Многоуровневое интеллектуальное управление. Понятия: интеллектуальная система (ИнтС), интеллектуальная система управления (ИнтСУ) Виды неопределенностей при реализации интеллектуального управления

ТЕМА 13. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ

Новое поколение систем - интеллектуальные системы (ИС) - вызвало к жизни другие принципы организации компонентов систем, появились иные понятия, термины, блоки, не встречавшиеся ранее в разработках и, следовательно, в научной литературе.

Интеллектуальные системы способны синтезировать цель, принимать решение к действию, обеспечивать действие для достижения цели, прогнозировать значения параметров результата действия и сопоставлять их с реальными, образуя обратную связь, корректировать цель или управление

На рисунке 13.1 приведена структурная схема ИС, где выделены два крупных блока системы: синтез цели и ее реализация.

В первом блоке на основе активного оценивания информации, полученной от системы датчиков, при наличии мотивации и знаний синтезируется цель и принимается решение к действию. Активное оценивание информации осуществляется под воздействием пусковых сигналов. Изменчивость окружающей среды и собственного состояния системы может приводить к потребности в чем-либо (мотивации), а при наличии знаний может быть синтезирована цель.

Под целью понимается идеальное, мысленное предвосхищение результата деятельности. Продолжая активно оценивать информацию об окружающей среде и собственном состоянии системы, в том числе объекта управления, при сопоставлении вариантов достижения цели можно принять решение к действию.

Далее, во втором блоке динамическая экспертная система (ДЭС) на основании текущих сведений об окружающей среде и собственном состоянии ИС при наличии цели и знаний осуществляет экспертную оценку, принимает решение об управлении, прогнозирует результаты действия и вырабатывает управление.

Представленное в кодированном виде управление преобразуется в физический сигнал и поступает на исполнительные устройства.

Объект управления, получая сигнал от исполнительных устройств, осуществляет то или иное действие, результаты которого, представленные в виде параметров, по цепи обратной связи 2 поступают в ДЭС, где сравниваются с прогнозированными. Одновременно параметры результата действия, интерпретированные в соответствии со свойствами цели и поступающие в блок I, могут использоваться для эмоциональной оценки достигнутого результата: например, цель достигнута, но результат не нравится.

Если цель достигается по всем параметрам, то управление подкрепляется. В противном случае происходит коррекция управления. Когда же цель недостижима, то корректируется цель.

Следует заметить, что при внезапных изменениях состояния окружающей среды, или объекта управления, или системы в целом возможен синтез новой цели и организация ее достижения.

Структура ИС наряду с новыми элементами содержит традиционные элементы и связи, центральное место в ней занимает динамическая экспертная система.

Блок 1 - синтез цели Блок II - реализация цели

Рисунок 13.1 – Структурная схема ИС

Формально ИС описывается следующими шестью выражениями:

T X S МТ ;

T M S СТ ;

C T S R T;

ТХ = {A T}X T + {B T}U T;

T Y = {D T} X T;

T R Y СТ ,

где Т - множество моментов времени;

X, S, M, C, R и Y - множества состояний системы, окружающей среды, мотивации, цели, прогнозируемого и реального ре­зультата;

А, В и D - матрицы параметров;

Интеллектуальные операто­ры преобразования, использующие знания.

В этом описании сочетаются представления объектов системы в виде множества значений, либо множества высказываний, либо каких-то других форм.

Динамические свойства ИС могут быть описаны в пространстве состояний. Интеллектуальные операторы, реализующие восприятие, представление, формирование понятия, суждения и умозаключения в процессе познания, являются формальным средством обработки сведений и знаний, а также принятия решения. Все эти аспекты должны быть положены в основу построения ДЭС, функционирующих в реальном времени и реальном мире.

Динамическая экспертная система есть некоторое комплексное образование, способное оценивать состояние системы и среды, сопоставлять параметры желаемого и реального результатов действия, принимать решение и вырабатывать управление, способствующее достижению цели. Для этого ДЭС должна обладать запасом знаний и располагать методами решения задач. Знания, передаваемые экспертной системе, можно разделить на три категории:

1) концептуальное (на уровне понятий) знание - это знание, воплощенное в словах человеческой речи или, конкретнее, - в научно-технических терминах и, естественно, в стоящих за этими терминами классах и свойствах объектов окружающей среды. Сюда же входят связи, отношения и зависимости между понятиями и их свойствами, причем связи абстрактные, также выраженные словами и терминами. Концептуальное знание - это сфера, главным образом, фундаментальных наук, если учитывать, что понятие есть высший продукт высшего продукта материи - мозга;

2) фактуальное, предметное знание - это совокупность сведений о качественных и количественных характеристиках конкретных объектов. Именно с этой категорией знания связываются термины «информация» и «данные», хотя такое употребление этих терминов несколько принижает их значение. Любое знание несет информацию и может быть представлено в виде данных; фактуальное знание - это то, с чем всегда имели дело вычислительные машины и с чем они больше всего имеют дело до сих пор. Современную форму накопления данных принято называть базами данных. Конечно, для организации баз данных, для поиска в них нужной информации надо опираться на концептуальное знание;

3) алгоритмическое, процедурное знание - это то, что принято называть словами «умение», «технология» и др. В вычислительном деле алгоритмическое знание реализуется в виде алгоритмов, программ и подпрограмм, но не всяких, а таких, которые могут передаваться из рук в руки и использоваться без участия авторов. Такая реализация алгоритмического знания называется программным продуктом. Наиболее распространенные формы программного продукта - пакеты прикладных программ, программные системы и другие, ориентированные на конкретную область применения ДЭС. Организация и использование пакетов прикладных программ базируется на концептуальном знании.

Ясно, что концептуальное знание является более высокой, определяющей категорией знания, хотя, с точки зрения практики, другие категории могут казаться более важными.

Именно поэтому, вероятно, концептуальное знание редко воплощается в форме, доступной для обработки на вычислительных машинах. А если воплощается, то чаще всего неполно и односторонне. Носителем концептуального знания остается в большинстве случаев человек. Это тормозит автоматизацию многих процессов.

Представления концептуального знания, а точнее, системы, реализующие все три категории знания, но выделяющие концептуальное знание на первый план и работающие на основе его интенсивного использования, называются базами знаний.

Создание и широкое применение баз знаний в ИС - одна из актуальнейших задач. Концептуальную часть базы знаний будем называть моделью предметной области, алгоритмическую часть - программной системой, а фактуальную часть - базой данных.

Следующая функция ДЭС - решение задач. Задача может быть решена машиной только в том случае, если она формально поставлена - если для нее написана формальная спецификация. Последняя должна опираться на некоторую базу знаний. Модель предметной области описывает общую обстановку, в которой возникла задача, а спецификация - содержание задачи. В совокупности они позволяют установить, какие абстрактные связи и зависимости, в каких сочетаниях и в какой последовательности должны быть использованы для решения задачи.

Прикладные программы представляют собой конкретные средства, стоящие за этими зависимостями, а также содержат алгоритмы для решения возникающих при этом уравнений. Наконец, база данных поставляет все исходные данные или часть их для выполнения этих алгоритмов, недостающие данные должны содержаться в спецификации.

Этим трем частям баз знаний соответствуют три этапа решения задачи:

1) построение абстрактной программы решения (включая возникновение задачи, ее постановку и спецификацию);

2) перевод задачи на подходящий машинный язык;

3) трансляция и выполнение программы.

Построение абстрактной программы связано с представлением и обработкой концептуального знания в ИС и по определению является достоянием искусственного интеллекта.

Искусственный интеллект связывают с обработкой текстов, устных сообщений на естественном языке, с анализом и обработкой информации (распознавание всех видов изображений, доказательство теорем, логический вывод и т.д.).

Функциями ДЭС являются также оценка результатов решения задачи, формирование параметров будущего результата действия, принятие решения об управлении, выработка управления и сличение параметров желаемого и реального результатов. Здесь предусматривается моделирование процессов для оценки возможных последствий и корректности решения задачи.

Отметим, что в реальных случаях существует проблема описания исследуемых объектов. Такое описание неправомерно считать частью спецификации задачи, поскольку относительно одного объекта ставится, как правило, много задач, что, естественно, требуется учитывать при формировании базы знаний. Кроме того, может оказаться, что возникшую задачу не решить до конца автоматически, например, из-за неполноты спецификации или описания объекта.

Поэтому в ИС целесообразен на определенных стадиях интерактивный режим работы с ДЭС. Надо помнить, что модель предметной области описывает общую обстановку (знание), а спецификация - содержание задачи. Очень важными проблемами являются создание единой программной среды и синтез алгоритмов непосредственно по постановке задачи.

В зависимости от цели, которая стоит перед ИС, база знаний, алгоритмы решения задачи, принятия решения, выработки управления могут, естественно, иметь различное представление, зависящее, в свою очередь, от характера решения задач. Соответственно этому можно видеть три типа ДЭС. Структура ДЭС первого типа приведена на рисунке 13.2.

Рисунок 13.2 – Структура ДЭС первого типа

Здесь предполагается, что концептуальные и фактуальные знания точно отражают процессы и сведения, относящиеся к некоторой предметной области.

Тогда решение задачи, возникающей в этой области, будет получено на основе строгих математических методов, в соответствии с постановкой и спецификацией. Результаты исследования решения и прогноз используются для получения экспертной оценки и принятия решения о необходимости управления. Затем на основе подходящего алгоритма управления, имеющегося в базе знаний, формируется управляющее воздействие.

Эффективность и непротиворечивость этого воздействия, прежде чем оно поступит на объект управления, оценивается с помощью имитационной математической модели. Оценка должна выполняться быстрее реальных процессов в ИС.

Однако ДЭС, реализующие принятие решения, представляют собой сложные программные комплексы, предназначенные для автоматического принятия решения или для помощи лицам, принимающим решения, и при оперативном управлении сложными системами и процессами, как правило, работают в условиях жестких временных ограничений.

В отличие от ДЭС первого типа, предназначенных для поиска оптимального решения и базирующихся на строгих математических методах и моделях оптимизации, ДЭС второго типа в основном ориентированы на решение трудно формализуемых задач в отсутствие полной и достоверной информации (рис. 13.3). Здесь используются экспертные модели, построенные на основе знаний экспертов - специалистов в данной проблемной области, и эвристические методы поиска решения.

Одной из основных проблем при проектировании ДЭС второго типа является выбор формального аппарата для описания процессов принятия решений и построение на его основе модели принятия решений, адекватной проблемной области (семантически корректной). В качестве такого аппарата обычно используют продукционные системы. Однако основные исследования ведутся в контексте алгоритмической (детерминированной) трактовки продукционной системы с присущей ей последовательной схемой поиска решения.

Получающиеся в результате модели зачастую неадекватны реальным проблемным областям, характеризующимся недетерминизмом процесса поиска решения. Выход из такого положения - параллелизм при поиске.

Реально следует ориентироваться на объединение ДЭС первого и второго типа в расчетно-логическую ДЭС третьего типа, где база знаний сочетает описание в виде строгих математических формул с информацией экспертов, а также соответственно - математические методы поиска решения с нестрогими эвристическими методами, причем вес того или другого компонента определяется возможностью адекватного описания предметной области и способом отыскания решения (рис. 13.4).

Рисунок 13.3 – Структура ДЭС второго уровня

При разработке ДЭС возникают следующие проблемы:

1. определение состава базы знаний и ее формирование;

2. разработка новых и использование известных теорий и методов для описания информационных процессов в ИС;

3. разработка способов представления и организации использования знаний;

4. разработка алгоритмов и программного обеспечения с распараллеливанием и использованием «гибкой логики»;

1. отыскание подходящих вычислительных сред для реализации параллельных алгоритмов при формировании ДЭС.

Рисунок 13.4 – Структура ДЭС третьего уровня

Наряду с изложенным важно отметить, что ДЭС должны обладать свойством адаптации к динамической проблемной области, способностью ввода новых элементов и связей в описание ситуаций, изменения правил и стратегии функционирования объектов в процессе принятия решения и выработки управления, работы с неполной, нечеткой и противоречивой информацией и т.д.

Динамические экспертные системы функционируют в составе ИС, имеющих обратные связи, и поэтому важно обеспечить устойчивую работу таких ИС.

С традиционных позиций можно считать, что длительность реакции ДЭС на входные воздействия, т.е. время, затрачиваемое на обработку входной информации и выработку управляющего воздействия, есть чистое запаздывание. На основе частотного анализа можно оценить изменение фазовых свойств системы и тем самым определить запас устойчивости. При необходимости можно произвести коррекцию системы посредством фильтров.

Однако с точки зрения классической теории управления ИС являются многообъектными многосвязными системами, анализ устойчивости которых обычными способами весьма затруднителен.

В настоящее время теория робастного управления (-теория управления, -управление) является одной из интенсивно развивающихся ветвей теории управления. Сравнительно молодая (первые работы появились в начале 80-х гг.), она возникла из насущных практических проблем синтеза многомерных линейных систем управления, функционирующих в условиях различного рода возмущений и изменения параметров.

Можно подойти к проблеме проектирования управления реальным сложным объектом, функционирующим в условиях неопределенности, другим образом: не пытаться использовать один тип управления - адаптивный или робастный. Очевидно, следует выбирать тот тип, который соответствует состоянию окружающей среды и системы, определенному по имеющейся в распоряжении системы информации. Если же в процессе функционирования системы можно организовать получение информации, целесообразно использовать ее в процессе управления.

Но реализация такого комбинированного управления до недавнего времени наталкивалась на непреодолимые трудности при определении алгоритма выбора типа управления. Достигнутые в разработке проблем искусственного интеллекта успехи делают возможным синтез такого алгоритма.

Действительно, поставим задачу: спроектировать систему, использующую адаптивное и робастное управление и осуществляющую выбор типа управления на основе методов искусственного интеллекта. Для этого рассмотрим особенности обоих типов и, учитывая их специфические качества, определим, как можно построить систему комбинированного управления.

Одним из основных понятий в теории робастного управления является понятие неопределенности. Неопределенность объекта отражает неточность модели объекта, причем как параметрическую, так и структурную.

Рассмотрим подробнее формы задания неопределенности в робастной теории управления с помощью простой системы - с одним входом и одним выходом (рисунок13.5).

Сигналы имеют следующую интерпретацию: r - задающий входной сигнал; u - входной сигнал (вход) объекта; d - внешнее возмущение; у - выходной сигнал (выход) объекта, измеряемый.

Рисунок 13.5 – Система с одним входом и одним выходом

В -теории управления неопределенность удобно задавать в частотной области. Предположим, что передаточная функциянормального объекта Р, и рассмотрим возмущенный объект, передаточная функция которого,

,

где W – фиксированная передаточная функция (весовая функция);

–произ­вольная устойчивая передаточная функция, удовлетворяющая неравенству .

Такое возмущение будем называть допустимым. Ниже приведем некоторые вари­анты моделей неопределенности:

(1+W)P; P+W; P/(1+WP); P/(1+W).

Соответствующие предположения должны быть сделаны для величин и W в каждом случае.

Неопределенность входных сигналов d отражает различную природу внешних возмущений, действующих на объект и регулятор. Неопределенный объект, таким образом, может рассматриваться как некое множество объектов.

Выберем некую характеристику систем с обратной связью, например устойчивость. Регулятор С является робастным относительно этой характеристики, если ею обладает любой из множества объектов, задаваемых неопределенностью.

Таким образом, понятие робастности подразумевает наличие регулятора, множества объектов и фиксацию определенной характеристики системы.

В этой работе мы не будем затрагивать всего множества задач, решаемых в рамках теории управления. Коснемся лишь задачи минимальной чувствительности: построения такого регулятора С, который стабилизирует замкнутую систему и минимизирует влияние внешних возмущений на выход у, иначе говоря, минимизирует норму матрицы передаточных функций от внешних возмущений к выходу у.

Одной из особенностей решения этой, да и всего множества задач робастного управления является тот факт, что мы заранее в процессе проектирования регулятора закладываем ограничения на входные воздействия и неопределенность объекта в виде неравенств .

В процессе функционирования робастной системы информация о неопределенностях в системе не используется для управления.

Естественно, это приводит к тому, что робастные системы консервативны и качество переходных процессов порой не удовлетворяет разработчиков этих систем.

Подобно робастной адаптивная система управления строится для объектов, информация о которых или о воздействиях на которые недоступна в начале функционирования системы. Чаще всего свойство адаптации достигается посредством формирования в явном или неявном виде математической модели объекта или входного воздействия.

Этим отличается как поисковое адаптивное управление, в основе которого поиск и удержание экстремума показателя качества управления, так и беспоисковое, в основе которого компенсация отклонения фактических изменений управляемых координат от желаемых изменений, соответствующих требуемому уровню показателя качества. Далее по уточненной модели происходит подстройка адаптивного регулятора.

Таким образом, основная особенность адаптивных систем управления – возможность получения информации в процессе функционирования и использования этой информации для управления.

Более того, в адаптивных системах всегда используется априорная информация о неопределенности в системе. Это принципиальное отличие адаптивного подхода от робастного.

Рассмотрим простейшую адаптивную систему управления, обеспечивающую отслеживания входного сигнала в присутствии помехи на входе объекта (рисунок 13.6).

Рисунок. 13.6–Адаптивная система управления

Формальное отличие от схемы на рисунке 13.5 - блок адаптации А, который на основании выходного сигнала объекта и сигнала, характеризующего заданное качество, вырабатывает сигнал подстройки коэффициентов адаптивного регулятора.

Имея в виду недостатки каждого из регуляторов, целесообразно попытаться использовать их достоинства, предложив комбинированную схему управления объектом. Адаптивная система при помощи блока адаптации вырабатывает некоторую информацию о состоянии внешней среды. В частности, в рассматриваемом случае можно получить информацию о внешнем возмущении d. Алгоритм управления С а соответствует текущему состоянию внешней среды, согласно заложенному в блоке адаптации критерию. Но адаптивная система требует, чтобы входной сигнал rимел достаточно широкий частотный диапазон, и накладывает жесткие ограничения на значение и частотный спектр сигнала внешнего возмущения d. Поэтому адаптивные системы могут работать только в узких диапазонах входного сигнала rи внешнего возмущения d. Вне этих диапазонов адаптивная система имеет низкое качество управления и может даже потерять устойчивость.

Рассмотренные выше свойства робастного и адаптивного управления приводят к заключению, что в процессе функционирования системы в одних случаях выгодно использовать робастное управление, в других - адаптивное, т.е. иметь возможность комбинировать управление в зависимости от состояния внешней среды.

Комбинированное управление. Основной вопрос при проектировании систем комбинированного управления заключается в том, каким образом, на основании каких знаний (информации) осуществлять выбор того или иного типа управления.

Наиболее широкие возможности для этого представляют методы искусственного интеллекта. Их преимущество по сравнению с простыми переключающими алгоритмами состоит в использовании широкого спектра данных и знаний для формирования алгоритма выбора типа управления.

Если формально объединить схемы, приведенные на рисунках 13.5, 13.6, то получим схему комбинированного управления (рисунок 13.7).

Как видно из рисунка, сигнал управления и должен переключаться с робастного регулятора на адаптивный и наоборот - по мере изменения окружающей среды в процессе функционирования системы. Используя методы теории интеллектуальных систем, можно обеспечить переход с одного типа управления на другой в зависимости от условий работы системы.

Рисунок 13.6 – Схема комбинированного управления

Рассмотрим сначала, какую информацию можно использовать для работы интеллектуального блока системы. Как известно, системы с одним входом и одним выходом хорошо описываются в частотной области. Поэтому естественно использовать частотные характеристики для организации процесса принятия решений при выборе типа управления.

Как указывалось выше, частотная характеристика системы с робастным управлением соответствует наихудшему сочетанию параметров в области неопределенности. Поэтому робастное управление можно принять за одну из границ выбираемого управления.

Другая граница определяется возможностями исследуемой системы (быстродействие привода, энерговооруженность и т.д.). Между этими двумя границами находится область, где разумно использовать адаптивное управление.

Рисунок 13.7 – Схема комбинированного управления

Так как адаптивный алгоритм чувствителен к начальному этапу функционирования системы, то на этом этапе целесообразно использовать робастное управление, которое достаточно нечувствительно к скорости изменения внешней помехи. Но его недостатком является большая длительность переходных процессов и большие допустимые значения выходной координаты при действии помехи.

По истечении некоторого времени робастное управление имеет смысл переключить на адаптивное.

Адаптивное управление позволяет более точно отследить входной сигнал при наличии информации о помехе. Адаптивное управление требовательно к богатству спектра входного сигнала, и, например, при медленно меняющихся сигналах возможны срывы процессов адаптации или сильное их замедление. В такой ситуации необходимо снова переходить на робастное управление, гарантирующее устойчивость работы системы.

Из вышеизложенного следует, что для функционирования системы необходимо иметь информацию о частотном спектре полезного сигнала помехи и об отношении сигнал/шум.

Кроме того, требуется предварительная информация о частотном спектре, на котором работает адаптивная система, и о частных характеристиках объекта управления на границах области неопределенности. Из этой информации можно сформировать базу данных, в которую информация, индивидуальная для каждого класса объектов, заносится заранее. Информация о частотном спектре полезного сигнала, помех и об отношении сигнал/шум поступает в базу данных по мере функционирования системы и постоянно обновляется.

Содержимое базы данных может быть использовано в базе знаний, которая формируется в виде правил. В зависимости от конкретных свойств системы можно установить переключения двух типов управления. Требуемые правила формируются в одной из логических систем, подходящей для рассматриваемого случая.

Имея базы данных и знаний, можно разработать механизм принятия решений, который будет обеспечивать правильный выбор типа управления в зависимости от условий функционирования системы.

Рисунок 13.8 – Структурная схема системы с интеллектуальным блоком (ИБ)

Интеллектуальная часть системы работает дискретно, на заданных интервалах времени. На рисунке 13.8 приведена структурная схема системы с интеллектуальным блоком ИБ, обеспечивающим выбор типа управления.

На вход блока поступают сигнал rи измеряемый, выходной сигнал объекта у. В блоке предварительной обработки информации БПОИ по временным характеристикам сигналов r(t), y(t) определяются частотные характеристики входного сигнала r(w) и внешнего возмущения d(w), взаимное расположение спектров r(w) и d(w) и характерные значения отношения сигнал/шумr(w)/d(w). Вся эта информация поступает в базу данных БД. Блок принятия решения БПР, используя сформированную базу знаний БЗ и данные БД, вырабатывает решение, в соответствии с которым включается один из типов управления. На следующем интервале процесс повторяется с использованием новых данных.

Экономические решения в зависимости от определенности возможных исходов или последствий рассматриваются в рамках трех моделей:

выбор решения в условиях определенности, если относительно каждого действия известно, что оно неизменно приводит к некоторому исходу;

выбор решения при риске, если каждое действие приводит к одному из множества возможных частных исходов, причем каждый исход имеет вычисляемую или экспертно оцениваемую вероятность появления;

выбор решений при неопределенности, когда то или иное действие имеет своим следствием множество частных исходов, но их вероятности неизвестны.

Вероятностные методы обеспечивают подходящие условия для принятия решения и содержательные гарантии качества выбора. При этом исходят из предположения, что суждения относительно значений, предпочтений и намерений представляют ценные абстракции человеческого опыта и их можно обрабатывать для принятия решений. В то время как суждения относительно правдоподобия событий квалифицируются вероятностями, суждения относительно желательности действий представляются понятиями. Байесовская методология рассматривает ожидаемую полезность U(d) как оценку качества решенияd. В соответствии с этим, если мы можем выбрать либо действиеd 1 , либоd 2 , вычисляемU(d 1),U(d 2) и выбираем действие, которое соответствует наибольшему значению. Семантика полезности состоит в том, чтобы описать риск.

Под риском принято понимать вероятность (угрозу) утраты лицом или организацией части своих ресурсов, недополучения доходов или появление дополнительных расходов в результате осуществления определенной финансовой политики.

Под уровнем риска понимается объективная или субъективная вероятность возникновения потерь. Объективная – это количественная мера возможности наступления случайного события, полученная с помощью расчетов или опыта, позволяющая оценить вероятность выявления данного события. Субъективная представляет собой меру уверенности и истинности высказанного суждения и устанавливается экспертным путем.

Уровень рисков наиболее легко устанавливается при помощи атрибутивных оценок типа «высокий», «средний», «небольшой». Разновидностью атрибутивной оценки рисков является буквенная кодировка. При этом в порядке нарастания риска и падения надежности используются латинские буквы от А до D.

AAA– самая высокая надежность;

AA – очень высокая надежность;

A – высокая надежность;

D – максимальный риск.

Оценивать уровень риска можно, используя показатели бухгалтерской и статистической отчетности.

Из всех возможных показателей лучше всего для этой цели подходит коэффициент текущей ликвидности (КТЛ) – отношение ликвидных средств партнера к его долгам, который отвечает на вопрос, сможет ли партнер покрыть долги своими активными ликвидными активами.

В результате анализа ситуации строятся причинно-следственные диаграммы («дерево причин») и диаграммы зависимостей. Причинно-следственная диаграмма является формальным отображением структуры проблемной ситуации в виде иерархически незамкнутого графа, вершины которого соответствуют элементам проблемы, отражающим причины ее возникновения, а дуги – связям между ними. Связь элементов-подпроблем отображается в виде отношения «причина – следствие» (рис. 11.1).

OLTR – средства складирования данных и оперативной обработки транзакций; OLAR – средства оперативной обработки информации.

Корпоративная БД, организованная в виде хранилища данных, заполняется информацией с использованием технологий OLTR и OLAR. Для разработки и реализации СППР слабоструктурированных проблем должны быть разработаны и адаптированы к ее условиям следующие методы и средства:

система признаков для регистрации проблемных ситуаций;

методы оценки степени критичности проблемных ситуаций;

причинно-следственные диаграммы для диагностирования причин возникновения проблемных ситуаций;

таблица принятия решений для формирования и выбора вариантов решений;

методы прогнозирования результатов решений;

модели функционирования предприятия и внешней среды.

Рис.11.1. Модель системы поддержки принятия решений

Наиболее распространенной формой выявления проблем с использованием технико-экономических показателей является сравнение их фактических величин с нормативными и средними значениями.

Логический анализ проблем-причин, находящийся на нижних уровнях иерархии, показывает, что во многих случаях они позволяют сформировать варианты решения проблем более высокого уровня. Например, в качестве вариантов решения проблемы снижения объемов производства и сбыта продукции возможны альтернативы:

варьирование ценами;

варьирование формами оплаты;

снижение численности работающих;

сокращение доли условно-постоянных расходов в себестоимости продукции;

сокращение сроков выполнения заказов;

усиление службы маркетинга.

Когда отсутствуют статистические данные, необходимые для расчета объективной вероятности риска, прибегают к субъективным оценкам, основанным на интуиции и опыте экспертов. Дж. Кейнс ввел понятие субъективной вероятности. В соответствии с принципом безразличия одинаково правдоподобные события или суждения должны иметь одинаковую вероятность, что математически записывается так:

А ~ В ≡ Р(А) = Р(В),

где ~ – знак, выражающий отношение безразличия или толерантности.

Более правдоподобное событие или суждение должно иметь большую вероятность, т.е. если А>В, то Р(А)>Р(В). Субъективные оценки вероятности связывают вербальные и количественные значения (табл. 4).

Таблица 4

При осуществлении сделок на рынке ценных бумаг различают формы рисков:

Систематический риск – риск падения рынка ценных бумаг в целом. Не связан с конкретной ценной бумагой.

Несистематический риск – агрегированное понятие, объединяющее все виды рисков, связанных с конкретной ценной бумагой.

Страновой риск – риск вложения средств в ценные бумаги предприятий, находящихся под юрисдикцией страны с неустойчивым социальным и экономическим положением, с недружественными отношениями к стране, резидентом которой является инвестор. В частности, политический риск.

Риск законодательных изменений – риск потерь от вложений в ценные бумаги в связи с изменением их курсовой стоимости, вызванным появлением новых или изменением существующих законодательных норм.

Инфляционный риск – риск того, что при высокой инфляции доходы, получаемые инвесторами от ценных бумаг, обесцениваются.

Валютный риск – риск, связанный с вложениями в валютные ценные бумаги, обусловленный изменениями курса иностранной валюты.

Отраслевой риск – риск, связанный со спецификой отдельных отраслей.

Региональный риск – риск, свойственный монопродуктовым районам (с/х, военная, тяжелая, легкая отрасли промышленности).

Риск предприятия – риск финансовых потерь от вложения в ценные бумаги конкретного предприятия.

Кредитный риск – риск того, что эмитент, выпустивший ценные бумаги, окажется не в состоянии выплатить процент по ним.

Риск ликвидности – риск, связанный с возможностью потерь при реализации ценной бумаги из-за изменения ее оценки.

Процентный риск – риск потерь, которые могут понести инвесторы в связи с изменением процентных ставок.

Капитальный риск – риск существенного ухудшения качества портфеля ценных бумаг.

Существует несколько популярных подходов к принятию решений относительно выбора портфеля инвестиций и размещения средств. Наиболее простой – конформный – требует, чтобы портфель был сконструирован с целью удовлетворения специфических требований компании, осуществляющей инвестирование. В соответствии с этим подходом инвестор делает вклады фиксированной величины в различные категории ценных бумаг. Оценка качества ценных бумаг фирмы может основываться на размерах капитала компании, показателях ее эффективности и вкладах других организаций.

Стратегии, в которых активы смешиваются в соответствии с фазами национальной и глобальной экономики, называются тактическим размещением активов. Тактическое размещение активов бывает конформным, при этом средства вкладываются в те активы, которые упали в цене. Когда пропорция средств, вкладываемых в различные классы активов, основывается на некоторых прогнозных оценках макроэкономических параметров, такой подход называется размещением в соответствии со сценарием.

Наиболее широко распространенным подходом к выбору портфеля является подход «среднее-дисперсия», предложенный Гарри Марковитцем. Основная идея заключается в том, чтобы рассматривать будущий доход, приносимый финансовым инструментом, как случайную переменную, то есть доходы по отдельным инвестиционным объектам случайно изменяются в некоторых пределах. Тогда, если неким образом определить по каждому инвестиционному объекту вполне определенные вероятности реализации, можно получить распределение вероятностей получения дохода по каждой альтернативе вложения средств. Для упрощения модель Марковитца предполагает, что доходы по альтернативам инвестирования распределены нормально.

По модели Марковитца определяются показатели, характеризующие объем инвестиций и риск, что позволяет сравнивать между собой различные альтернативы вложения капитала с точки зрения поставленных целей и тем самым создавать масштаб для оценки различных комбинаций. В качестве масштаба ожидаемого дохода из ряда возможных доходов на практике используют наиболее вероятное значение, которое в случае нормального распределения совпадает с математическим ожиданием.

В основе модели Марковитца выбор портфеля представляется проблемой оптимизации:

при ограничениях

,

,

где n – число доступных ценных бумаг;часть портфеля, содержащаяся в ценных бумагах видаi ;R i = Е(r i ) – ожидаемая величина дохода по бумагам i ;R p =E(r p) – целевой уровень ожидаемого дохода портфеля; σ ij – ковариация дохода по ценным бумагамi иj ;V p – дисперсия дохода портфеля.

Эта задача является задачей квадратичного программирования.

УДК 004.896

И. А. Щербатов

ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СИСТЕМАМИ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Введение

Интеллектуальное управление - применение методов искусственного интеллекта для управления объектами различной физической природы. В области управления робототехническими системами методы искусственного интеллекта находят наиболее широкое применение. Это обусловлено, прежде всего, автономностью роботов и необходимостью решения ими неформализованных творческих задач в условиях неполноты информации и различных видов неопределенности.

Указанный класс задач до недавнего времени оставался прерогативой естественного интеллекта: оператора объекта управления, инженера, ученого, т. е. человека. Современные достижения в области теории автоматического управления, интеллектуальных методов формализации слабоструктурированных задач и управления сложными техническими системами позволяют реализовать очень сложные робототехнические системы, к которым относятся мобильные роботизированные платформы, гибкие автоматизированные линии и андроидные роботы.

Робототехнические системы функционируют в условиях неполноты входной информации, когда принципиальная невозможность измерения ряда параметров накладывает существенные ограничения на программу управления. Это приводит к необходимости разработки базы алгоритмов, позволяющих на основе косвенных признаков и измеряемых показателей рассчитать неизмеряемые параметры.

Неопределенность внешней среды, в которой функционирует робототехническая система, заставляет включать в состав системы управления различного рода компенсаторы, модули адаптации, накопления и ранжирования информации.

Постановка задачи

Целью исследований являлось формирование подходов к построению интеллектуальных систем управления робототехническими системами, инвариантных по отношению к специфике функционирования, учитывающих неполноту входной информации и различные виды неопределенности.

Для достижения поставленной цели требуется решить ряд взаимосвязанных задач: провести анализ архитектур интеллектуальных систем управления робототехническими системами; разработать обобщенный алгоритм ситуационной идентификации робототехнической системы; разработать обобщенную схему системы управления робототехнической системой; разработать интеллектуальные системы управления манипуляционным роботом, мобильной роботизированной платформой и гибкой автоматизированной линией.

Методы исследования

В ходе исследований использовались методы общей теории автоматического управления, теории нечетких множеств, нейронных сетей, системного анализа, теории экспертных оценок.

Местоположение робототехнической системы во внешней среде

Для реализации интеллектуальных алгоритмов управления первоочередной является задача текущей идентификации ситуации, в которой находится робототехническая система. Для решения этой задачи разработана структурная схема системы ситуационной идентификации (рис. 1).

Блок технического зрения и сенсорного очувствления предназначен для определения изменений состояния внешней среды и представления сенсорной карты среды для дальнейшей обработки. Сенсорная карта среды - это образ ситуации, в которой находится робот в текущий момент времени. Интервал времени построения сенсорной карты выбирается исходя из специфики предметной области.

База знаний

Оператор

Интеллектуальный

интерфейс

Идентификатор

алгоритмов

Органы технического зрения и сенсорного очувствления

Внешняя среда

Исполнительные

механизмы

Рис. 1. Структурная схема системы ситуационной идентификации

Рабочая память, по аналогии с экспертными системами, предназначена для обработки информации, поступающей от сенсоров и обрабатываемой с помощью имеющейся базы алгоритмов и базы знаний (БЗ) робототехнической системы.

База алгоритмов включает в себя алгоритмы предобработки сенсорной карты (цифровая обработка сигнала, распознавание звуковых образов и изображений), вычисления неизмеряемых параметров (функциональные зависимости от измеряемых параметров), восстановления полноты информации (проверка знаний на полноту и противоречивость, адаптация знаний с учетом нестационарности и вариативных внешних условий), математические операции и пр.

База знаний представляет собой сложную иерархическую структуру, содержащую априорную информацию о внешней среде, закладываемую на этапе обучения, полные и непротиворечивые знания, приобретаемые роботом в процессе функционирования и восприятия внешней среды. Знания в БЗ ранжируются по признакам релевантности и обновляются с учетом изменения специфики функционирования робота на основании алгоритмов адаптации знаний.

Наиболее важный блок - идентификатор ситуации. Именно этот блок отвечает за правильное распознавание образа ситуации на основе сенсорной карты. Результатная информация этого блока является определяющей для выбора программы управления робототехнической системой.

И наконец, интеллектуальный интерфейс, который необходим для связи с оператором. Оператор осуществляет контроль функционирования робототехнической системы, а также мониторинг процесса по достижению поставленных целей. Как правило, общение робота с оператором должно происходить с использованием естественно-языкового интерфейса на ограниченном подмножестве естественного языка.

Структура системы управления робототехнической системой в условиях неопределенности

Реализация алгоритмов и программ интеллектуального управления робототехническими системами в условиях неопределенности сопряжена с рядом значительных трудностей.

Сложность алгоритмов предварительной обработки входной информации и структурная неопределенность модели поведения самой робототехнической системы обусловливают избыточность структуры системы интеллектуального управления.

Для решения задачи управления роботом в условиях неопределенности спроектирована следующая архитектура системы интеллектуального управления (рис. 2).

Система ситуационной идентификации (ССИ) должна входить в состав любой интеллектуальной системы управления робототехнической системой. Интеллектуальное устройство управления (ИУУ) содержит в своем составе БЗ и блок выбора программы управления (БВПУ). Назначение этого блока - выработка управляющего воздействия для системы электроприводов (ЭП), воздействующих на механическую систему (МС) робота.

Рис. 2. Структурная схема системы интеллектуального управления робототехнической системой

Системы управления промышленными манипуляторами

Традиционные системы управления промышленными манипуляторами делятся на несколько классов. Первый класс систем - системы программного управления.

Система непрерывного управления рабочим органом манипулятора подразумевает подравнивание манипулятора под эталонную модель . В таком алгоритме управления не учитываются потери в МС манипулятора и принимается, что все усилия, развиваемые приводами, передаются на рабочий орган.

Система программного управления силой в рабочем органе применяется для управления не только по вектору силы, но и по вектору положения рабочего органа. Система независимого управления перемещением и усилием в рабочем органе манипулятора по различным степеням подвижности имеет два контура управления с обратной связью: по положению и по силе .

В системе связанного управления перемещением и усилием в рабочем органе манипулятора задание по вектору положения рабочего органа корректируется по текущему значению вектора силы. Это означает, что при движении рабочего органа величина его хода корректируется по силе воздействия на внешнюю среду.

Адаптивные системы управления применяются, когда выполняются: операции взятия произвольно расположенного или перемещающегося объекта, дуговая сварка швов с варьируемым положением, обход подвижных и непредвиденных препятствий. Для этой цели применяются адаптивные системы с ассоциативной памятью.

Для управления промышленными манипуляторами применяются также робастные системы управления, которые в настоящее время находят широкое практическое применение .

Реализация интеллектуального управления

Проблема функционирования робототехнической системы в условиях неопределенности является многоаспектной.

Рассмотрим задачу планирования поведения робототехнической системы в условиях неопределенности. Для ее решения наиболее целесообразно применение технологии динамических экспертных систем. База знаний такой экспертной системы корректируется с течением времени. Если применяется продукционная база правил, то состав продукционных правил непрерывно исследуется на предмет полноты и непротиворечивости . Кроме того, за счет адаптационных алгоритмов осуществляется обновление и вытеснение устаревших и утративших свою актуальность правил. При этом вопросам обучения экспертной системы без учителя (самообучению) уделяется особое внимание ввиду того, что наблюдение за системой высококвалифицированного специалиста экономически нецелесообразно.

Блок самообучения или самонастройки БЗ экспертной системы требует тщательной проработки на этапе проектирования интеллектуальной системы управления робототехнической систе-

мой. Именно от качества выполнения этого этапа проектных работ зависит зачастую эффективность решения поставленной задачи. Он должен включать в себя подсистемы оценки полноты и противоречивости знаний, оценки качества управления и коррекции знаний.

Хронологически следующим этапом после планирования поведения может выступать проблема выдачи команд управления робототехнической системе на естественном языке. Для создания естественно-языкового интерфейса, по нашему мнению, наиболее подходящим инструментом реализации является теория нечетких множеств.

С помощью лингвистических переменных, содержащих определенное, заранее описанное терм-множество, производится описание предметной области, ограниченной системы команд и объектов, оказывающих воздействие на робототехническую систему и изменяющихся под ее действием. Используемые при этом методы фазификации и дефазификации, а также алгоритмы нечеткого логического вывода оказывают существенное влияние на точность отработки управляющих воздействий и скорость работы робототехнической системы.

И наконец, применение нейросетевых систем управления робототехническими системами. Основным преимуществом нейронной сети является отсутствие необходимости знать или создавать математическую модель объекта, поскольку нейронная сеть является универсальным нечетким аппроксиматором.

Объект (робототехническая система) выступает в роли «черного ящика». Нейронная сеть может выступать в качестве эталонной модели управляемой робототехнической системы. Следует отметить, что это должна быть обучающаяся многослойная нейронная сеть (идентификатор объекта). Нейросетевая модель настраивается на объект управления по рассогласованию выходных сигналов объекта и модели. Она же формирует обучающую выборку для подстройки и корректировки устройства управления в соответствии с выбранным критерием качества.

Заключение

Проведенный анализ позволил синтезировать архитектуру интеллектуальной системы управления робототехническими системами, инвариантную по отношению к специфике функционирования. Разработанный алгоритм ситуационной идентификации позволяет строить высокоинформативные сенсорные карты внешней среды. Описаны основные подходы к формированию интеллектуальных систем управления робототехническими системами. Показаны направления перспективного развития наиболее эффективных методов искусственного интеллекта, применяемых для реализации управляющих устройств.

СПИСОК ЛИТЕРАТУРЫ

1. Юревич Е. И. Основы робототехники. - СПб.: БХВ-Петербург, 2007. - 416 с.

2. Манипуляционные системы роботов / под ред. А. И. Корендясева. - М.: Машиностроение, 1989. - 472 с.

3. Бурдаков С. Ф. Синтез робастных регуляторов с упругими элементами: сб. науч. тр. - № 443. Механика и процессы управления. - СПб.: СПбГТУ, 1992.

4. Проталинский О. М. Применение методов искусственного интеллекта при автоматизации технологических процессов: моногр. - Астрахань: Изд-во АГТУ, 2004. - 184 с.

Статья поступила в редакцию 13.01.2010

INTELLECTUAL MANAGEMENT OF ROBOTICS SYSTEMS IN THE CONDITIONS OF UNCERTAINTY

I. A. Shcherbatov

The purpose of the given work is a formation of approaches to construction of intellectual control systems of robotics systems, invariant in relation to specificity of the functioning, considering incompleteness of the entrance information and various kinds of uncertainty. The analysis, allowed to synthesise architecture of an intellectual control system of robotics systems invariant in relation to specificity of functioning is carried out. The developed algorithm of situational identification allows to build up good touch cards of the environment. The basic approaches to formation of intellectual control systems of robotics systems are described. Directions of perspective development of the most effective methods of the artificial intellect applied to realisation of actuation devices are shown.

Key words: robotics system, the robot, intellectual management, structural uncertainty, incompleteness of the information, touch card, neural network, the theory of the indistinct sets, self-trained expert system.

Программы №14 фундаментальных исследований ОЭММПУ РАН

«АНАЛИЗ И ОПТИМИЗАЦИЯ ФУНКЦИОНИРОВАНИЯ СИСТЕМ МНОГОУРОВНЕВОГО, ИНТЕЛЛЕКТУАЛЬНОГО И СЕТЕВОГО УПРАВЛЕНИЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ»

1. Обоснование Программы

1.1. Научная и практическая значимость

Интенсивное развитие техники (сетевое взаимодействие, миниатюризация вычислителей, повышение их быстродействия и др.) предъявляет новые требования к современным системам управления и открывает новые возможности как на уровне встроенных систем управления (на уровне крупных диспетчерских центров), так и на уровне сетевого (коммуникационно-сетевого, группового) взаимодействия децентрализованных мультиагентных систем. Системы управления всё более приобретают характер информационно-управляющих систем и исследуются на стыке теорий управления, вычислений и связи. Так, учет свойств каналов связи (коммуникации) необходим, например, в децентрализованных (многоагентных) системах, а характеристики встроенного вычислителя важны при реализации в многоуровневых системах управления таких интеллектуальных функций, как техническое зрение, планирование действий, обучение, многокритериальное принятие решений, рефлексия и др. В частности, интеллектуализация управления призвана повысить степень автономности функционирования систем, когда отсутствие количественных моделей динамики или нарушения в функционировании объекта управления, вызывающие потерю адекватности количественных моделей (например, уравнений, описывающих эволюцию сложной системы), усиливают роль качественных (так называемых, «знаниевых», например, логико-лингвистических) моделей объекта и среды, используемых на верхних уровнях системы управления.

Программа направлена на решение фундаментальных проблем, возникающих в приоритетных направлениях науки, технологии и техники Российской Федерации. Ставится задача получения новых фундаментальных и прикладных результатов в области теории управления сложными техническими, человеко-машинными и другими системами с учетом неопределенности и дефицита исходной информации, в том числе: теории анализа и синтеза стохастических систем, теории создания систем управления движением и технологическими процессами, при текущей диагностике и контроле за техническим состоянием, а также теории создания автоматизированных систем проектирования и интеллектуального управления на базе современных информационных технологий .

В силу разнообразия использования теории управления, анализа и оптимизации в различных приложениях (транспортные, логистические, производственные, авиационные и космические системы, подводные и надводные корабли и др.) необходимо учитывать большое количество факторов сложности, таких как:

· многоуровневость управлений,

· децентрализованность,

· нелинейность,

· многосвязность,

· распределённость параметров,

· разномасштабность процессов по пространству и времени,

· высокая размерность,

· разнородность описания подсистем,

· многорежимность,

· наличие импульсных воздействий,

· присутствие координатно-параметрических, структурных, регулярных и сингулярных возмущений,

· использование детерминированных и вероятностных моделей описания неопределенности информации о векторе состояния и параметрах системы, о свойствах ошибок измерений и внешней среды,

· наличие эффектов запаздывания в управлении или объекте,

· общая структурная сложность современных систем управления.

Для достижения поставленной цели и решения основных задач Программа включает в себя исследования и разработки по следующим основным направлениям:

1. Анализ и оптимизация функционирования в разных временных шкалах многоуровневых систем управления с неполной информацией.

2. Управление и оптимизация в многоуровневых и децентрализованных системах организационно-технической природы.

2.1. Управление и оптимизация в сетецентрических системах.

2.2. Интеллектуальное управление движущимися объектами.

2.3. Моделирование и оптимизация многоуровневых информационно-управляющих систем реального времени.

Направление 1. Анализ и оптимизация функционирования в разных временных шкалах многоуровневых систем управления с неполной информацией

Сложность многих современных систем управления зачастую не позволяет получить заранее полное описание процессов, протекающих внутри системы, и ее взаимодействия со средой. Как правило, реальные системы описываются нелинейными уравнениями динамики и достаточно часто математические модели систем управления учитывают лишь допустимые области изменения параметров и характеристик отдельных элементов без конкретизации самих этих параметров и характеристик.

Кроме того, в некоторых системах, в частности, микромеханических и квантовых, использование классических методов описания в непрерывном или дискретном времени затруднено тем, что возникающие внутренние и/или внешние силы взаимодействия, а также управляющие воздействия носят скоротечный, импульсный характер и не поддаются точному вычислению. Система как бы функционирует в разных масштабах времени: реальном (медленном) и быстром (импульсном). Подобная временная разномасштабность является внутренним свойством многих современных систем управления, в том числе систем с многоуровневым управлением, в которых верхние уровни используют качественные и дискретные модели, а нижние – чаще количественные модели с непрерывным временем.

По этой причине разработка методов математической формализации описания функционирования таких систем в гибридном (непрерывно-дискретном) времени, исследование их свойств на предмет управляемости и устойчивости в условиях неполной информации, противодействия и нестандартных ограничений на управления и фазовые переменные является актуальной задачей. Такой же актуальной задачей является разработка методов синтеза оптимального управления подобными непрерывно-дискретными системами, как детерминированными, так и стохастическими.

Кроме того, в условиях неопределённости и дефицита априорной информации весьма актуальными являются задачи оптимизации процесса сбора и обработки информации (управление наблюдениями и оптимальная фильтрация).

Направление 2. Управление и оптимизация в многоуровневых и децентрализованных системах организационно-технической природы

2.1. Управление и оптимизация в сетецентрических системах

Современные сложные организационно-технические системы характеризуются высокой размерностью, децентрализованностью, многоуровневостью управления, необходимостью эффективного планирования деятельности с учетом обучения, многокритериальности принимаемых решений и рефлексии управляемых субъектов.

Задачи планирования и управления дискретными и непрерывными распределенными многосвязными системами большой размерности также характеризуются разномасштабностью процессов не только по времени, но и распределенностью и разномасштабностью по пространству и представляют собой один из наиболее сложных и трудоемких классов задач оптимизации. По этой причине целесообразна разработка методов исследования и подходов к нахождению точного и приближенного решений, а также средств имитационного моделирования для использования в системах поддержки принятия решений при планировании, проектировании и управлении сложными техническими, организационными (в т. ч. транспортно-логистическими) и информационными системами.

Для управления групповым взаимодействием компонент децентрализованных организационно-технических систем (сетецентрические системы, производственные системы, вычислительные, телекоммуникационные и другие сети и т. д.) в условиях ограничений на каналы связи и сложность вычислений большое значение имеют характеристики процессов обработки информации, а также ограничения на время принятия решений, вычислительные возможности и пропускную способность каналов связи. Поэтому актуальна разработка методов оптимизации (с учетом перечисленных ограничений) структуры сложных организационно-технических систем, в том числе – с одновременным учетом многих критериев: детальности исходных данных, оперативности сбора информации, планирования и рефлексивного принятия решений, ограниченности производительности отдельных вычислителей, снижения дублирования работы, а также доли вспомогательных вычислений, связанных с обслуживанием передачи данных.

Для многоуровневых и децентрализованных систем характерно распределенное принятие решений в реальном времени в условиях информационного противодействия, а также неполноты и неоднородности информации, зачастую носящей многокритериальный качественный и субъективный характер. По этой причине необходимо развивать методы создания адекватных систем информационного обеспечения и поддержки принятия стратегических и оперативных решений в условиях неполной информации и противодействия. Для этого целесообразна, в частности, разработка: мультиагентных моделей динамических организационных и технических систем, включая сетевые модели с конфликтующими агентами, моделей группового поведения и его прогноза, оценки баланса интересов и образования коалиций в этих системах, а также развитие информационных технологий и средств представления информации о внешней среде и знаний интеллектуальных агентов.

2.2. Интеллектуальное управление движущимися объектами

Для решения поставленных задач далеко не всегда могут быть созданы количественные модели, поэтому, наряду с традиционными методами, в Программе используются методы искусственного интеллекта. Искусственный интеллект, как область знаний, претерпел за последние пятьдесят лет огромный скачок как в развитии и уточнении самого понятия интеллекта, так и в области практического применения искусственного интеллекта в различных сферах деятельности человека: в технике, экономике, бизнесе, медицине, образовании и др. Многие теоретические положения и методы искусственного интеллекта преобразовались в прикладные интеллектуальные технологии, основанные на знаниях.

Особенность современного поколения интеллектуальных систем заключается в том, что они опираются на сложную модель внешней среды, которая учитывает как количественную информацию, так и качественные модели – знания о возможном поведении различных объектов внешней среды и их взаимосвязях между собой. Применение таких моделей стало возможным благодаря развитию методов представления знаний, методов интеграции данных из разных источников, значительному увеличению быстродействия и объёмов памяти компьютеров.

Наличие модели внешней среды позволяет современным интеллектуальным системам управления движущимися объектами принимать решения в условиях многокритериальности, неопределённости и риска, а качество этих решений может превышать качество решений, принимаемых человеком, находящимся в условиях информационной перегрузки, ограниченного времени и стресса.

В связи с этим актуальной задачей является разработка новых средств и методов развития интеллектуального управления движущимися объектами при наличии перечисленных выше факторов.

2.3. Моделирование и оптимизация многоуровневых информационно-управляющих систем реального времени

Актуальность исследований в данном направлении обусловлена необходимостью разработки методов анализа и синтеза многоуровневых открытых модульных информационно-управляющих систем реального времени (ИУС РВ) многорежимных и многоцелевых объектов, функционирующих в условиях неопределённости, структурных возмущений и нештатных ситуаций (НШС). В числе этих объектов управления ‑ критические объекты и системы ответственного применения, определяющие безопасность государства.

Очевидно, что проблемы и задачи создания систем данного класса могут быть успешно решены на основе развития единой теории и прикладных программно-ориентированных методов динамического и сценарного анализа и синтеза структуры таких систем, их алгоритмического, программного и информационного обеспечения, механизмов выработки эффективных управленческих воздействий. К ним, в первую очередь, относится разработка формализованной методологии проектирования открытых информационно-управляющих систем, включающей модели и методы синтеза оптимальной по различным критериям эффективности модульной структуры объектно-ориентированных ИУС РВ с открытой архитектурой. На основе результатов, полученных на этапе динамического анализа, синтезируется оптимальная функциональная модульная структура обработки данных и управления, т. е. определяется оптимальный состав и число модулей ИУС РВ, синтезируется интерфейс системы и определяется структура её программного и информационного обеспечения для обработки входных потоков заявок.

Для планирования действий и поддержки принятия решений в условиях неопределённости, структурных возмущений и нештатных ситуаций целесообразно в ИУС РВ использовать методы сценарного анализа и синтеза эффективных управляющих воздействий. При этом математическая модель распространения структурных возмущений и нештатных ситуаций будет сформирована на языке взвешенных или функциональных знаковых графов. На основе данной модели будут синтезированы рациональные сценарии управления объектами с использованием понятий потенциала работоспособности, стойкости и живучести составляющих их элементов. Синтез сценариев ликвидации причин и последствий НШС в многорежимных целевых объектах будет осуществляться с учётом динамически определяемых временных и ресурсных ограничений. Необходимо разработать также постановки и методы решения обратных задач управления живучестью многорежимных и многоцелевых объектов, функционирующих в условиях неопределённости, структурных возмущений и нештатных ситуаций.

Отмеченная выше специфика систем и объектов управления, научная и практическая значимость решения для них задач управления, анализа и оптимизации позволяют сформулировать следующие основные цели и задачи Программы.

1.2. Основные цели и задачи

Основной целью Программы является решение фундаментальных проблем теории управления, сдерживающих реализацию перспективных проектов важного государственного значения в области управления сложными динамическими и интеллектуальными системами с приложениями к управлению движением технических объектов и процессами в технологических и организационных системах.

Исследования будут проводиться по следующей обобщённой тематике.

Направление 1

· Разработка методов стабилизации нелинейных систем в ситуациях неполного измерения координат и ограничений на допустимую структуру управляющих сил.

· Развитие методов робастного и адаптивного наблюдения и управления в условиях детерминированных, вероятностных и других моделей неопределенности параметров объекта управления и среды функционирования.

· Разработка методов и алгоритмов качественного и количественного анализа непрерывных, дискретных и многоуровневых непрерывно-дискретных динамических моделей и синтеза управления на основе метода редукции с векторными и матричными функциями сравнения и модельных преобразований.

· Исследование проблемы оптимального управления новым классом механических систем, перемещающихся в сопротивляющихся средах за счет изменения конфигурации или движения внутренних тел.

· Разработка методов математической формализации и решения задач ударного взаимодействия механических систем при наличии сухого трения.

· Развитие методов оптимального управления дискретно-континуальными и импульсными динамическими системами.

· Развитие методов гарантированного управления нелинейными объектами, подвергающимися воздействию неконтролируемых возмущений, в форме динамических игр.

· Развитие теории управления квантовыми системами.

· Разработка способов и алгоритмов для анализа динамических свойств типа устойчивости, инвариантности, диссипативности для оценивания состояния и синтеза многоуровневого управления системами с разнородным описанием динамики процессов на различных уровнях.

Направление 2 .1

· Методы решения задач управления сетецентрическими системами большой размерности с распределенными параметрами и разномасштабностью (по пространству и времени) процессов.

· Модели и методы коммуникационно-сетевого децентрализованного интеллектуального управления распределенными проектами и программами.

· Методы оптимизации структуры многоуровневых и децентрализованных систем.

· Методы и структуры компьютерной реализации сетецентрического управления в математически однородном пространстве распределённых и параллельных вычислений.

· Модели и методы группового принятия решений на основе неполной, неоднородной, качественной и субъективной информации.

· Модели и методы планирования и управления комплексами взаимосвязанных операций в сложных технических и транспортно-логистических системах .

· Разработка принципов, архитектуры, методов и алгоритмов создания распределенных программных интеллектуальных систем на основе мультиагентных технологий.

· Разработка моделей и методов информационного управления в мультиагентных сетевых структурах.

Направление 2.2

· Разработка обобщённых моделей ситуационного управления, отражающих особенности включения в структуру моделей нечётких, нейросетевых и логико-динамических элементов.

· Разработка метода планирования маршрутов, обеспечивающих свойство коммуникационной устойчивости группы управляемых динамических объектов, гетерогенных (количественно-качественных) по своему модельному представлению.

· Разработка методов анализа и синтеза адаптивных моделирующих платформ реального времени, учитывающих нелинейность, многосвязность, высокую размерность объектов управления с приложением к морским подвижным объектам.

· Оптимизация интеллектуальных систем многоуровневого управления движущихся объектов в конфликтной среде с учётом их группового взаимодействия, многокритериальности, неопределённости и риска.

· Разработка методов обеспечения технического зрения для систем интеллектуального управления.

· Разработка методов интеллектуального управления динамическими объектами, выполняющими сложное маневрирование, на основе организации вынужденного движения в пространстве состояний системы.

Направление 2.3

· Модели и методы анализа и оптимизации модульной структуры объектно-ориентированных многоуровневых информационно-управляющих систем реального времени с открытой архитектурой в условиях неопределённости и структурных возмущений.

· Методы анализа и оптимизации режимов электроэнергетических систем и управления ими.

· Модели и методы сценарно-индикаторного подхода к поиску точек уязвимости для задач управления.

· Методы моделирования, анализа и оптимизации многорежимных процессов управления подвижными объектами.

· Разработка методов и алгоритмов интеллектуальной идентификации нелинейных нестационарных объектов для повышения эффективности управления за счёт формирования базы технологических знаний на основе априорной информации об объекте управления.

· Геоинформационные технологии моделирования природно-техногенных комплексов в задачах управления экосистемами мегаполисов.

· Анализ и оптимизация информационного обеспечения систем навигации и управления.

· Модели и методы управления производственными процессами.

Результаты разрабатываемой теории и методов анализа и синтеза систем управления будут использоваться в следующих областях:

· управление движением в авиации и космонавтике, наземными и морскими объектами, транспортными средствами;

· мультиагентные сетецентрические системы, производственные системы, вычислительные, телекоммуникационные и другие сети;

· транспортно-логистические системы;

· глобальные энергетические, газотранспортные и другие крупномасштабные инфраструктурные системы;

· системы информационного обеспечения задач управления и поддержки принятия стратегических и оперативных решений в условиях неполной информации и противодействия.

Фундаментальные проблемы теории построения систем управления требуют интенсивной их разработки. Развитие исследований в этом направлении позволит:

Развитие теоретических основ решения комплексной триединой проблемы управления-вычислений-связи (проблема ‑ " Control - Computation - Communication ") для сложных информационно-управляющих систем, в т. ч. в условиях ограничений на каналы связи и отказов подсистем;

Решить проблемы управления принципиально новыми объектами и процессами, относящимися к движущимся объектам, объектам специального назначения, технологическим и организационным системам;

Создать эффективные методы функционального диагностирования и обеспечения отказоустойчивости систем управления летательных аппаратов и других движущихся объектов, а также динамической устойчивости электроэнергетических систем;

Повысить качество, ускорить и удешевить разработку проектных решений за счет алгоритмизации и автоматизации процесса разработки систем управления.

Здесь и далее управление понимается в широком смысле, в том числе коммуникационно-сетевое, групповое, распределенное управление (в англоязычной литературе – control in networks, control over networks, distributed control, etc.)

Статья также доступна (this article also available):

Розенберг Игорь Наумович

Интеллектуальное управление// Современные технологии управления . ISSN 2226-9339 . — . Номер статьи: 7608. Дата публикации: 2017-04-10 . Режим доступа: https://сайт/article/7608/

Введение

Интеллектуальное управление является обобщением семиотического , когнитивного и информационного управления . В интеллектуальном управлении транспортом выделяют направления: интеллектуальных транспортных систем , интеллектуального семиотического управления и интеллектуального когнитивного управления. Интеллектуальное семиотическое управление связано с разными формами логики, системой продукций, эволюционными алгоритмами. Интеллектуальное когнитивное управление рассматривается как синтез человеческого компьютерного управления с использованием ассоциативных каналов и анализа неявных знаний. Интеллектуальное управление рассматривается как средство принятия решений в условиях неопределенности . Интеллектуальное информационное управление рассматривается как поддержка интеллектуального управления с помощью информационных технологий.

Необходимость интеллектуального управления

По мере развития общества и усложнения объектов и задач управления менялись и технологии управления. Наиболее остро в управлении сложными ситуациями обнаружилась проблема «больших данных» . Она создает информационный барьер для технологий «организационного управления». Для современного управления характерен рост слабо структурированной информации. Это обуславливает переход к интеллектуальному управлению , которое, в свою очередь, приводит к необходимости применения технологий управления знаниями . Основой интеллектуального управления являются интеллектуальные системы и интеллектуальные технологии. Интеллектуальная система - это техническая или программно-техническая система, способная получать творческие решения задач, принадлежащие конкретной предметной области, знания о которой хранятся в памяти такой системы. Упрощенно структура интеллектуальной системы включает три основных блока - базу знаний, решатель и интеллектуальный интерфейс . Решатель является доминирующей составляющей интеллектуальной системы. В логиках первого порядка решателем называют механизм получения решений логических выражений . В мультиагентных системах, которые относят к области искусственного интеллекта, также используют понятие решателя. Агентом называют решатель задач, который представляет собой программную сущность, способную действовать в интересах достижения поставленных целей. В символическом моделировании решателем (s-solver) называют значение специализации сообщения. Одним из первых в России ввел это понятие Ефимов Е.И. . Из этого краткого перечня следует важность решателя для интеллектуальных систем и интеллектуальных технологий.

Интеллектуальное управление в рамках прикладной семиотики

Семиотика изучает природу, виды и функции знаков, знаковые системы и знаковую деятельность человека, знаковую сущность естественных и искусственных языков с целью построения общей теории знаков. В области семиотики существует направление «прикладная семиотика», основоположником которого является Д.А. Поспелов .

В семиотике выделяют две сферы приложения знаков: познания и коммуникации. Это делит семиотику на две части: семиотика познания; семиотика смысловых коммуникаций. Основой интеллектуального управления служит семиотическая система. Согласно Поспелову семиотической системой W называется упорядоченная восьмерка множеств:

W=< T, R, A, P, τ, ρ, α, π>, (1)

где
T — множество основных символов;
R — множество синтаксических правил;
A — множество знаний о предметной области;
P — множество правил вывода решений (прагматических правил);
τ — правила изменения множества T;
ρ — правила изменения множества R;
α — правила изменения множества A;
π — правила изменения множества P.

Первые два множества порождают язык системы W, а τ и ρ осуществляют его изменение. Правила α изменяют множество знаний о предметной области. Если считать знания аксиомами формальной системы (которую образуют первые четыре элемента из W), то правила α , по существу, изменяют интерпретацию основных символов и, следовательно, правильно построенных формул языка семиотической системы W.

Первые четыре множества образуют формальную систему FS , элементы с пятого по восьмой образуют правила изменения формальной системы. Этим они обеспечивают адаптацию формальной системы, «подстраивая» ее для решения задач и проблем, которые в рамках системы FS решить не удается.

Таким образом, семиотическая система (1) может быть определена как составная динамическая система: W=, где FSi — определяет состояние семиотической системы, а MFsi – правило смены ее состояния. В этом следует отметить, что хотя речь идет о семиотической системе, де факто такая система описывает объект управления, то есть состояние объекта управления и его динамику.

Поэтому семиотической системе можно дать новую интерпретацию. Составная динамическая система: W= FSi , который определяет состояние в информационной ситуации или информационную позицию, динамический MFsi , который определяет правила перехода объекта управления из одной информационной позиции в другую.

Правила MFsi = (τ, ρ, α, π ), меняющие состояние формальной системы (объекта управления) связаны зависимостью, существующей в элементах семиотического треугольника (треугольника Фреге) . Это означает, что применение одного из правил из этой четверки приводит к применению оставшихся правил.

Зависимости эти сложны, их аналитическое представление отсутствует, и это представляет трудность и является предметом исследования семиотических систем искусственного интеллекта. Поэтому более простым является применение информационного подхода и информационного моделирования.

Расширения формальных систем управления в виде динамических компонент MFsi обеспечивают свойства открытости систем. Они создают возможность адаптации объекта управления к управленческим воздействиям и меняющемся внешним условиям.

Это, в частности, позволяют значительно расширить возможности поддержки принятия решений в условиях неопределенности, неполноты и противоречивости исходной информации .

Виды неопределенностей при реализации интеллектуального управления

Традиционные методы управления, включая некоторые виды интеллектуального управления основаны на предположении, что модели состояния и управления объекта точно описывают его поведение. Методы, основанные на этом предположении, входят в классическую теорию управления. Однако в условиях увеличения объемов, роста неструктурированной информации и воздействия внешней среды – характерны отклонения от этого условия.

Практически любая модель представляет собой упрощенное описание реального объекта, его состояния и его поведения. Степень упрощения может быть допустимой или создавать неопределенность . В динамике поведения объекта управления некоторые характеристики объекта могут значительно изменяться в процессе его функционирования. Все это создает неопределенности различных моделей описания объекта и затрудняет управление им, включая интеллектуальное. Типовую модель управления, положенную в основу алгоритма управления или совокупность установленных правил управления, называют номинальной.

В условиях значимой неопределенности классические методы теории управления оказываются неприменимыми или дают неудовлетворительные результаты. В этих случаях необходимо применение специальных методов анализа и синтеза систем управления объектами с неопределенными моделями. Первым этапом является оценка вида и значения неопределенности.

Выделяют основные типы неопределенностей управленческих моделей: параметрическая, функциональная, структурная и сигнальная.

Параметрическая неопределенность означает, что неизвестными или неточно определенными являются постоянные параметры модели. Например, вместо точечных значений имеют место интервальные значения. При переходе к информационно измерительным системам можно говорить об отсутствии информационной определенности параметров. Поэтому во многих случаях реальные значения параметров могут существенно отличаться от принятых номинальных

Сигнальная неопределенность означает, что на управленческое воздействие или информационные потоки в системе управления воздействуют помехи существенно изменяющие номинальные сигналы. Такие сигналы, отклоняющие процесс управления от номинального называют возмущениями или помехами. Различие в том, что помеха пассивна и меняет только отношение сигнал/шум. Возмущение меняет сигнал при той же помехе.

Современные системы интеллектуального управления должны обеспечивать автономную работу множества связанных технических объектов. Это дает основание говорить об интеллектуальной системе управления (ИСУ). Интеллектуальная система должна решать сложные задачи, включая планирование, целеполагание, прогнозирование и прочее. Для универсальности, адаптации и точности решений целесообразно применение многоцелевого интеллектуального управления.

Многоуровневая архитектура интеллектуальной системы управления состоит из трех уровней: концептуального, информационного и операционного (рис.1). Система, построенная по такой архитектуре, управляет поведением сложных технических объектов в условиях автономного и коллективного взаимодействия. Концептуальный уровень является ответственным за реализацию высших интеллектуальных функций

Рис.1. Многоуровневое интеллектуальное управление.

На концептуальном уровне используется семиотическое (знаковое) представление знаний и осуществляется обмен сообщениями с остальными уровнями. Информационный и операционный уровни содержат модули, поддерживающие разные интеллектуальные и информационные процедуры и трансформирующие их в управление.

Основной задачей управления на концептуальном уровне является хранение, приобретение и использование концептуальных знаний, представленных в семиотическом (символьном) виде.

Составная динамическая система: W= включает два компонента: статический FSi , который определяет систему знаков динамический MFsi , который определяет систему правил (рис.1).

Приобретение знаний основывается на модели реальной ситуации во внешней среде. К высшим интеллектуальным функциям относят функции постановки главной цели и подцелей, планирования поведения и распределения воздействий в общем плане действий.

На информационном уровне управления решаются задачи информационного моделирования, основными из которых являются: построение информационной ситуации , информационной позиции , которые соответствуют компоненте FSi . На информационном уровне управления решаются задачи построения информационной конструкции , которая является отражением системы правил концептуального уровня и соответствует компоненте Mfsi . Языковая среда семиотического управления на информационном уровне реализуется применением различных информационных единиц. Которые служат основой построения информационной ситуации, информационной позиции и информационной конструкции.

На операционном (исполнительном) уровне происходит реализация управленческих решений (управленческих воздействий). Управленческие воздействия в обязательном порядке меняют информационную позицию объекта управления. Управленческие воздействия могут менять, если это необходимо, информационную ситуацию объекта управления. В то же время менять информационную ситуацию, чаще всего, нет необходимости. Основной задачей этого уровня изменение состояния и позиции объекта управления и сообщение об изменениях на концептуальный уровень.

Многоуровневая архитектура имеет ряд особенностей. Она включает в себя ряд когнитивных функций человека. Она опирается на использование информационного подхода к интеллектуальному управлению.

Следует отметить различие между интеллектуальными и информационными технологиями. Информационные технологии выполняют функции поддержки интеллектуального управления. Основную роль играют интеллектуальные технологии принятия решений. Они дают возможность наряду с решением или в ходе получения решения осуществлять поиск новых знаний и накопления интеллектуальных ресурсов. Информационные технологии создают только информационные ресурсы. Это означает, что знания, формализованные в явном виде, будучи освоенными, могут стать частью опыта и частью базы знаний и быть использованы им для решения задач и принятия решений.

Заключение

Интеллектуальное управление эффективно и необходимо при управлении сложными объектами, для которых трудно или невозможно найти формальные модели функционирования. Основой интеллектуального управления являются семиотические модели в первую очередь и информационные во вторую. Методы интеллектуального управления разнообразны и применимы к техническим, когнитивным и транспортным системам . Интеллектуальное управление широко применяют для многоцелевого управления . Современное интеллектуальное управление интегрируют в облачные платформы и сервисы . При управлении распределенными организациями и корпорациями возникает необходимость учета пространственных отношений и пространственных знаний. Еще одной проблемой является ограниченное количество интеллектуальных технологий работы с неявными знаниями. Технически проблема управления знаниями связана трансформацией информационных ресурсов в интеллектуальны ресурсы и их применением их в интеллектуальных технологиях.

Библиографический список

1. Поспелов Д.А. Прикладная семиотика и искусственный интеллект// Программные продукты и системы. – 1996. – №3. – C.10-13
2. Цветков В.Я. Когнитивное управление. Монография — М.: МАКС Пресс, 2017. — 72с. ISBN 978-5-317-05434-2
3. Цветков В.Я. Информационное управление. — LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Germany 2012 -201с
4. Осипов Г.С. От ситуационного управления к прикладной семиотике. Новости искусственного интеллекта. 2002, № 6.
5. Никифоров В. О., Слита О. В., Ушаков А. В. Интеллектуальное управление в условиях неопределенности. — СПб: СПбГУ ИТМО, 2011.
6. McAfee A., Brynjolfsson E. Big data: the management revolution //Harvard business review. – 2012. – №. 90. – С. 60-6, 68, 128.
7. Цветков В.Я Маркелов В.М., Романов И.А. Преодоление информационных барьеров // Дистанционное и виртуальное обучение. 2012. № 11. С. 4-7.
8. Forbes L. S., Kaiser G. W. Habitat choice in breeding seabirds: when to cross the information barrier //Oikos. – 1994. – С. 377-384.
9. Tsvetkov V. Ya. Intelligent control technology. // Russian Journal of Sociology, 2015, Vol. (2), Is. 2.-р.97-104. DOI: 10.13187/rjs.2015.2.97 www.ejournal32.com.
10. Zilouchian A., Jamshidi M. Intelligent control systems using soft computing methodologies. – CRC Press, Inc., 2000
11. Alavi M., Leidner D. E. Review: Knowledge management and knowledge management systems: Conceptual foundations and research issues //MIS quarterly. – 2001. – р.107-136.
12. Поспелов Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. — М.: Радио и связь, 1989. -184c.
13. De Moura L., Bjørner N. Z3: An efficient SMT solver //Tools and Algorithms for the Construction and Analysis of Systems. – Springer Berlin Heidelberg, 2008. – С. 337-340.
14. Розенберг И.Н., Цветков В.Я. Применение мультиагентных систем в интеллектуальных логистических системах. // Международный журнал экспериментального образования. – 2012. — №6. – с.107-109
15. Ефимов Е.И. Решатель интеллектуальных задач — М.: Наука, Главная редакция физико-математической литературы, 1982. – 320с.
16. Поспелов Д.А., Осипов Г.С. Прикладная семиотика // Новости искусственного интеллекта. — 1999. — №1.
17. Цветков В.Я. Информационная неопределенность и определенность в науках об информации // Информационные технологии. — 2015. — №1. -с.3-7
18. Tsvetkov V. Yа. Dichotomic Assessment of Information Situations and Information Superiority // European researcher. Series A. 2014, Vol.(86), № 11-1, pp.1901-1909. DOI: 10.13187/er.2014.86.1901
19. Tsvetkov V. Ya. Information Situation and Information Position as a Management Tool // European researcher. Series A. 2012, Vol.(36), 12-1, p.2166- 2170
20. Tsvetkov V. Ya. Information Constructions // European Journal of Technology and Design. -2014, Vol (5), № 3. — p.147-152
21. 22. Поспелов Д.А. Семиотические модели: успехи и перспективы// Кибернетика. – 1976. – №6. – С.114-123.
22. 23. Поспелов Д.А. Семиотические модели в управлении. Кибернетика. Дела практические. — М.: Наука, 1984. – С.70-87
23. Осипов Г. С. и др. Интеллектуальное управление транспортными средствами: стандарты, проекты, реализации //Авиакосмическое приборостроение. – 2009. – №. 6. – С. 34-43.
24. Снитюк В. Е., Юрченко К. Н. Интеллектуальное управление оцениванием знаний //ВЕ Снитюк, КН Юрченко.− Черкассы. – 2013.
25. Пугачев И. Н., Маркелов Г. Я. Интеллектуальное управление транспортными системами городов //Транспорт и сервис: сб. науч. трудов.–Калининград: Изд-во имени И. Канта. – 2014. – №. 2. – С. 58-66.
26. Атиенсия В., Дивеев А. И. Синтез интеллектуальной системы многоцелевого управления //Современные проблемы науки и образования. – 2012. – №. 6.
27. Грибова В. В. и др. Облачная платформа для разработки и управления интеллектуальными системами //Международная научно-техническая конференция «Открытые семантические технологии проектирования интеллектуальных систем»(OSTIS-2011).-Минск: БГУИР. – 2011. – С. 5-14.