Предметно-ориентированные сервисы квантово-механических расчетов и моделирования наноразмерных систем, материалов и устройств на их основе, представлены программными компонентами, которые размещаются на различных суперкомпьютерах; при этом никакие связи между компонентами в рамках одного суперкомпьютера не устанавливаются. При запуске на своем суперкомпьютере каждый из программных компонентов допускает внутреннее (функциональное) распараллеливание в соответствии с заложенным в нем алгоритмом и доступными ресурсами суперкомпьютера. Подготовка и передача входных данных, запуск пакетов и сбор результатов осуществляются централизованно, на основе команд, поступающих с управляющего ядра комплекса. Следует отметить, что суперкомпьютеры и работающие на них программные компоненты могут функционировать под различными операционными системами и иметь различные системы управления; их объединение выполняется посредством кроссплатформенной управляющей оболочки (платформы исполнения). Она осуществляет управление и мониторинг текущего состояния суперкомпьютеров, исполняемых на них задач, а также общей коммуникационной сети, обеспечивающей функционирование гиперкластера в целом.

Стратегия управления (правила взаимодействия сервисов) формируется управляющим ядром комплекса, как набором сервисов, установленных на отдельном управляющем сервере. Основой ядра является главный управляющий сервис (компонент управления параллельным исполнением). Управляющий сервис, используя информацию о текущих заданиях, знания (в форме параметрических моделей) об их производительности и результаты мониторинга состояния целевых систем, осуществляет планировку совместного исполнения цепочки задач наиболее эффективно по пользовательским критериям (времени выполнения, стоимости, надежности и пр.). Управляющий сервис является, по сути, генератором команд и централизующим звеном для остальных сервисов, заменяя, таким образом, традиционную сервисную шину (что необходимо для достижения наибольшей производительности комплекса).

Доступ пользователей к возможностям комплекса осуществляется через графический интерфейс, который, по сути, является «толстым клиентом» для управляющего ядра. Пользователь имеет возможность в привычном оконном интерфейсе формулировать задачу на языке предметной области (получая при необходимости интерактивную справку), подготавливает и вводит файлы данных, дает команду на выполнение задания, осуществляет мониторинг выполнения. По окончании вычислений пользователь может получить требуемые ему результаты расчетов, а также визуализировать их посредством инструментария, установленного на его клиентском компьютере. Данные вычислений доступны постфактум; в реальном времени передачи данных и визуализации расчетов не производится в силу (а) несоответствия физических масштабов реальному времени вычислений и (б) разнородности применяемых пакетов без возможностей их полной унификации.

Пользователь может взаимодействовать с комплексом в трех режимах работы. Мануальный режим позволяет пользователю через графический клиентский интерфейс готовить данные и удаленно запускать конкретный программный компонент из доступных в комплексе. При этом пользователь должен быть достаточно квалифицирован в области возможностей и форматов данных выбранного им пакета. Автоматический режим (режим экспертной системы), напротив, дает возможность пользователю, проходя интервью в терминах предметной области, выбрать наиболее подходящие для его задач программные компоненты, корректно подготовить данные и описать последовательность запусков. Полуавтоматический режим (режим сценариев) дает возможность пользователю выбрать уже готовый сценарий сопряжения компонентов для расчета тех или иных физических характеристик. Автоматический и полуавтоматический режимы реализуются посредством компонента интеллектуальной поддержки пользователя, также установленном как сервис на управляющем сервере.

Программный комплекс HPC-NASIS представляет собой, таким образом, полнофункциональную распределенную проблемно-ориентированную среду, в данном случае – предназначенную для решения задач нанотехнологий. Однако специфика применяемого подхода состоит в том, что он может быть достаточно эффективно адаптирован для других предметных областей при наличии необходимого семейства предметных сервисов и базы знаний по их использовании. Подробнее материалы проекта изложены в работах [100,101].

1.3.4. Опыт участия в европейских проектах FP-6

Международный научный задел коллектива разработчиков обусловлен, в первую очередь, выполнением двух Европейских проектов 6-й рамочной программы (FP-6): TS3T5-CT-031489 (HANDLING WAVES) – «Управление волнами. Система поддержки принятия решений для управления судами в условиях штормовой погоды» [3] и INFSO-IST-027446 (VIROLAB) – «Создание виртуальной лаборатории в целях поддержки принятия решений при лечении вирусных заболеваний» [139]. Оба проекта ставили своей целью создание специализированных интеллектуальных систем, использующих технологии распределенных вычислений; при этом HADLING WAVES непосредственно относится к предметной тематике проекта (хотя рассматривает бортовую управляющую систему для судна), в то время, как VIROLAB больше касается инфраструктурных решений.

Таким образом, проведенный анализ показал, что в настоящее время у коллектива разработчиков наличествует вся необходимая инфраструктурная и технологическая база для создания интеллектуальных систем поддержки принятия решений в различных предметных областях, которая может быть применена для выполнения данного проекта.

2. Выбор и обоснование оптимального варианта направления исследований

В данном разделе, исходя из аналитического обзора пунктов 1.1.1 и 1.1.2, учитывая опыт коллектива разработчиков (пункт 1.1.3), обосновывается выбор направления исследований, для реализации которого приводится обобщенный план выполнения основных работ по проекту.

Анализ общего состояния проблемной области, проведенный в разделах 1.1.1-1.1.3, позволяет говорить о целесообразности проведения поисковых научных исследований в целях развития базовых принципов, методической и алгоритмической базы, а также высокопроизводительного математического и программного обеспечения для интеллектуальной поддержки процессов исследовательского проектирования судов и технических средств освоения океана в условиях неопределенности и неполноты исходной информации. Данная работа носит междисциплинарный характер: ее выполнение подразумевает симбиотическое использование априорных знаний предметной области (теории корабля и проектирования судов) в совокупности с современными компьютерными технологиями (высокопроизводительных вычислений и искусственного интеллекта).

Как следует из раздела 1.1.1, обеспечение интеллектуальной поддержки исследовательского проектирования требует применения современного логического подхода, основанного на новых принципах и парадигмах искусственного интеллекта: комплексных онтологиях, принципе конкуренции, парадигме мягких вычислений [2]. Эти принципы в совокупности позволяют формировать динамические базы знаний, которые строятся, используя средства компьютерного (имитационного) моделирования динамики морских объектов при различных сценариях внешних воздействий. Практическая реализация такого подхода требует решения следующих задач:

·  Разработка концепции интеллектуальной поддержки процессов исследовательского проектирования судов и технических средств освоения океана на основе развернутого анализа состояния дел в заданной предметной области.

·  Разработка комплексной онтологии на основе действующих норм и правил классификационных обществ и ее реализация в форме динамической базы знаний, используя технологии компьютерного моделирования динамики морских объектов и сооружений при различных сценариях внешних воздействий.

·  Разработка процедурной составляющей: адаптация методов и моделей описания сложной нелинейной динамики морских объектов в целях исследовательского проектирования, исходя из специфики современных представлений об изменчивости внешних воздействий и достижений нелинейной корабельной гидродинамики.

·  Разработка экспериментального образца системы интеллектуальной поддержки исследовательского проектирования как отдельного программного сервиса, допускающего сопряжение с существующими системами технологического проектирования в судостроении в рамках концепции SaaS (Software as a Service).

·  Экспериментальные исследования функциональных характеристик образца и демонстрация его работоспособности применительно к решению характерных задач исследовательского проектирования судов и технических средств освоения океана. Учитывая универсальность применяемого подхода, с одной стороны, и широту возможных приложений, с другой, в рамках данного проекта предполагается ограничиться следующими вариантами использования:

- исследование динамики судна в нестандартных (нештатных и экстремальных) ситуациях;

- оценка безопасности судна при воздействии экстремальных волн (разрушающееся волнение, волны-убийцы);

- оценка и прогноз динамики аварийного судна на нерегулярном волнении в условиях прогрессирующего затопления;

- оценка и прогноз безопасности судна в условиях интенсивного обледенения с использованием стратегии «генерация – проверка».

Оптимальность данного варианта построения исследований будет определяться тем, что в процессе разработки совокупно внедряется ряд прогрессивных наукоемких решений, полученных усилиями специалистов в области теории корабля, проектирования судов, гидрометеорологии и компьютерных технологий (высокопроизводительных вычислений и искусственного интеллекта), в настоящее время работающих над данным проектом. К ним относятся:

·  Ориентация на набор различной сложности имитационных моделей динамики судов и объектов океанотехники под воздействием ветра, морского волнения и течений [102] (спектральные линеаризованные модели, модели в виде уравнений движения с параметрическими связями, двух - и трехмерные гидродинамические модели) – см. раздел 1.1.3. Состыковка моделей различных уровней сложности, включая использование аналитического инструментария исследования упрощенных моделей, позволит существенно облегчить не только понимание, но и решение многопараметрических задач динамики судна в экстремальных условиях эксплуатации, что обеспечит получение новых знаний для поддержки процесса исследовательского проектирование.

·  Использование современных подходов к получению и параметризации входных воздействий (комплексов гидрометеорологической информации) для выполнения имитационного моделирования динамики судов и объектов океанотехники [25].

·  Применение симбиотических технологий искусственного интеллекта, основанных на аппарате комплексных онтологий, принципе конкуренции и парадигме мягких вычислений, что позволяет не ограничиваться только статическими базами знаний (на основе правил классификационных обществ), но осуществлять процесс интеллектуальной поддержки на основе динамической базы знаний, формируемой путем имитационного моделирования динамики объекта в неблагоприятных условиях внешней среды [2].

·  Ориентация на прогрессивную концепцию iPSE, развитую ранее коллективом разработчиков данного проекта [101], что позволяет формализовать в программном комплексе не только математические модели, методы и алгоритмы, но и саму логику организации научных знаний в области моделирования динамики судов на морском волнении (тем самым, согласуя архитектуру системы с задачей обеспечения интеллектуальной поддержки процесса проектирования). Это позволяет на логическом уровне интегрировать в систему различные программные компоненты, отвечающие за решение одной и той же прикладной задачи, интерпретируя получаемые ими результаты как альтернативы в процессе принятия решений.

·  Использование парадигмы SaaS (Software as a Service) для интеграции вычислительных компонентов ИС, что обеспечивает не только возможность использования уже ранее разработанных программных решений, но и их гибкой модификации и дополнения в процессе всего жизненного цикла программного комплекса. В частности, это позволит интегрировать в одном комплексе как программные модули, разработанные непосредственно в рамках данного проекта, так и программные модули сторонних разработчиков, например [3].

·  Реализация нового подхода интеллектуального управления вычислительными сервисами в распределенной среде с динамически меняющейся топологией, что существенно повышает эффективность использования вычислительных ресурсов по сравнению с традиционными (статическими) подходами к организации высокопроизводительных вычислений [92].

Совместное (синтетическое) использование перечисленных выше подходов из различных областей знания является, по-видимому, пионерским, что обеспечивает высокий конкурентный потенциал объекта разработки.

Для разработки и испытаний экспериментального образца программного комплекса предполагается совокупно задействовать вычислительный парк НИИ Наукоемких компьютерных технологий СПбГУ ИТМО – гиперкластер общей производительностью 7 ТФлопс. Гиперкластер включает в себя вычислительные узлы различных архитектур (традиционные кластеры, кластеры на основе GPGPU Nvidia, узлы с процессорами Cell), что дает возможность для эффективного реализации принципа конкуренции, подбирая архитектуру исполнения конкретных моделей (и реализующих их программных компонентов) в соответствии с их естественными особенностями распараллеливания. При этом сам экспериментальный образец комплекса предполагается использовать в рамках модели ASP (Application Service Provider), т. е. в дальнейшем развернув его на инфраструктуре СПбГУ ИТМО, предоставляя внешним пользователям доступ по сети Интернет через Web-интерфейс. Это снимает с пользователя необходимость поддержки собственных высокопроизводительных ресурсов и обеспечивает возможность гибкого подключения практически ко всем современным системам автоматизированного проектирования, поддерживающим концепцию SOA.

В ходе выполнения проекта планируется получить следующие результаты:

·  Концепция интеллектуальной поддержки процессов исследовательского проектирования судов и технических средств освоения океана в условиях неопределенности и неполноты исходной информации.

·  База знаний, формализующая комплексную онтологию, описывающую предметную область, определяющую процесс исследовательского проектирования (в рамках проекта она ограничена задачами динамики судов и объектов океанотехники под воздействием ветра, волнения и течений).

·  Комплекс имитационных моделей, адаптированных к условиям применения в проекте, описывающих внешние воздействия (характеристики ветра, волнения и течений) и их влияние на динамику судов и объектов океанотехники, в трех приближениях: спектральные линеаризованные модели, модели на основе уравнений движения, полные потенциальные модели корабельной гидродинамики.

·  Экспериментальный образец программной системы интеллектуальной поддержки процесса проектирования.

·  Отчет о маркетинговых исследованиях и программа внедрения в производство.

·  Комплект учебно-методической документации и программа внедрения результатов исследований в образовательный процесс.

Детальная проработка очерченного направления исследований должна быть выполнена на соответствующих этапах выполнения проекта.

3. План проведения экспериментальных и теоретических исследований

Выполнение исследований в рамках данного проекта предполагается в шесть этапов. Первый этап посвящен постановочным исследованиям, которые определяют собственно концепцию, обусловленную ей общую архитектуру ИС, основные механизмы, обеспечивающие ее функционирование, и требования к технологиям разработки. На втором этапе разрабатываются основные механизмы интеллектуальной и процедурной составляющих. На третьем и четвертом этапах разрабатывается (проектируется и кодируется) собственно программная система; на пятом и шестом этапах выполняются работы, связанные с ее испытаниями, доводкой и внедрением (коммерциализацией).

В ходе проекта будут выполнены следующие работы (по этапам):

1) Обоснование направления исследований и постановочные теоретические исследования (I полугодие 2010 года)

·  Детальный аналитический обзор в области интеллектуальных технологий (а) в техническом проектировании и (б) в технологиях проектирования судов и объектов океанотехники.

·  Анализ нормативно-правовой базы (включая требования классификационных обществ), связанной с обеспечением процесса проектирования судов.

·  Обобщение существующего опыта коллектива и его позиционирование относительно мирового опыта и опыта организаций – соисполнителей по смежным проектам (включая международные контакты).

·  Обоснование направления исследований и разработка детального плана научных исследований.

·  Разработка концепции интеллектуальной поддержки процесса исследовательского проектирования в судостроении в условиях неполноты и неопределенности информации.

·  Выполнение патентных исследований.

·  Подготовка отчетной документации за этап.

Содержательный результат работ – аналитический обзор состояния дел и концепция интеллектуальной поддержки процессов исследовательского проектирования судов и технических средств освоения океана (представляется в форме научно-технического отчета)

2) Теоретические исследования: адаптация и обоснование базовых методов и технологий (II полугодие 2010 г.)

·  Разработка и формализация комплексной онтологии проектных ситуаций (на примере задач динамики корабля в экстремальных условиях)

·  Разработка архитектуры и детализация структуры динамической базы знаний, реализующей комплексную онтологию

·  Определение номенклатуры и формализация представления входной гидрометеорологической информации для реализации проектных сценариев

·  Разработка и унификация алгоритмов стохастического моделирования воздействий внешней среды (ветер, волны, течения, обледенение)

·  Разработка и унификация моделей расчета динамики судна в условиях внешних нерегулярных возмущений.

·  Подготовка отчетной документации за этап.

Содержательный результат работ: база знаний, формализующая комплексную онтологию, описывающую предметную область, определяющую процесс исследовательского проектирования, а также комплекс имитационных моделей, адаптированных к условиям применения в проекте, описывающих внешние воздействия и их влияние на динамику судов и объектов океанотехники (представляется в форме научно-технического отчета).

3) Теоретические исследования: разработка архитектуры программной системы (I полугодие 2011 г.)

·  Разработка высокоуровневой архитектуры программной системы в рамках концепции iPSE.

·  Проектирование подсистемы – репозитория сервисов имитационного моделирования.

·  Проектирование подсистемы управления вычислительными сервисами.

·  Проектирование подсистемы управления знаниями и данными.

·  Проектирование подсистемы человеко-компьютерного взаимодействия.

·  Подготовка отчетной документации за этап.

Содержательный результат работ: детализированная архитектура программной системы ИС поддержки исследовательского проектирования, включая основные подсистемы (представляется в форме технического проекта).

4) Экспериментальные исследования: программная реализация и развертывание программной системы (II полугодие 2011 г.)

·  Разработка и тестирование компонентов подсистемы – репозитория сервисов имитационного моделирования.

·  Разработка и тестирование компонентов подсистемы управления вычислительными сервисами.

·  Разработка и тестирование компонентов управления знаниями и данными.

·  Разработка и тестирование компонентов человеко-компьютерного взаимодействия.

·  Развертывание и интеграция подсистем на вычислительном гиперкластере СПбГУ ИТМО.

·  Разработка комплекта программной документации.

·  Подготовка отчетной документации за этап.

Содержательный результат работ: экспериментальный образец программной системы интеллектуальной поддержки процесса проектирования, развернутый на экспериментальном стенде, и соответствующий ему комплект программной документации в соответствии с ЕСПД.

5) Экспериментальные исследования: выполнение экспериментальных расчетов (I полугодие 2012 г.)

·  Подготовка тестовых заданий (на примере реальных морских объектов).

·  Выполнение экспериментальных расчетов.

·  Интерпретация и анализ результатов экспериментальных расчетов

·  Экспериментальные исследования функциональных характеристик программной системы интеллектуальной поддержки.

·  Экспериментальные исследования характеристик производительности программной системы интеллектуальной поддержки.

·  Корректировка комплекта программной документации.

·  Подготовка отчетной документации за этап.

Содержательный результат работ: обновленный экспериментальный образец программной системы интеллектуальной поддержки процесса проектирования, обновленная программная документация, набор демонстрационных расчетов (методика, протоколы), показывающих работоспособность разработанной ИС на реальных примерах.

6) Обобщение результатов исследований (II полугодие 2012 г.)

·  Анализ и обобщение результатов работ.

·  Экспериментальное внедрение в учебный процесс (в форме интеллектуального инструктора).

·  Выполнение патентных исследований.

·  Проведение маркетинговых исследований.

·  Разработка программы внедрения.

·  Регистрация объектов интеллектуальной собственности, реализованных в ходе проекта.

·  Подготовка отчетной документации по проекту в целом.

Содержательный результат работ (по этапу и в целом по проекту) соответствует описанию результатов, представленному в разделе 4.

4. Экспериментальные и теоретические исследования 1 этапа

Концепция интеллектуальной поддержки исследовательского проектирования, анонсируемая в проекте, предусматривает реализацию подхода к обработке информации с помощью теоретических принципов, развивающих концепцию мягких вычислений – принципа конкуренции и принципа формализации нечеткой информации с помощью суперкомпьютерных технологий. Парадигма формализации знаний в системе интеллектуальной поддержки определяет использование методов имитационного моделирования, трехмерной компьютерной графики (особенно когнитивной графики) и средств виртуальной реальности. Помимо этого, в составе концепции рассматриваются вопросы организации человеко-компьютерного взаимодействия в системе, формализация архитектуры ИС как программной системы, а также особенности процедурной компоненты, реализующей использование конкретных методов и моделей предметной области для обеспечения процессов поддержки принятия решений в области исследовательского проектирования.

4.1. Концептуальная модель интеллектуальной системы поддержки исследовательского проектирования

Концептуальная модель ИС поддержки исследовательского проектирования содержит в своей основе четыре базовых принципа, в целом характерных для современных интеллектуальных систем, независимо от предметной области:

·  Интеграция знаний. Главная проблема интеграции знаний – разработка методологии объединения различных типов моделей с целью получения лучшего формализованного описания предметной области. Проблема интеграции знаний тесно связана с концепцией «мягких вычислений», сочетающей вероятностные рассуждения, теорию нечетких систем, теорию искусственных нейронных сетей (ИНС) и эволюционное моделирование. Синергетический эффект такой интеграции составляет научную основу для глубинной интеграции знаний сложных ИС. Инструментом исследования слабоструктурированных систем при решении проблемы интеграции знаний является когнитивная структуризация. Она способствует лучшему пониманию исследуемых проблем, выявлению противоречий и качественному анализу системы знаний.

·  Параллельная обработка информации. Парадигма параллельных вычислений при обработке информации и реализации механизма логического вывода предусматривает использование различных моделей приближенных вычислений. Взаимодействие правил в системе знаний является фундаментальным понятием при использовании параллельной обработки информации. Параллельная активация правил допустима при их взаимной независимости. Одновременное выполнение зависимых правил может привести к их интерференции. Исключение интерференции ведется на стадии компиляции, разбиения всего множества правил на независимые подмножества. Для осуществления механизма логического вывода разрабатываются быстродействующие алгоритмы, сводящие задачу полного перебора к серии подзадач в рамках формальных процедур анализа и интерпретации данных.

·  Когнитивная визуализация в процессе человеко-компьютерного взаимодействия. Моделирование и интерпретация моделей – основное средство и инструмент анализа сложных процессов в ИС поддержки исследовательского проектирования. Отображение динамики ситуации в графическом режиме осуществляется с помощью совокупности интерактивных программных средств, реализующих диалоговое взаимодействие конструктора с ИС. Динамическая модель работает совместно с графическим интерфейсом, обеспечивающим наглядное отображение процесса развития ситуации, индикацию внешних воздействий и оперативного изменения управляющих сигналов. Эффективная реализация алгоритмов отображения динамических сцен на суперкомпьютерных системах связана с обеспечением жестких требований к архитектуре компьютера и системе обмена данными. Современные информационные технологии организации аппаратных средств обеспечивают реализацию вычислительных систем, позволяющих изменять свою конфигурацию в процессе функционирования. «Подстраиваясь» под структуру решаемой задачи, такой режим использует программное управление коммутацией на основе архитектур вычислительных систем реального времени.

·  Адаптивность процедурной компоненты ИС. Одна из особенностей реализуемой ИС – возможность адаптации используемых моделей к изменяющимся условиям решения задачи. Организация адаптивной компоненты предполагает наличие функциональных подпрограмм, обеспечивающих управление и адаптацию (с идентификацией параметров проектируемого объекта), а также функции селекции оценок параметров на основании процедур принятия решений, близких к процедурам самообучения для формирования вектора притяжения. Возможность принятия решений с последующим изменением своего поведения на базе адаптивных алгоритмов, самообучение и контроль свой работоспособности – стандартные операции, определяемые концепцией разработки ИС поддержки принятия решений в нечеткой (неопределенной) среде.

Структурное описание задачи интеллектуальной поддержки процессов исследовательского проектирования. Сформулируем содержательную постановку задачи исследования в терминах теории множеств. Систему организации сложного интеллектуального комплекса представим в виде структуры [2,103]:

<S(F),S(M),S(W)>, (1)

где S(F) ={SF1,…, SFN} – совокупность функциональных подсистем; S(M) – структурная схема системы, включающая множество Set(S(M))=S={S1,…,SN} элементов SiÎS и имеющая собственную организацию Org(SM); S(W) – условия формирования целостной системы (цели функционирования, принципы и алгоритмы управления, качество результата решения задачи и эффективность).

Кортеж М <Si, R(Si) >, состоящий из множества SiÎS частей объекта и множества (k, i)–местных отношений r(Si) между ними в сигнатуре Ri(k, i), определим как модель этого объекта. Модели объекта M следует отличать от организации объекта S(M) – абстрактной категории, не зависящей от частей Mi и отношений r(Mi) между ними.

В рамках семиотического подхода [104] в структуре (1) можно выделить следующие элементы:

S=<M, R(M),F(M)Q(S) >, (2)

где M={Mi}, (i=1,…,n) – множество формальных или логико-лингвистических моделей, реализующих определенные интеллектуальные функции; R(M) – функция выбора необходимой модели (совокупности моделей) в текущей ситуации; F(M)={F(Mi)(i=1,…,n) – множество функций модификации моделей Мi; Q(S) – функция (множество функций) модификации системы ее базовых конструкций и компонент R(M),F(M).

Вывод решения на основе формальной модели Mi, (i=1,…,n) поддерживается правилами нечеткого вывода со структурой Х*·(Х®Y), где Х* и Х – нечеткие множества, описывающие состояние проблемной области (между Х* и Х определено нечеткое отношение сходства); Y – нечеткое множество допустимых воздействий; · – операция, определяющая композиции нечетких множеств [105, 106].

На рис. 1 представлена схема информационных потоков в системе, реализующая технологию интеллектуальной поддержки исследовательского проектирования, формально представимую в виде (1-2). Описание функций отдельных блоков схемы приведено в подписи к рисунку. Представленная на рис. 1 система сочетает строгие формальные методы с эвристическими методами и моделями, базирующимися на знаниях экспертов, моделях рассуждений и имитационных моделях, неклассических логиках и накопленном опыте. Система включает ряд взаимодействующих между собой интеллектуальных модулей, выполняющих определенные функции в соответствии с общей стратегией функционирования системы. Помимо традиционных для интеллектуальных систем модулей, система содержит модули имитации, анализа и прогноза проблемной ситуации (моделирования), организации различных видов интерфейса. К интеллектуальным также относятся функции поиска решения на базе моделей и методов представления знаний.

Рис.1. Поток информации, реализующий технологию интеллектуальной поддержки исследовательского проектирования: ISC - Интегрированная подсистема управления проектированием и сетями; WDO - Подсистема организации обработки и хранения данных; SAI - Поиск и обеспечение доступа к информации; Q&S - Контроль качества и стандартизации; T&L - Тестирование и обучение; DSS - Принятие решений.

Системообразующие интеллектуальные технологии в ИС поддержки исследовательского проектирования. Концепция разработки интеллектуальной системы определяет использование ряда специфических интеллектуальных технологий: комплексных онтологий (ontology), извлечения данных (data mining) и мягких вычислений (soft comuting).

Термин «онтология» используется в современных работах по искусственному интеллекту [107-110] как аналог понятию модели в заданной предметной области. Он охватывает все необходимые знания, представленные в виде некоторой формальной теории или исчисления, и интерпретатор (машину вывода), необходимые для решения поставленных задач. Рассматривают несколько типов онтологий: онтологии предметных областей (domain ontology), онтологии классов задач (task ontology), онтологии приложений (application ontology), онтологии верхнего уровня (top-level ontology). Отдельным типом считаются онтологии методов решения проблем. Построение онтологии при формализации знаний сводится к выделению концептов (базовых понятий предметной области), построению связей между ними (определению соотношений и взаимодействий базовых понятий) и сравнению полученной онтологии с имеющимися (проведение параллелей с другими областями знаний). Дополнительное преимущество использования онтологии в ИС состоит в системном подходе к ее изучению. При использовании онтологии в процессе взаимодействия семантических сетей с представлениями эксперта сети перестраиваются, порождая в свою очередь новые знания. Следовательно, построение онтологии (выявление структуры, закономерностей и т. д.) является наиболее важным инструментом анализа при формализации знаний в сложных ИС, включая ИС поддержки исследовательского проектирования, рассматриваемую в данном проекте.

Сфера применения технологий Data mining (DM-технологий) в ИС определяется компьютерным анализом данных и знаний в открытых (т. е. не замкнутых и пополняемых новыми данными) предметных областях. DM-технологии связаны с необходимостью проведения операций с большими объемами информации и принятия решений (в том числе и в режиме реального времени), а также с необходимостью использования разнородных по своему характеру данных и разнотипных по своей природе средств их обработки. В основу современной технологии Data Mining (discovery-driven data mining) положена концепция шаблонов (паттернов), отражающих фрагменты многоаспектных взаимоотношений в данных. Эти шаблоны представляют собой закономерности, свойственные подвыборкам данных, которые могут быть компактно выражены в понятийной форме. Важное положение Data Mining — нетривиальность разыскиваемых шаблонов. Это означает, что найденные шаблоны должны отражать неочевидные, неожиданные (unexpected) регулярности в данных, составляющие так называемые скрытые знания (hidden knowledge). Концепция Data Mining находит приложение при управлении процессом диагностики и принятия решений, которые отличает сложный комплексный характер, отражающий взаимодействие большого количества разнородных процессов и подсистем, а также открытое множество возможных ситуаций на входе системы. Наиболее важными особенностями таких систем являются:

·  достаточно большие объемы данных, требующие обработки в режиме реального времени;

·  отсутствие строгой формальной модели принятия решений, определяющей принципы «управляемости» и «оптимизируемости» системы;

·  необходимость выделения определяющих параметров и функциональных зависимостей из множества их значений в различных ситуациях (при отсутствии исходной информации выдвигаются и верифицируются гипотезы о виде таких зависимостей).

Среди подходов и методов интеллектуального анализа данных (Data Mining and Knowledge Discovery) выделяют порождение деревьев решений, системы, основанные на правилах, статистический анализ, генетические алгоритмы, нейронные сети и визуализацию результатов (когнитивная компьютерная графика). Несмотря на обилие методов Data Mining, приоритет постепенно все более смещается в сторону логических алгоритмов поиска в данных if-then правил. С их помощью решаются задачи прогнозирования, классификации, распознавания образов, сегментации баз данных, извлечения из данных «скрытых» знаний, интерпретации данных, установления ассоциаций в базе данных и др. Результаты таких алгоритмов достаточно эффективны и легко интерпретируются.

Концепция мягких вычислений (soft computing), сформулированная в работе [111], служит теоретической основой разработки сложных систем интеллектуальной поддержки. Эта концепция определяет синергетический эффект теории нечетких систем, теории искусственных нейронных сетей (ИНС) и генетических алгоритмов (ГА) (рис. 2).

Рис.2. Иллюстративная схема концепции мягких вычислений

Теория нечетких систем обеспечивает формализацию структур знаний в условиях неопределенности и неполноты исходной информации. Причинно-следственные связи представляются в виде нечетких отношений R (функций отображения): Xn®Dk. Они составляют экстенсиональную базу данных, которая является частью базы знаний ИС. Нечеткое отношение определяет связь субъективных понятий входа Х и выхода Y системы и характеризуется подмножеством декартового произведения Х´Y:

R= ò(x, y)Î (X, Y) mR(x, y) |(x, y). (3)

Организация логического вывода осуществляется на основе правила композиции [105]:

B=A· R, mB(y) = maxx min(mA(x), mR(x, y

Нейронные сети представляют собой нелинейные системы, позволяющие решать сложные задачи анализа и интерпретации данных [112]. Формальный аппарат ИНС реализует в неявном виде однозначное отображение:

F(W): Q ®Y, (5)

где Q – множество возможных значений параметров, определяющее границы неопределенностей; W – множество значений аналитических весовых коэффициентов (синаптических связей); Y–множество значений функции выхода системы. Эффективная процедура обучения ИНС, обеспечивающая достаточно высокую сходимость алгоритма и решение проблемы глобальных экстремумов, может строиться на основе различных методов «error baсk propagation» и генетического алгоритма.

Генетические алгоритмы – оптимизационные процедуры, не использующие градиента и относящиеся к классу вероятностных [112, 113]. Они сочетают элементы стохастических и детерминистских подходов и позволяют решать комплексные задачи, включающие комбинаторную оптимизацию и реализацию высокоточных инженерно-технических задач.

Формальное описание генетического алгоритма дает зависимость:

GA = < P0, l, L, S, r, f, t >, (6)

где P0=(a10,…, al0) – исходная популяция; al0 – решение задачи, представленное в виде хромосомы; l - целое число (размер популяции); L – целое число (длина каждой хромосомы в популяции); S – оператор отбора; r - отображение, определяющее рекомбинацию (кроссовер, мутация); f – функция оптимальности; t – критерий остановки. Суть ГА заключается в имитации эволюционного процесса. Поиск решения осуществляется путем одновременного анализа нескольких ветвей эволюции. При этом «выживают» только наилучшие варианты решений. ГА эффективны при поиске глобальных экстремумов.

Принцип функционирования ИС поддержки исследовательского проектирования. Совокупное использование интеллектуальных технологий, перечисленных выше, позволяет организовать параллельную обработку информации в ИС на основе реализации т. н. принципа конкуренции [114]. Этот принцип позволяет осуществлять логический вывод в системе параллельно, используя модели предметной области на основе классического математического аппарата (например, в форме уравнений гидромеханики) и альтернативные модели в рамках концепции мягких вычислений. Полученные различными путями решения сопоставляются по ряду характеристик; построенное на их основе взвешенное решение может рассматриваться как субоптимальное. Одновременно с принципом конкуренции в ИС применяется принцип формализации нечетких знаний в многопроцессорной среде [115], используя механизмы параллельного логического вывода. Соответствующая схема приведена на рис. 3.

Рис.3. Организация параллельной обработки информации при функционировании ИС поддержки процессов исследовательского проектирования

4.2. Концептуальные модели человеко-компьютерного взаимодействия в интеллектуальной системе поддержки исследовательского проектирования

Разрабатываемая ИС поддержки исследовательского проектирования является интерактивной системой; при этом существенная доля интеллектуальных функций возложена именно на организацию эффективного процесса человеко-компьютерного взаимодействия. Процесс интеллектуальной поддержки представляется как циклическая последовательность операций, связанных с выработкой рекомендаций по использованию тех или иных решений в проекте (предъявление информации конструктору, ввод и анализ реакции конструктора) и определением значений выявленной совокупности признаков для рассматриваемой группы, анализ состояния процесса проектирования и выработка новых рекомендаций. Основу реализации модели интеллектуальной поддержки составляет база знаний, в которой содержится формализованное описание проблемной области и ее смысловые модели. Знания представлены правилами логического вывода, определяющими набор элементарных операций и специальных алгоритмов их обработки.

Информационная поддержка конструктора в ИС. Общая информационная модель управления (ИМУ) при интеллектуальной поддержке принятия проектных решений представляется как множество информационных моделей (ИМ), состоящих из отдельных заранее определенных информационных объектов (ИО). Адаптивная компонента, обеспечивающая функционирование системы интеллектуальной поддержки на базе ИМ, передает найденное системой решение конструктору и учитывает его функциональные обязанности, индивидуальные особенности и уровень профессионального мастерства [118].

Процесс прогнозирования информационных потребностей и информационной поддержки конструктора заключается в определении класса ситуации, формировании ИМУ и ее преобразовании в информационную модель с учетом особенностей конструктора. В процессе поиска наиболее близкого прототипа информационной поддержки производится упреждающая оценка эффективности и безопасности его использования (рис. 4).

Рис. 4. Факторы оценки эффективности информационной

поддержки конструктора.

Конструктор (проектант) должен получать только адекватную информацию. Такая информация, в первую очередь, должна отличаться свойствами пригодности и достижимым уровнем восприятия, т. е. соответствовать действительной информационной потребности конструктора и содержать заведомо пригодные и своевременные решения. Другая особенность адекватной информации состоит в том, что она должна удовлетворять требованиям достоверности и однозначности.

Степень соответствия между полученной от системы ИП и параметрами запроса (ситуации) определяет пригодность информации. Уровень пригодности kd определяется на основе интегрального показателя Эр – остаточной эффективности использования прецедента (прототипа). Достижимый уровень kq восприятия необходим для оценки информационной поддержки с точки зрения возможного объема ее восприятия за располагаемое время. Он показывает, в какой степени конструктор успеет удовлетворить свои информационные потребности, определенные показателями уровня пригодности.

В качестве критерия эффективности информационной поддержки используется степень предотвращения потенциального ущерба в возникшей ситуации. При построении этого критерия показатели, определяющие достоверность и однозначность непосредственно в момент поиска не являются управляемыми. Они определяются качеством разработки системы и хранимых в базе знаний прецедентов ситуаций. С учетом этих особенностей для систем интеллектуальной поддержки, можно записать:

Ei = maxq {kdq ×kq | kdq ³ min kdqn; kdin ³ kqid; t0£T0}, (7)

где i=1,…,n – возможные ситуации; q=1,…,f – возможные варианты информационной поддержки; min kdin– наименьшее значение показателя kd, относящееся к нерациональной информационной поддержке (наименьшее допустимое пригодное значение); t0=tIM+tB+td – время решения задачи; tIM – время формирования ИМ; tB – время восприятия информации; td – время принятия решения; T0 – располагаемое время для принятия решения. Для оценки эффективности информационной поддержки конструктора может быть использована универсальная лингвистическая шкала, которая предполагает разделение базовой переменной uÎU, принимающей следующие значения из универсального множества U= [–1 ,1]. Значение U=0 соответствует границе между полезной (безопасной) и вредной информацией.

Полезная (безопасная) поддержка конструктора определяется в соответствии с качеством управления, которое может быть обеспечено на основе представленной информации. Отрицательные по критерию безопасности значения определяются по степени неблагоприятной ситуации, которая может возникнуть при получении такой информации. Оценка отрицательных значений производится в соответствии с нормативными показателями и документами, принятыми в отечественной и международной практике.

На основе анализа имеющихся предложений можно использовать универсальную шкалу информационной поддержки (ИП), которая определяет следующие градации [118]:

Эффективная информационная поддержка – это процесс представления конструктору множества информационных объектов, который приводит к принятию оптимального решения с точки зрения предотвращения потенциального ущерба, либо решения, отличающегося от оптимального в практически допустимых пределах. Рациональная информационная поддержка – это такая ИП, которая приводит к принятию решения, которое не является эффективным, но дает приемлемые результаты. Нерациональная ИП – это поддержка, не являющаяся ни эффективной, ни рациональной, но обеспечивающая решение, находящееся в пределах допустимого риска увеличения ущерба по сравнению с потенциальным. К нерациональной будет относиться ИП, не устраняющая потенциального ущерба в рассматриваемой конфликтной ситуации. Недопустимая ИП – это информационная поддержка, приводящая к большему ущербу, чем потенциальный ущерб для ситуации сверх допустимого предела.

Рациональная или нерациональная ИП используются в ситуациях, когда более высокий показатель не может быть получен из-за недостатка времени или отсутствия соответствующей информации в базе знаний. Если в качестве нерациональной ИП выступают элементы готовых решений Эр, то они могут предоставляться оператору только в качестве рекомендаций. Недопустимая ИП оператору не предоставляется.

Рассмотренные выше модели и алгоритмы управления позволяют прогнозировать действительные информационные потребности конструктора и обеспечивать управление потоками проектной информации. В результате функционирования адаптивной компоненты оператору (конструктору) предоставляется информационная поддержка, в наибольшей степени удовлетворяющая потребности в сложившейся ситуации.

Взаимодействие конструктора с хранилищем знаний. На функциональном уровне на интеллект человека возложены функции самоорганизации, саморазвития, передачи и использования опыта. Для реализации этих функций в интеллекте человека формируется и используется специфическая система средств и активностей, среди которых принципиальное место занимает вопросно-ответная активность [119]. Ниже представляется ряд технических решений, в основе которых лежит вопросно-ответная активность интеллекта и ее моделирование. Решения ориентированы на применение в автоматизированном проектировании и нацелены на работу с опытом и его моделями с позиций их развития. Представленная на рис. 5 структура включают функции компьютерной поддержки вопросно-ответной активности, обеспечивающей концептуальную деятельность в группе конструкторов-проектировщиков.

Рис. 5. Вопросно-ответное взаимодействие конструктора в группе проектировщиков

Наиболее важные научно-практические результаты применительно к вопросно-ответным процессам, технологиям и системам (QА-проблема) получены при поиске релевантной информации в распределенных, мультимедийных и многоагентных средах, автоматизированном обучении в традиционном и дистанционном образовании, автоматизации проектирования, задачах поддержки принятия решений в различных областях приложений, например, [120]. Взаимодействие конструктора с накопленным опытом осуществляется в форме вопросно-ответных рассуждений (QA-рассуждения), регистрация которых приводит к вопросно-ответным протоколам (QA-протоколы) исполняемой работы, корректировке проектных решений и выработке новых практических рекомендаций.

Принцип самоорганизации при интеллектуальной поддержке конструктора. При функционировании системы интеллектуальной поддержки в условиях реального проектирования возникают различные ситуации, в том числе и нестандартные ситуации, характеризуемые состояниями zkÎZ, k=1…,nZ. В этих состояниях система оказывается неэффективной из-за внутренних сбоев или экстремальных внешних воздействий. Если при таком состоянии zk системы S существует хотя бы одна задача wmÎW, m=1,…,nW, которая не может быть корректно (правильно) разрешена на основе имеющихся операций обработки информации, то возникает конфликтная ситуация. При появлении конфликтной ситуации возможно наступление информационного конфликта, который характеризуется определенным сочетанием элементов внешней среды и собственных параметров системы [121].

В общем случае под информационным конфликтом в системе интеллектуальной поддержки конструктора понимается такое специфическое состояние нестандартной ситуации в едином информационном пространстве, при котором исключается возможность корректного выполнения хотя бы одной задачи системы в силу внешнего воздействия либо внутренних сбоев, ошибок или отказов аппаратного, программного или алгоритмического обеспечения системы. С целью разрешения информационного конфликта в системе S может быть использован специальной блок, содержащий компоненту обеспечения функции нелинейной самоорганизации [122] на базе синергетического подхода [123].

C формальной точки зрения, целью построения системы интеллектуальной поддержки проектных решений в нестандартных ситуациях на основе синергетического подхода, является достижение соответствующего желаемого состояния (аттрактора), обеспечивающего необходимое разрешение ситуации в рамках общей задачи проектирования. Формирование совокупности технических решений на основе синергетического синтеза состоит во введении притягивающих инвариантных многообразий, на которых наилучшим образом согласуются физические свойства объекта проектирования и требования задачи управления и принятия решений. Как следствие, система интеллектуальной поддержки конструктора должна реализовывать следующие функции нелинейной самоорганизации:

распознавать и прогнозировать нестандартные ситуации и факторы, приводящие к информационному конфликту, вырабатывать корректирующие воздействия путем изменения конфигурации (перенастройки) конфликтной ситуации, которое бы исключало возникновение информационного конфликта, вызываемого данным фактором. выдавать практические рекомендации по устранению причин, приводящих к возникновению нештатных ситуаций в работе системы.

Формализация понятий и знаний при реализации логического вывода в системе интеллектуальной поддержки конструктора достигается на основе концепции «мягких вычислений», интегрирующей теорию нечетких множеств, искусственные нейронные сети и генетические алгоритмы, рассмотренной в разделе 5.1.

4.3. Концептуальная архитектура программной оболочки интеллектуальной системы поддержки исследовательского проектирования

Технологическая реализация принципов и концепций, изложенная в разделе 5.1, требует использования технологий распределенных вычислений и систем в силу ориентации на параллельное исполнение ресурсоемких вычислительных задач. В рамках данного проекта программная архитектура ИС поддержки исследовательского проектирования рассматривается в рамках авторской концепции iPSE (см., например, [101]).

Из за большого объема этот материал размещен на нескольких страницах: 1 2 3 4