обеспечение данными систем генерации решений, хранение промежуточных и конечных результатов проектирования.

ПГР производит генерацию альтернативных вариантов решений: выбор конкретного алгоритма генерации зависит от имеющейся у разработчика информации, степени проработанности проблемы, наличия опыта решения подобных задач. Генерация выполняется в двух режимах:

-
автономное использование нейросетевых моделей (многослойного персептрона, сети Кохонена и др.), моделей нечеткой логики (нечеткий вывод по Мамдани, на основе схемы Шортлифа и др.), эволюционных моделей на основе создаваемого Конструктором генетического алгоритма с различными генетическими операторами и стратегией поиска оптимального решения;

-
совместное использование перечисленных моделей в виде комбинированных моделей, в которых реализованы либо нейросетевые элементы нечеткого вывода, либо введена нечеткость в нейросетевые модели с целью повышения достоверности получаемых результатов и сокращения времени исследования.

В данной подсистеме генетический алгоритм, кроме функций генерации, выполняет также функции оптимизации нейросетевых и нечетких моделей, генерирующих решения: например, осуществляет выбор оптимальной топологии нейронной сети для уменьшения времени обучения и повышения качества распознавания; редукцию и настройку базы нечетких правил на решаемую задачу и т.д.;

ПАО осуществляет имитационное моделирование альтернативных вариантов, с помощью методов планирования экспериментов организует направленные эксперименты с целью оптимизации параметров проектируемого объекта и сокращения времени его исследования. Оценка и выбор рационального варианта производится на основе дисперсионного и регрессионного анализа результатов имитационных экспериментов.

ПУ по существу представляет собой интерфейс пользователя, который запускает основные компоненты ВСППР с целью получения рационального проекта. После загрузки необходимых файлов работа каждой компоненты производится в автоматическом режиме. Система построена в целом как проблемно-ориентированная ВСППР и позволяет обеспечивать поддержку принятия решений для различных моделей РВС (с этой целью разработана библиотека основных моделей РВС). Каждая подсистема имеет модульную структуру, позволяющую для решения определенной проблемы, возникающей при проектировании, выбрать наилучший алгоритм, при этом один и тот же алгоритм можно использовать для решения нескольких проблем, т.е. в ВСППР реализованы принципы многоцелевого использования программ и интеграции моделей для повышения эффективности принимаемых решений.


Литература

1
Zadehn L.A. Fuzzy logic, neural network and soft computing. // Communications of the ACM, 37, 3, 1994, 77-84.

Примечание

... популяций 1
Работа поддержана НАТО, грант OUTR.CLG 970357

Ваши комментарии
[SBRAS]
[Головная страница]
[Конференции]
[СО РАН]

© 2001, Сибирское отделение Российской академии наук, Новосибирск
© 2001, Объединенный институт информатики СО РАН, Новосибирск
© 2001, Институт вычислительных технологий СО РАН, Новосибирск
© 2001, Институт систем информатики СО РАН, Новосибирск
© 2001, Институт математики СО РАН, Новосибирск
© 2001, Институт цитологии и генетики СО РАН, Новосибирск
© 2001, Институт вычислительной математики и математической геофизики СО РАН, Новосибирск
© 2001, Новосибирский государственный университет
Дата последней модификации Thursday, 13-Sep-2001 15:18:47 NOVST